上海电子展|端侧 AI 深度赋能，解锁智能制造新动能，2025 年迈向工业应用纵深
在工业制造转型的进程中，端侧 AI 所具备的节拍协同、高度灵活、高效利用生产资料以及品控预测维护等关键能力，正逐渐成为一股不可或缺的核心驱动力。
身为关注机器人应用的创作者，若要探讨人形机器人率先落地的领域，工业领域无疑是首选。对于充满想象空间的具身智能机器人而言，工业场景同样是其规模化应用的前沿阵地。
工业场景向来以提升生产力为首要目标，这使其成为众多先进技术落地生根的理想之选。加之工业环境相对封闭，为以机器人为代表的各类智能 AI 终端，以及终端与工业专网的融合，提供了得天独厚的试验条件。
当下，工业 4.0 概念备受瞩目。上海电子展了解到，其核心在于将智能数字化技术全方位融入整个工业流程，打造智能工厂，以此提升生产力、效率与灵活性，同时在制造和供应链运营中实现更为智能的决策与定制化服务。
回顾制造业的发展历程，早期主要侧重于在固定流程下实现精准且及时的生产，着重降低成本与减少浪费。随后，伴随工业物联网、云计算和自动化等技术的广泛应用，工业制造借助信息互联、数据计算与自动控制，开始具备快速响应和初步智能决策的特性。
如今，AI 大模型和端侧智能的应用，正引领中国制造业迈向更为智能的新阶段。AI 技术与终端设备逐步融入生产线与各类设备之中，工厂的无人化和智能化程度不断加深，有望催生出真正意义上的无人工厂和超级工厂。
AI 技术的涌现，深刻地重塑了工业生产与智能制造生态。而 AI 技术向端侧的下沉，则进一步催生了全新的工业业务形态与产业协作模式。从质量控制到预测性维护，从机器人协作到数字孪生，一系列融合 AI 技术的工业场景应用，已然成为工业制造向智能制造迈进的关键环节。
展望未来，以功能安全、超低功耗、高性能处理及强实时性为技术支撑点的基础硬件，将与 AI 能力深度融合。端侧所具备的快速响应与决策能力，正在重塑工业制造的价值链条，推动工业生态朝着智能互联、协同创新的方向深入发展，进而全面提升制造业的整体竞争力与附加值。
端侧 AI 释放工业高效生产力
随着边缘计算与 AI 模型的持续发展与成熟，2025 年，计算需求从智能计算基础设施向终端设备拓展的趋势愈发显著。工业制造领域已在诸多流程和应用中积极引入端侧 AI 技术。一方面，端侧或边缘 AI 能够紧密贴合具体应用或业务，极大地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，使得智能模型能够在越来越多的端侧设备上稳定运行，实时采集和智能分析能力得以进一步增强。
工业端侧模型
在国内，多家科技巨头和企业纷纷推出各自的工业大模型产品，如智工・工业大模型、华为盘古大模型、卡奥斯 COSMO - GPT 等。然而，从云端 AI 向端侧 AI 的过渡，需要综合考量成本、实时性和安全性等诸多因素。
当人工智能模型落地端侧，精简高效的小模型（SLM）成为主角。这类小模型专为边端硬件终端，如工业电脑、服务器、机器人等量身定制，能够在性能与资源效率之间找到精妙的平衡点，有效分担处理工作负载，进一步降低基础设施和运营成本。不久前，微软携手拜耳、罗克韦尔自动化、西门子等公司，共同推出了适用于工业领域的全新 AI 小模型。
小模型与终端硬件相结合，能够开展定制化训练。例如，在设备维护和预测方面，小模型可在硬件上对设备故障进行建模训练，精准分析出潜在故障点，并结合先进的传感器和硬件设备，实现更为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，能够充分挖掘工业端侧人工智能的潜力。
预测性维护与故障检测
前文已提及小模型在预测性维护与故障检测方面的应用。实际上，在端侧小模型预测技术引入之前，不少工业场景通过在设备端部署智能传感器和边缘计算设备，同样能够实时收集机器运行数据并进行数据分析。
这些智能传感器和边缘计算设备借助在主控芯片或主处理芯片上内置的 TinyML 对数据进行分析，从而实现对设备可能出现的故障和性能下降的预测。这种应用属于工业领域较为典型的边缘 AI 应用，无需高主频高算力资源，通过硬件集成 TinyML 等精简 AI 内核即可实现智能功能，在语音识别和传感器数据分析等领域已颇为成熟。随着端侧 AI 技术的不断进步，本地算力集成专用 AI 内核，终端内的智能功能将变得更加丰富多样。
工业机器视觉
在工业领域，利用视觉检测进行质量管控是一种常见且经典的应用案例。端侧 AI 技术的引入，为工业机器视觉带来了诸多变革。实时性的提升尤为显著，以往多是在收集真实数据后，于云端不断优化视觉算法，但云计算的固有弊端在于难以满足高效实时的需求，节拍不同步导致的延迟问题常常影响生产效率。
同时，考虑到工业现场存在大量异构的总线连接，设备之间的通信标准不尽统一，将计算资源部署在工业边缘侧和端侧，更能契合实际场景需求。
在端侧对 AI 算法进行优化，并匹配相应的计算硬件方案，能够更好地满足工业场景对视觉算力以及实时性的要求。此外，基于获取到的点云 / 图像信息，端侧能够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，进一步拓展了与视觉相关的功能。
在端侧的 AI 小模型与机器视觉的协同推动下，智能视觉检测技术在工业领域已展现出强大的应用潜力。以移远通信的 “匠心” 视觉检测方案为例，该方案将 AI 算法模型的数据上传、数据标注、模型训练、模型测试、模型转换等全流程功能进行集成，有效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。结合端侧计算所具备的灵活性、高数据安全性以及实时性等优势，端侧的智能视觉检测不仅易于部署，而且检测高效准确，兼顾了成本效益。
再如广和通的机器视觉与听觉解决方案，能够实现物体识别、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，该解决方案集成了先进的 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。此外，该解决方案还支持 ChatGPT、通义千问、LIama、文心一言等大语言模型，有效提高了信息处理效率。
在智能制造的大背景下，端侧 AI 技术所带来的更多本地化、实时化的智能功能，在端侧小模型的协同配合下，有效提升了生产效率，优化了整个生产流程，在自动化控制的基础上增添了更多智能化控制元素，释放出高效的工业生产力，有力地推动了制造业的智能化升级。
工业端侧 AI 的配套硬件支持
减少对云端依赖的端侧 AI，其功能的实现离不开端侧基础硬件的有力支持。感知、处理、连接、存储、驱动、专用 AI 加速器等基础硬件组件相互协作，共同确保端侧 AI 功能的高效执行。例如，嵌入式处理器负责整体的系统控制和任务调度，AI 加速器则专注于提供强大的计算能力，以加速复杂的模型推理。高效的存储组件保证数据的快速读写，而传输组件则确保数据在端侧与云端或其他设备之间的顺畅传输。
上海电子展了解到，在传感芯片端，AI 功能和信号处理功能正越来越多地被引入，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。目前，应用较为广泛的端侧 AI 传感设备包括视觉传感器、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 内核的助力下，简化了传感器数据处理流程，经过本地处理后，仅将相关的数据发送到边缘的主处理器或云端，以便进行进一步分析。
作为工业控制领域的常见参与者，众多 MCU、MPU 厂商也纷纷发力，推进集成先进 AI 内核的控制 / 处理产品。如 NXP 推出集成 AI 内核的 MCX 系列 MCU 家族，以及集成 Neutron NPU 的 i.MX 9 系列 MPU；意法半导体知名的工控单片机 STM32 MCU 也开始集成 NPU——ST Neural - ART accelerator；TI 为人熟知的 C2000 系列同样开始集成边缘 AI 硬件加速器；ADI、英飞凌、瑞萨等 MCU 大厂也在 AI＋MCU 领域积极探索推进。
针对高效的计算硬件，专用 AI ASIC、GPU、FPGA、NPU 发挥着重要作用，这里着重谈谈 NPU。除了部分芯片原厂会自研 NPU IP 内核，市场上也涌现出不少第三方的 NPU IP 产品，如 Arm 的 Ethos NPU、安谋科技周易 NPU、芯原 NPU、Synopsys ARC NPX6 NPU 等。可以预见，NPU 成为端侧 AI 芯片的标配将是大势所趋。
端侧 AI 的兴起，为工业领域长期面临的碎片化场景及多样化需求难题，提供了更多创新的解决思路。无论是细化到单个软、硬件与 AI 功能的深度融合，还是从模组、PLC 到工控平台整机的智能优化，都拥有了不同于以往的定制化实现路径。
文章来源：物联网智库