东莞某PCB厂的高速贴片线上，一台德国进口SPI（焊膏检测仪）每秒拍摄60帧高清图像。之前的方案是把图像传到云端做AI质检，结果网络一抖动就丢帧，漏检率飙升到3%。厂长拍了桌子：”你们这方案，设备在东莞，脑子在深圳，反应还没我眨眼快。”
这话糙理不糙。工业现场有大量场景，数据从产线到云端再返回指令，整个往返超过100毫秒，决策就已经晚了。贴片机每秒贴装上百个元件，一帧延迟就是几十个焊点漏检。电网继电保护更苛刻——故障切除要求20毫秒内完成，你传到云端再传回来，黄花菜都凉了。
所以边缘智能这个概念，不是技术圈造出来的新名词，是被产线的物理节拍逼出来的。工业互联网喊了好几年”上云”，但有些事真上不了云——延迟太敏感、数据量太大、断网代价太高。
边缘到底要解决什么问题
坦率讲，”边缘计算”这个词被炒了好几年，很多企业上了硬件却没跑起来。买了工业网关、装了边缘服务器，最后还是回到”采集-上传-云端处理”的老路。原因不复杂——硬件到位了，模型没人维护。
但如果我们回到问题本身，边缘智能要解决的就是三件事：
延迟。 云端往返100ms起步，边缘本地处理可以压到10ms以内。这个差距在消费互联网里无所谓，在工业场景里就是合格品和废品的分界线。
带宽。 一条产线50台设备，每台设备20个测点，采样频率1000Hz，一天产生的原始数据量超过80GB。全传云端？专线费用够你再建一条产线了。
断网。 工厂网络没那么可靠。无线信号受电磁干扰波动，专线偶尔也会中断。一旦断网，云端方案直接瘫痪，产线该停还是不停？边缘节点至少能保证基本控制逻辑不中断。
几个真实场景的边缘需求
别讲概念了，看几个具体的。
高速贴片机质检。 PCB厂SPI设备每秒60帧图像，每帧需要在50ms内完成缺陷判定。这个延迟要求只能边缘做。云端方案的网络抖动是不可控的，今天20ms明天可能80ms，质检不能靠运气。实际部署中，边缘服务器加载轻量化CNN模型，单帧推理时间控制在15ms以内，加上数据传输和后处理，总延迟30ms左右，能跟上产线节拍。
电网继电保护。 这是最极端的延迟场景。GB/T 14285《继电保护和安全自动装置技术规程》规定，220kV线路近端故障切除时间不大于20ms。这个时间包含了故障检测、保护逻辑判断、断路器动作全过程。留给数据处理的窗口不到10ms。没有边缘智能，根本做不到。现在的智能变电站，保护装置本身就是边缘节点，本地下采样、本地判断、本地跳闸，云端只负责事后分析和参数下发。
注塑机参数控制。 注塑机锁模力、注射压力、熔体温度需要实时调节。一个注塑周期几秒到十几秒，参数偏差超过阈值就要在下一个周期修正。传到云端再回来的延迟，够注塑机做完两三个周期了。注塑机控制器本身就是一个边缘计算单元——采集传感器数据、运行工艺模型、输出控制指令，全程在本地完成。
场景 | 延迟要求 | 边缘处理内容 | 云端处理内容 |
高速贴片机质检 | <50ms | 图像采集+AI缺陷判定 | 模型训练+质量趋势分析 |
电网继电保护 | <20ms | 故障检测+保护跳闸 | 故障录波分析+定值下发 |
注塑机参数控制 | <500ms | 工艺参数实时调节 | 工艺优化模型训练+批次分析 |
风机振动监测 | <1s | 振动特征提取+异常告警 | 趋势预测+维修计划生成 |
输油管道泄漏检测 | <5s | 压力波分析+关阀指令 | 定位算法+历史泄漏分析 |
架构选择的纠结
边缘智能的架构，说到底就两条路线。
一条是工业网关+轻量推理。网关体积小、功耗低、部署灵活，适合单设备级的智能需求。比如一台注塑机配一个网关，网关里跑个几MB的模型做实时质检。优点是便宜、灵活，缺点是算力有限，复杂模型跑不动。
另一条是边缘服务器+容器化。一台2U服务器放在车间配电室，跑Docker/K8s，能承载更复杂的推理任务。一条产线配一台边缘服务器，统一处理几十台设备的数据。算力强但成本高，而且车间环境对服务器不友好——粉尘、温度、震动，工业级边缘服务器的价格是普通服务器的2-3倍。
选哪条？看场景。单设备、轻模型选网关；多设备、复杂模型选服务器。这不是什么高深的道理，但很多企业在这上面踩了坑——要么过度投资买了重服务器跑轻任务，要么省钱用网关跑不动需要的模型。
跑不起来的真相
说实话，边缘计算硬件装了不少，真正跑起来的不多。我接触过十几家制造企业，边缘智能落地率不到30%。问题不在硬件，在模型。
模型训练需要数据，数据在云端。训练完的模型要下发到边缘节点，但产线工况变了、产品换了型号，旧模型就不准了。谁来负责模型的持续更新？大部分企业没有专职的AI运维团队。买了硬件的第一天热热闹闹，三个月后模型还是初始版本，准确率从95%掉到80%，产线的人觉得还不如人工看看。
更深的问题是，边缘模型和云端模型的协同没人管。边缘做实时判定，云端做模型训练，两边的数据流怎么设计？边缘的判定结果要不要回传云端做标注？标注完了怎么触发模型更新？更新后的模型怎么灰度发布到边缘节点？这套流程不打通，边缘智能就是个半成品。
所以边缘智能不是”装个盒子”那么简单。它需要一套从数据采集、模型训练、模型下发到边缘推理、结果回传、持续优化的完整闭环。工业互联网平台如果只在云端有数据能力，边缘侧是个空壳，这套闭环就转不起来。
边缘和云，不是二选一
有个误区需要纠正。很多人把边缘智能和云端智能对立起来，觉得”边缘好还是云好”。这是个伪问题。
边缘负责快——实时判定、实时控制、实时告警。云端负责深——模型训练、趋势分析、全局优化。两者是分工关系，不是替代关系。工业互联网的架构应该是”边缘-云”协同的：边缘节点在数据”出生地”完成毫秒级决策，同时把聚合后的数据和判定结果传到云端，云端做更长时间尺度的分析和模型迭代，再把更新后的模型推送到边缘节点。
这套架构里，数据平台需要同时支持边缘部署和云端部署，两边的数据模型保持一致，边缘写入的数据可以无缝汇聚到云端。工业互联网的”边缘-云”协同不是概念炒作，是产线物理节拍决定的刚性需求。边缘侧不需要全功能平台，但需要轻量级的数据采集和缓存能力，断网时本地存储，恢复后自动同步。云端平台需要支持多边缘节点的统一管理、数据汇聚和模型下发。
结语
产业数字化谈了这么多年”上云”，现在到了反过来想”下沉”的时候了。不是所有数据都需要送到云端，不是所有决策都能等云端返回。边缘智能的本质，是让数据在产生的那一刻、产生的那一端，就完成该完成的判断。
TDengine作为AI原生工业数据平台，提供边缘节点+云端中心的一体化架构。边缘侧轻量部署处理实时数据，云端汇聚分析做模型迭代，两端数据模型统一、接口一致。它不追求把所有计算搬到边缘，也不把所有数据堆到云端，而是让数据在合适的地方做合适的事。对制造企业来说，这才是边缘智能该有的样子——不是概念，是产线上跑得通的方案。
