上海电子展|端侧 AI：推动智能制造生产力的变革与深度探索
一、端侧 AI 在工业制造中的重要性与发展趋势
端侧 AI 所具备的节拍协同、高度灵活性、高效生产资料利用以及品控预测维护等能力，已然成为工业制造转型的关键驱动力。作为关注机器人应用的创作者，从落地角度来看，人形机器人及更具想象空间的具身智能机器人在工业领域具有率先落地的潜力。因为工业场景将生产力视为首要任务，是众多先进技术落地的首选之地，且其相对封闭的环境为机器人等各类智能 AI 终端与工业专网的结合提供了理想的试验场。
上海电子展了解到，当前备受关注的工业 4.0 旨在将智能数字化技术融入整个工业流程，打造智能工厂，以此提升生产力、效率和灵活性，并在制造和供应链运营中实现更为智能的决策和定制。过去的制造业侧重于固定流程下的准确、及时生产以降低成本和减少浪费，随后，得益于工业物联网、云计算和自动化技术，实现了信息互联、数据计算和自动控制，具备了快速反应和初步智能决策能力。
如今，AI 大模型和端侧智能的应用正推动中国制造业迈向更智能的阶段，AI 技术和终端逐渐融入产线和设备，推动工厂迈向无人化和智能化，有望催生出真正的无人工厂和超级工厂。AI 技术正重塑工业生产和智能制造生态，向端侧下沉的 AI 更是催生了新的工业业务形态与产业协作模式，从质量控制、预测性维护，到机器人协作、数字孪生等结合 AI 技术的工业场景应用，已成为工业制造迈向智能制造的关键要素。
未来，以功能安全、低功耗、高性能处理和强实时性为技术支点的基础硬件将深度融合 AI 能力。端侧的快速响应和决策能力正在改变工业制造的价值链条，推动工业生态向智能互联、协同创新的方向深入发展，进一步提升制造业的整体竞争力和附加值。
二、端侧 AI 解放工业生产力的体现
随着边缘计算和 AI 模型的持续成熟，2025 年计算需求从智能计算基础设施向终端设备扩展的趋势愈发显著。在工业制造的众多流程和应用中，端侧 AI 技术已开始得到应用。一方面，端侧或边缘 AI 能够紧密结合具体应用和业务，显著提升工业流程的决策效率；另一方面，端侧或边缘设备的 AI 功能降低了对带宽的依赖，使智能模型可在更多端侧设备上运行，进一步增强了实时采集和智能分析能力。
三、工业端侧的 AI 模型
上海电子展了解到，在国内，诸多科技巨头和企业已推出自己的工业大模型产品，如智工・工业大模型、华为盘古大模型、卡奥斯 COSMO-GPT 等。从云端 AI 过渡到端侧 AI，需要考虑成本、实时性和安全性等多方面因素。
人工智能模型在端侧时，精简高效的小模型（SLM）成为核心，专为工业电脑、服务器、机器人等边端硬件终端设计，能在性能和资源效率间实现平衡，分担处理工作负载，降低基础设施和运营成本。例如，微软与拜耳、罗克韦尔自动化、西门子等公司合作推出了适用于工业领域的全新 AI 小模型。
小模型结合终端硬件可进行定制化训练，在设备维护和预测方面，能训练设备故障模型，分析潜在故障点，并与先进的传感器和硬件设备结合，实现更智能高效的自主决策。“基础工业大模型 + 细分应用小模型” 的模式可进一步释放工业端侧人工智能的潜力。
四、预测性维护与故障检测中的端侧 AI 应用
上海电子展了解到，小模型在预测性维护和故障检测方面已展现出独特优势。在引入端侧小模型预测之前，部分工业场景通过部署在设备端的智能传感器和边缘计算设备，收集机器运行数据并进行分析。这些智能传感器和边缘计算设备在主控芯片或主处理芯片上内置 TinyML 对数据进行分析，从而预测设备故障和性能下降。这是工业领域典型的边缘 AI 应用，无需高主频高算力资源，通过硬件集成 TinyML 等精简 AI 内核完成智能功能，在语音识别和传感器数据分析领域已较为成熟。随着端侧 AI 技术进步，本地算力集成专用 AI 内核，终端内的智能功能将更加丰富。
五、工业机器视觉的端侧 AI 变革
工业领域的视觉检测是经典的质量管控应用，端侧 AI 为其带来诸多改变。首先是实时性显著提高，以往主要依靠在收集真实数据后于云端优化视觉算法，但云计算无法满足高效实时的需求，节拍不同步导致的延时影响了生产效率。
考虑到工业现场存在大量异构总线连接，设备通信标准不统一，将计算资源部署在工业边缘侧和端侧更契合场景需求。通过在端侧优化 AI 算法并匹配相应计算硬件，能更好地满足工业场景对视觉算力和实时性的要求。基于获取的点云 / 图像信息，端侧可直接实现一定计算量的 AI 功能，如姿态识别、手势识别、人脸识别等，拓展了更多与视觉相关的功能。
以移远通信的 “匠心” 视觉检测方案为例，其 AI 算法模型集成了数据上传、数据标注、模型训练、模型测试、模型转换等全流程功能，解决了视觉原始数据质量参差不齐、标注繁琐、训练优化困难、兼容性差等应用难题。结合端侧计算的灵活性、高数据安全性和实时性优势，端侧的智能视觉检测易于部署且检测高效准确，具备高成本效益。
广和通的机器视觉与听觉解决方案可实现物体识别、分割、拼接与分类，畸变校正，追踪与计数，以及人脸识别等功能。在图像处理方面，该方案集成了先进的 GPU/NPU 加速技术和高分辨率能力，支持复杂的图像识别与编解码、目标检测和实时数据分析，还支持 ChatGPT、通义千问、LIama、文心一言等大语言模型，提升信息处理效率。
在智能制造背景下，端侧 AI 技术带来更多本地化、实时化的智能功能，在端侧小模型配合下提升生产效率，优化生产流程，在自动化控制基础上增添了更多智能化控制，释放出强大的工业生产力，推动制造业智能化升级。
六、工业端侧 AI 的配套硬件支持
减少对云端依赖的端侧 AI，其功能实现依赖端侧基础硬件的支持，包括感知、处理、连接、存储、驱动、专用 AI 加速器等基础硬件组件协同工作，确保端侧 AI 功能的高效执行。例如，嵌入式处理器负责系统控制和任务调度，AI 加速器提供强大计算能力以加速复杂模型推理，高效存储组件保障数据快速读写，传输组件保证数据在端侧与云端或其他设备间的顺畅流通。
在传感芯片端，AI 功能和信号处理功能更多地被引入，以增强数据收集后的直接处理能力，分担主控信号处理负载。当前应用较多的端侧 AI 传感设备有视觉、麦克风、温度传感器、运动传感器、位置传感器等。这种端侧传感器架构在 AI 内核辅助下简化了传感器数据处理流程，本地处理后仅将相关数据发送至边缘主处理器或云端作进一步分析。
众多 MCU、MPU 厂商也在推进集成先进 AI 内核的控制 / 处理产品，如 NXP 的 MCX 系列 MCU 家族集成了 AI 内核，i.MX 9 系列 MPU 集成了 Neutron NPU；意法半导体的 STM32 MCU 集成了 ST Neural-ART accelerator；TI 的 C2000 系列集成了边缘 AI 硬件加速器；ADI、英飞凌、瑞萨等 MCU 大厂也在 AI + MCU 方面有所推进。
针对高效计算硬件，专用 AI ASIC、GPU、FPGA、NPU 发挥着重要作用，其中 NPU 尤其值得关注。除芯片原厂自研 NPU IP 内核外，还有众多第三方 NPU IP 产品，如 Arm 的 Ethos NPU、安谋科技周易 NPU、芯原 NPU、Synopsys ARC NPX6 NPU 等，NPU 成为端侧 AI 芯片的发展趋势。
七、端侧 AI 在工业领域的深度探索与未来展望
端侧 AI 推动工业制造向智能制造的转变蕴含着广阔前景，其带来的实时同步、本地安全性和灵活性为制造业场景的流程革新提供了巨大的想象空间，且不同细分应用的工业端侧小模型的发展将成为未来的强大助力。
例如在工业设计领域，未来的工业端侧模型可优化设计过程，提升研发效率，结合智能眼镜等智慧终端重塑工业设计格局；个性化定制的工业生产需求在端侧智能软硬件的高灵活性配合下，无需大规模重构产线，产线上的机器人在学习模型帮助下可快速、准确调整生产要求，实时监控生产环节，及时识别异常，降低生产停滞风险。
结合工业智联的通信技术，端到端的设备间无缝通信和数据共享可进一步优化生产流程，提升整体生产效率。在 2024 年全国工业和信息化工作会议部署 2025 年重点工作时，将 “推进工业 5G 独立专网建设” 列为重点，这将为 5G + 工业互联带来新机遇。
端侧 AI 正凭借独特优势逐步渗透工业制造的各个角落，向更深处探索，推动整个工业朝着更加智能化、高效化的方向发展。当然，智能化的发展仍面临挑战，需要时间逐步克服。在工业端侧模型方面，工业领域业务广泛，数据结构多样，数据质量差异大，构建高质量模型并充分把握领域特征、理解场景仍面临诸多难题。
端侧 / 边缘设备和应用的多样性对硬件设计提出了更高要求，不仅要适配当前流行的模型和特定应用，还需支持下一代模型和快速变化的应用需求，这要求构建可适应未来发展的全栈软硬件，避免硬件因特定模型或应用开发而产生局限性，这对快速迭代的端侧计算市场至关重要。
文章来源：腾讯网