EDGE COMPUTING GUIDE
边缘计算在AIoT项目中怎么用？先划清云、边、端的职责
边缘计算是在靠近设备或数据源的位置完成部分采集、协议转换、规则判断、模型推理和数据缓存，再与中心平台协同。它适合对响应时间、网络连续性、传输成本或数据边界有明确要求的场景，但不是把全部业务搬到现场设备。
内容更新：2026-09-04判断是否需要边缘计算，应先回答“哪些任务必须在现场完成”
实时性要求高、断网仍需运行、原始数据不宜全部外传或设备协议复杂时，可以评估边缘部署；跨区域统筹、长期存储、全局分析和统一运维通常仍由中心平台承担。
RESPONSIBILITY
云、边、端不是替代关系，而是协同关系
位置
典型职责
设计关注点
端侧
采集图像、声音、环境量和设备状态，执行受控动作。
接口、功耗、环境适应、身份和固件安全。
边缘侧
协议适配、数据预处理、规则判断、AI推理、短期缓存和本地联动。
算力、时延、并发、存储、网络中断和远程运维。
中心侧
统一配置、模型与规则发布、跨点位分析、长期数据、权限审计和运营管理。
数据治理、版本一致性、可观测性和多站点协同。
USE CASES
四类条件通常值得评估边缘部署
LATENCY
现场快速响应
视频告警、设备保护或生产辅助需要缩短数据往返时间。CONNECTIVITY
网络并不稳定
断网时仍需完成采集、缓存、基础规则和必要联动。BANDWIDTH
原始数据量较大
在现场筛选、抽取或汇总后上传，降低持续传输压力。BOUNDARY
数据有本地边界
按项目要求在现场侧处理部分原始数据，只输出必要结果。PROTOCOL
设备协议异构
通过网关统一连接多品牌设备，再向平台提供标准化数据。SCALE
多点位复制
以标准镜像、配置和远程运维方式管理分散站点。SIZING AND SELECTION
选型要从任务负载和现场条件倒推
先用代表性数据和候选模型做基准测试，再确认CPU、GPU或专用加速器、内存、存储、网口、视频解码、温度范围和电源条件。仅凭“算力数值”无法判断实际吞吐，模型格式、精度、批量大小、并发路数和前后处理都会影响结果。
WORKLOAD
任务负载
模型、分辨率、帧率、并发、输入格式和前后处理。ENVIRONMENT
现场环境
温湿度、粉尘、振动、空间、电源、网络和安装方式。OPERATIONS
持续运维
远程监控、日志、升级、回滚、备件和故障替换。性能数字必须带条件：吞吐、时延、准确性和资源占用应记录硬件型号、软件版本、输入数据、模型配置和测试方法，不能直接套用其他项目结果。
DEPLOYMENT
五步完成从试验到可运维部署
01任务定义响应、数据与控制边界
02现场盘点设备、协议、网络与环境
03样机验证用代表性数据测试负载
04受控上线灰度、监控、回滚与联动
05运营维护版本、日志、告警与复盘
BOUNDARIES
边缘节点越靠近现场，越需要明确控制和运维责任
边缘AI输出通常用于辅助发现、筛选或研判。涉及设备启停、门禁放行等控制动作时，应设置权限、联锁、人工确认或降级策略。还需管理设备身份、通信加密、最小权限、补丁升级、日志留存、模型与规则版本，以及设备失联、资源耗尽和错误输出时的处置方式。
结论：边缘计算解决的是现场任务约束，不是单纯增加一台设备
合理方案应从任务、数据、网络、环境和运维条件出发，经代表性负载测试后确定云边端分工。瑞铭安普可协助开展设备接入、边缘计算与平台协同方案梳理；具体性能与兼容性以测试和项目约定为准。电话沟通：010-82170503。