在 AI 發(fā)展的進(jìn)程中，早期云端 AI 憑借強(qiáng)大的算力與集中式的數(shù)據(jù)處理能力，成為行業(yè)發(fā)展的主導(dǎo)力量。但隨著應(yīng)用場景不斷拓展，尤其是在物聯(lián)網(wǎng)、自動(dòng)駕駛、工業(yè)控制等領(lǐng)域，云端 AI 的局限性逐漸顯現(xiàn)。國際數(shù)據(jù)公司（IDC）研究顯示，2025 年全球邊緣計(jì)算解決方案支出將接近 2610 億美元，預(yù)計(jì)年復(fù)合增長率（CAGR）將達(dá)到 13.8%，到 2028 年將達(dá)到 3800 億美元，零售和服務(wù)業(yè)將占據(jù)邊緣解決方案投資的最大份額，占全球總支出的近 28%。這一數(shù)據(jù)直觀體現(xiàn)出產(chǎn)業(yè)重心正從云端向邊緣傾斜。

人們越來越擔(dān)心人工智能正滑入泡沫領(lǐng)域。麻省理工學(xué)院 NANDA 項(xiàng)目發(fā)布的一份報(bào)告《GenAI 鴻溝：2025 年商業(yè)人工智能現(xiàn)狀》發(fā)現(xiàn)，95% 的公司在開發(fā)生成式人工智能工具后幾乎沒有實(shí)現(xiàn)生產(chǎn)力提升。就連 OpenAI 首席執(zhí)行官薩姆 · 奧特曼也承認(rèn)，投資者可能對人工智能過度興奮，并將當(dāng)前的市場比作泡沫。

然而，業(yè)內(nèi)人士認(rèn)為，這種批評主要針對基于云端的人工智能市場和軟件算法。

為什么需要邊緣 AI 生成？

當(dāng)前市面上主流的語言大模型，從 OpenAI 的 GPT、谷歌的 Gemini、Anthropic 的 Claude，到國內(nèi)熱門的 DeepSeek，幾乎都依賴 AI 云計(jì)算完成生成任務(wù)。這種依托遠(yuǎn)程服務(wù)器的模式，憑借強(qiáng)大的算力，能輕松應(yīng)對大規(guī)模模型訓(xùn)練、高分辨率圖像合成等復(fù)雜需求，而且擴(kuò)展性極強(qiáng) —— 小到個(gè)人用戶的日常問答，大到企業(yè)級的批量部署，都能靈活適配，對普通用戶來說，這樣的體驗(yàn)已經(jīng)足夠滿足需求。

但放到企業(yè)級應(yīng)用或更復(fù)雜的場景中，云端模式的短板就逐漸顯現(xiàn)：一是延遲較高，復(fù)雜任務(wù)的響應(yīng)速度容易受網(wǎng)絡(luò)波動(dòng)影響；二是對網(wǎng)絡(luò)的依賴性極強(qiáng)，一旦斷網(wǎng)便無法使用；最關(guān)鍵的是數(shù)據(jù)隱私風(fēng)險(xiǎn)—— 大量原始數(shù)據(jù)需要上傳至云端處理，不僅會(huì)增加帶寬成本，還可能因傳輸或存儲(chǔ)環(huán)節(jié)的漏洞導(dǎo)致數(shù)據(jù)泄露，這對醫(yī)療、金融等敏感領(lǐng)域來說尤為棘手。

也正因此，邊緣生成式 AI 的優(yōu)勢開始凸顯。它將生成能力直接部署在本地設(shè)備上 —— 可能是我們的手機(jī)、監(jiān)控?cái)z像頭，也可能是自動(dòng)駕駛車輛、工業(yè)機(jī)床，數(shù)據(jù)處理全程在本地完成，敏感信息無需離開設(shè)備，從源頭保障了隱私安全。與此同時(shí)，邊緣 AI 的低延遲特性堪稱 " 實(shí)時(shí)場景救星 "：自動(dòng)駕駛需要毫秒級的路況判斷、工業(yè)自動(dòng)化依賴即時(shí)的設(shè)備故障預(yù)警，這些對響應(yīng)速度要求極高的場景，邊緣 AI 都能精準(zhǔn)適配。更重要的是，它無需頻繁傳輸數(shù)據(jù)，大幅降低了帶寬需求，即便在無網(wǎng)絡(luò)的偏遠(yuǎn)地區(qū)或信號薄弱的工業(yè)車間，也能獨(dú)立運(yùn)行，穩(wěn)定性和可靠性遠(yuǎn)超云端模式。

邊緣智能的技術(shù)雛形可追溯至 20 世紀(jì) 90 年代，當(dāng)時(shí)以內(nèi)容交付網(wǎng)絡(luò)（CDN）的形態(tài)出現(xiàn)。其最初定位是通過分布在網(wǎng)絡(luò)邊緣的服務(wù)器，就近為用戶提供網(wǎng)絡(luò)服務(wù)與視頻內(nèi)容分發(fā)，核心目標(biāo)在于分流中心服務(wù)器的負(fù)載壓力，提升內(nèi)容傳輸與訪問效率。

不過，隨著物聯(lián)網(wǎng)（IoT）設(shè)備的爆發(fā)式增長，疊加 4G、5G 移動(dòng)通信技術(shù)的普及，全球數(shù)據(jù)產(chǎn)生量呈指數(shù)級攀升，逐步邁入澤字節(jié)（ZB）時(shí)代。傳統(tǒng)云計(jì)算架構(gòu)在此背景下逐漸顯露出短板：數(shù)據(jù)需全量傳輸至云端處理，不僅造成高額帶寬消耗，還因傳輸距離導(dǎo)致高延遲問題，同時(shí)數(shù)據(jù)跨網(wǎng)絡(luò)流轉(zhuǎn)也帶來了隱私泄露的風(fēng)險(xiǎn)，已難以滿足實(shí)時(shí)性、安全性要求較高的場景需求。

進(jìn)入 21 世紀(jì)后，為解決云計(jì)算的痛點(diǎn)，邊緣計(jì)算概念正式提出。其核心思路是將數(shù)據(jù)處理環(huán)節(jié)從云端下沉至靠近數(shù)據(jù)源的邊緣節(jié)點(diǎn)，通過在本地完成數(shù)據(jù)的初步篩選、處理與轉(zhuǎn)發(fā)，大幅減少上傳至云端的數(shù)據(jù)量，從而緩解帶寬壓力、降低延遲。但這一階段的邊緣計(jì)算，主要聚焦于數(shù)據(jù)處理流程的優(yōu)化，尚未與人工智能（AI）技術(shù)結(jié)合，未涉及 AI 算法的部署與應(yīng)用。

直到 2020 年以后，隨著 AI 技術(shù)（尤其是輕量化模型、低功耗計(jì)算技術(shù)）的成熟，邊緣計(jì)算與 AI 開始深度融合，" 邊緣智能 " 作為一門獨(dú)立的融合技術(shù)正式興起。它的核心特征是將 AI 算法（包括推理與訓(xùn)練環(huán)節(jié)）部署在靠近數(shù)據(jù)生成端的邊緣設(shè)備（如物聯(lián)網(wǎng)終端、邊緣服務(wù)器）上，既能實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)處理與低延遲決策，又能避免原始數(shù)據(jù)上傳云端，從源頭保障數(shù)據(jù)隱私安全。

縱觀邊緣智能的發(fā)展歷程，可清晰劃分為三大核心階段：第一階段以 " 邊緣推理 " 為核心，模型訓(xùn)練過程仍依賴云端完成，訓(xùn)練好的模型再被推送至邊緣設(shè)備執(zhí)行推理任務(wù)；第二階段進(jìn)入 " 邊緣訓(xùn)練 " 階段，借助自動(dòng)化開發(fā)工具，實(shí)現(xiàn)模型訓(xùn)練、迭代、部署的全流程邊緣化，減少對云端資源的依賴；第三階段也是未來的發(fā)展方向，是 " 自主機(jī)器學(xué)習(xí) "，目標(biāo)是讓邊緣設(shè)備具備自主感知、自適應(yīng)調(diào)整的學(xué)習(xí)能力，無需人工干預(yù)即可完成模型優(yōu)化與能力升級。

當(dāng)然，這并不意味著云端 AI 會(huì)被取代。面對超大規(guī)模模型訓(xùn)練、跨設(shè)備協(xié)同的復(fù)雜任務(wù)，云端強(qiáng)大的算力依然不可替代。未來的趨勢更可能是 " 云端 + 邊緣 " 互補(bǔ)：云端負(fù)責(zé)底層模型的訓(xùn)練與優(yōu)化，邊緣負(fù)責(zé)本地場景的實(shí)時(shí)部署與數(shù)據(jù)處理，二者協(xié)同發(fā)力，既能發(fā)揮云端的算力優(yōu)勢，又能兼顧邊緣的隱私與實(shí)時(shí)性，最終推動(dòng)人工智能技術(shù)更安全、更高效地走進(jìn)各行各業(yè)。

數(shù)據(jù)來源：precedenceresearch 半導(dǎo)體產(chǎn)業(yè)縱橫制表

市場研究機(jī)構(gòu) Market 數(shù)據(jù)表明，全球邊緣人工智能市場規(guī)模預(yù)計(jì)到 2032 年將超過 1400 億美元，較 2023 年的 191 億美元大幅增長。Precedence Research 數(shù)據(jù)顯示，邊緣計(jì)算市場在 2032 年可能達(dá)到 3.61 萬億美元（CAGR 30.4%）。這些數(shù)據(jù)預(yù)示著邊緣 AI 廣闊的發(fā)展前景，也解釋了為何大廠紛紛將目光投向這片新藍(lán)海。

巨頭布局，搶占先機(jī)

在邊緣 AI 芯片賽道，大廠競爭激烈。芯片領(lǐng)域作為邊緣 AI 發(fā)展的核心硬件支撐，近兩年呈現(xiàn)出算力革新與架構(gòu)創(chuàng)新并行的趨勢。

蘋果在 iPhone 系列中積極布局自研邊緣 AI 芯片，以最新發(fā)布的 iPhone 16 系列為例，其搭載的 A18 芯片專為 AI 功能深度優(yōu)化。A18 采用第二代 3 納米工藝，集成 16 核神經(jīng)網(wǎng)絡(luò)引擎，每秒運(yùn)算可達(dá) 35 萬億次 。這一強(qiáng)大算力使得面容 ID 識別瞬間完成，Animoji 生成也流暢無比，響應(yīng)速度進(jìn)入毫秒級時(shí)代。同時(shí)，得益于芯片的本地處理能力，數(shù)據(jù)無需上傳至云端，從根本上規(guī)避了云端傳輸帶來的隱私風(fēng)險(xiǎn)，為用戶筑牢隱私防線。

英偉達(dá)作為圖形處理及 AI 計(jì)算領(lǐng)域的佼佼者，在邊緣 AI 芯片布局上同樣成果斐然。其推出的 Jetson 系列邊緣 AI 芯片，專為機(jī)器人、無人機(jī)、智能攝像頭等邊緣設(shè)備打造。以 Jetson Xavier NX 為例，這款芯片集成了 512 個(gè) NVIDIA CUDA 核心和 64 個(gè) Tensor Core，具備高達(dá) 21 TOPS（每秒運(yùn)算萬億次）的算力，卻僅需 15W 的功耗，能夠?yàn)闄C(jī)器人在復(fù)雜多變的環(huán)境中提供強(qiáng)大的視覺識別與決策執(zhí)行支持。在物流倉儲(chǔ)場景中，搭載 Jetson Xavier NX 芯片的移動(dòng)機(jī)器人可快速識別貨物、貨架位置，規(guī)劃最優(yōu)路徑，高效完成貨物搬運(yùn)任務(wù)，大幅提升物流運(yùn)作效率。

國內(nèi)企業(yè)在邊緣 AI 芯片領(lǐng)域也成績亮眼。云天勵(lì)飛 2022 年推出的 DeepEdge 10 系列專為邊緣大模型設(shè)計(jì)；2024 年升級的 DeepEdge200 采用 D2D Chiplet 技術(shù)，搭配 IPU-X6000 加速卡，可適配云天天書、通義千問等近 10 個(gè)主流大模型，在智慧安防攝像頭中實(shí)現(xiàn)異常行為實(shí)時(shí)識別，預(yù)警響應(yīng)時(shí)間縮短至 0.5 秒內(nèi)。

國產(chǎn) AI 算力芯片公司主要產(chǎn)品 來源：民生證券

在 8 月 26 日晚間，云天勵(lì)飛公布 2025 年半年度報(bào)告。財(cái)報(bào)顯示，其 2025 年上半年實(shí)現(xiàn)營業(yè)收入 6.46 億元，較上年同期增長 123.10%；歸母凈利潤為 -2.06 億元，同比虧損收窄 1.04 億元；扣非凈利潤為 -2.35 億元，同比虧損收窄 1.10 億元。對于業(yè)績變化，該公司表示，報(bào)告期內(nèi)，營業(yè)收入較上年同期增加，主要是消費(fèi)級及企業(yè)級場景業(yè)務(wù)的銷售收入增加所致。虧損收窄主要系報(bào)告期內(nèi)營業(yè)收入及毛利率同步增加所致。

數(shù)據(jù)來源：公司財(cái)報(bào) 半導(dǎo)體產(chǎn)業(yè)縱橫制表

面對邊緣設(shè)備內(nèi)存、算力等資源受限的現(xiàn)實(shí)，谷歌、微軟、Meta 等國際科技巨頭等紛紛聚焦于輕量化大模型的研發(fā)與優(yōu)化，以實(shí)現(xiàn)大模型在邊緣設(shè)備上的高效運(yùn)行。

谷歌在這一領(lǐng)域積極探索，通過對模型架構(gòu)的精巧設(shè)計(jì)與參數(shù)的精細(xì)調(diào)整，將部分大模型進(jìn)行了成功的輕量化改造。例如其推出的 Gemini Nano 模型，基于 Transformer 架構(gòu)進(jìn)行優(yōu)化，在保持較高模型性能的同時(shí)，大幅減少了模型參數(shù)數(shù)量與計(jì)算復(fù)雜度，能夠在智能安防攝像頭等邊緣設(shè)備上流暢運(yùn)行，為實(shí)時(shí)視頻圖像分析提供有力支持。在城市安防監(jiān)控網(wǎng)絡(luò)中，部署了 Gemini Nano 模型的攝像頭可實(shí)時(shí)識別行人、車輛，監(jiān)測異常行為，及時(shí)發(fā)出警報(bào)，有效提升城市安全防控能力。

微軟則另辟蹊徑，推出的 phi-1.5 模型雖參數(shù)規(guī)模相對較小，但在模型訓(xùn)練數(shù)據(jù)選擇上獨(dú)具匠心。該模型采用了精心篩選的 27B token " 教科書級 " 數(shù)據(jù)進(jìn)行訓(xùn)練，在數(shù)學(xué)推理能力方面表現(xiàn)卓越，超越了部分參數(shù)規(guī)模龐大的千億級模型。在教育領(lǐng)域的智能輔導(dǎo)系統(tǒng)中，phi-1.5 模型可快速、準(zhǔn)確地解答學(xué)生提出的數(shù)學(xué)問題，提供詳細(xì)的解題步驟與思路，輔助教師教學(xué)，提升教學(xué)質(zhì)量與效率。

爆發(fā)點(diǎn)，在哪里

智能家居設(shè)備是邊緣 AI 最常見的應(yīng)用場景之一。它讓智能家居設(shè)備告別 " 單一指令執(zhí)行 "，轉(zhuǎn)向 " 行為預(yù)判式服務(wù) "。智能溫控器通過學(xué)習(xí)用戶作息與睡眠周期，結(jié)合室外天氣動(dòng)態(tài)調(diào)溫，既保障舒適又降低 15%-20% 能耗，遠(yuǎn)優(yōu)于傳統(tǒng)設(shè)備。以小度音箱為代表的終端，憑借邊緣 AI 實(shí)現(xiàn) 0.3 秒內(nèi)響應(yīng)高頻指令，還能聯(lián)動(dòng)跨品牌設(shè)備形成場景服務(wù)，如 " 回家模式 " 自動(dòng)觸發(fā)開燈、調(diào)溫、放音樂，推動(dòng)中國智能家居場景聯(lián)動(dòng)滲透率達(dá) 38%，超全球平均水平。

可穿戴設(shè)備是邊緣 AI 的另一個(gè)重要領(lǐng)域。Meta 與雷朋合作的智能眼鏡，在上海等城市實(shí)現(xiàn)毫秒級圖像識別與本地翻譯，無網(wǎng)狀態(tài)下也能實(shí)時(shí)轉(zhuǎn)換路牌文字、推薦周邊店鋪，累計(jì)出貨量已經(jīng)突破 200 萬臺。中國品牌更聚焦深度健康管理，華為 Watch GT 系列通過邊緣 AI 融合心率、血氧、心電圖等數(shù)據(jù)，篩查睡眠呼吸暫停綜合征準(zhǔn)確率達(dá) 85%，幫助超 10 萬用戶提前發(fā)現(xiàn)健康問題；OPPO 手環(huán)則依據(jù)用戶運(yùn)動(dòng)數(shù)據(jù)實(shí)時(shí)調(diào)整強(qiáng)度，生成個(gè)性化計(jì)劃，讓健康管理形成 " 采集 - 分析 - 建議 " 閉環(huán)。

在工業(yè)領(lǐng)域，AI 與物聯(lián)網(wǎng)、機(jī)器人的結(jié)合，正推動(dòng)工廠從 " 單一設(shè)備自動(dòng)化 " 升級為 " 全流程智能協(xié)同 "，通過邊緣 AI 實(shí)時(shí)處理生產(chǎn)數(shù)據(jù)，實(shí)現(xiàn) " 故障預(yù)判、流程優(yōu)化、質(zhì)量追溯 " 的全鏈條智能化。智能工廠中的機(jī)器人，已不再是 " 重復(fù)單一動(dòng)作 " 的機(jī)械臂，而是具備 " 實(shí)時(shí)決策能力 " 的 " 智能生產(chǎn)單元 "。Arm 的計(jì)算平臺則為工業(yè)物聯(lián)網(wǎng)提供了 " 高效數(shù)據(jù)處理底座 "。工業(yè)場景中，一臺智能設(shè)備每天會(huì)產(chǎn)生超 10GB 的傳感器數(shù)據(jù)（如溫度、振動(dòng)、壓力），若全部上傳云端處理，不僅會(huì)占用大量帶寬，還會(huì)導(dǎo)致數(shù)據(jù)延遲（可能達(dá)數(shù)分鐘），而 Arm 平臺的邊緣計(jì)算能力可實(shí)現(xiàn) " 本地?cái)?shù)據(jù)過濾與分析 " —— 僅將 " 異常數(shù)據(jù) "（如振動(dòng)頻率超出正常范圍）上傳云端，同時(shí)在本地生成 " 設(shè)備健康報(bào)告 "，提醒運(yùn)維人員及時(shí)檢修。

長遠(yuǎn)來看，邊緣 AI 的深度價(jià)值，在于推動(dòng)人工智能從 " 工具屬性 " 向 " 場景屬性 " 延伸。當(dāng)智能不再依賴云端的遠(yuǎn)程支撐，而是嵌入到生活與生產(chǎn)的具體場景中 —— 從家庭溫控器根據(jù)用戶習(xí)慣動(dòng)態(tài)調(diào)溫，到工廠機(jī)器人自主優(yōu)化作業(yè)路徑，再到可穿戴設(shè)備為用戶定制健康方案，人工智能才算真正融入產(chǎn)業(yè)肌理與生活日常。這種轉(zhuǎn)變，既規(guī)避了技術(shù)泡沫化的風(fēng)險(xiǎn)，也讓人工智能的價(jià)值在實(shí)際應(yīng)用中落地生根。

來源：半導(dǎo)體產(chǎn)業(yè)縱橫