行业报告

Gartner倡言边缘AI须以平台化产品思维驱动业务价值

发布时间:2026-08-20 00:00:00 来源:转载 责任编辑:Lily

【导读】当中国I&O领导者纷纷将AI推向边缘,一个尴尬现状浮出水面:许多已部署的边缘AI项目并未达到预期。究其原因,并非技术不成熟,而是方法错了——简单“搬运”云端AI栈或急于部署生成式AI,往往导致投资沉没。Gartner指出,成功实施并非线性扩展,而需从场景匹配、分布式设计到持续演进进行系统性重构。面向中国快速变化的环境,I&O领导者亟需厘清四个常见误区,重新定义边缘AI的落地路径。


中国的I&O领导者需要明白,成功的边缘AI实施并非只是简单地对现有云或边缘基础设施进行扩展。实际上,其成功实施的前提包括:为正确的边缘场景匹配正确的AI技术、针对分布式运营进行设计,以及建立能够持续适应变化的运营模式等等。Gartner阐述了常见的边缘AI实施误区,并为中国I&O领导者提供了相应措施,以避免踏入这些误区。


不要采取“AI+边缘”方法,而应从“边缘+AI”出发


边缘AI部署中的第一个常见误区,就是采用“AI+边缘”的方法,即优先关注在边缘站点部署AI技术,而没有首先考虑边缘计算应解决的独特业务需求。同时,中国I&O领导者也往往面临业务压力或同行压力,希望快速取得成果。因此,他们可能会首先在边缘侧部署一体化生成式AI基础设施栈,然后再尝试寻找合适的现有业务场景或创造新的应用场景,希望借此获得业务成功。然而,这种做法经常导致投资损失,因为它忽视了边缘环境真正需要解决的具体业务场景和运营挑战。最终,企业往往会得到利用率不高或与业务需求不匹配的解决方案,无法创造有意义的业务价值。


为了避免这一问题,I&O领导者应采取“边缘+AI”方法,即首先清晰理解哪些业务问题和业务机会最适合在边缘解决,并据此定义边缘用例(见图1)。


图1:边缘计算用例分类


1787200834142727.png


在选定边缘用例之后,I&O领导者应与业务利益相关者共同探索各种边缘AI技术,并选择最适合的解决方案。在这一过程中,可以运用设计思维(见图2)来推进整体流程。


1787200833836259.png


不要将边缘AI视为基础设施,而应采用平台化和产品化思维以实现业务价值


第二个常见误区是,许多中国I&O领导者将边缘AI视为等同于基础设施交付的项目,按照传统的“规划-建设-运行-改进”线性周期来推进。这种传统方法往往导致交付速度缓慢,并且难以适应不断变化的业务需求,尤其是在成熟但变化迅速的中国市场环境中。


为有效管理边缘AI,I&O领导者应将其视为需要持续改进的平台化产品,而非一次性的基础设施扩展。


为持续演进做好准备:为模型、数据源、站点环境以及业务优先事项在初始部署后的持续变化做好预期。


建立平台责任人和协作机制:I&O领导者未必始终直接对平台负责。在很多情况下,他们协助构建平台,并与业务部门共同对平台负责。因此,重要的是明确角色与职责,为产品或平台指定领导者(或联合领导者),负责路线图决策、发布优先级以及业务价值交付。


基于业务反馈进行持续改进:持续改进依赖于运营团队和业务利益相关者的意见。因此应定期收集反馈信息,以优化用例、调整性能目标并识别支持需求,确保平台持续满足现实业务需求。


 建立持续更新机制:定义模型、软件组件和依赖项在分布式站点中的测试、发布和监控流程。同时利用看板(Kanban)或Scrum等敏捷方法保持平台持续更新。


衡量价值与扩展就绪度:跟踪模型性能、运营稳定性、服务水平和业务成果,以指导未来的扩展决策。


不要只依赖“云外展”,而应结合“边缘汇入”方法


中国I&O领导者在部署边缘AI时面临的第三个误区是优先采用“云外展”方法,而忽视“边缘汇入”方法的价值。“云外展”模式从云端出发,将解决方案延伸至边缘;而“边缘汇入”模式则从边缘出发,首先满足本地需求,然后再与云端进行连接。


为应对这一挑战,I&O领导者应:


在部署模型时同等对待云和边缘:将云和边缘视为相辅相成的环境,而不是一种由云主导、边缘仅负责扩展云工作负载的层级关系。云环境可被用于模型训练、大规模数据整合、企业级系统集成和统一的全局业务报告。


将边缘定义为本地智能执行层:利用边缘环境执行实时数据处理、即时推理以及对敏感本地数据的快速分析。这种方法有助于降低延迟、保护本地数据,以及加快运营决策。


仅将有价值的脱敏数据上传至云端:不要默认将所有原始边缘数据都发送到云端。相反,应在本地先完成数据过滤、数据整合和数据脱敏,然后再将数据上传至云端,以用于企业级数据整合、模型优化和全局业务洞察。


在边缘部署前对云端训练模型进行调整:不要假设在云端训练的模型无需修改即可直接运行于边缘环境。应针对边缘环境中的计算能力、存储容量、电力条件和网络条件进行优化调整。


采用量化、剪枝和蒸馏技术来调整模型:通过降低模型的规模和复杂度,使推理能够在边缘服务器、网关设备、工业PC和嵌入式设备中稳定运行,即使资源条件受限。


在正式投产前验证软硬件兼容性:根据芯片、AI加速器、操作系统、中间件和设备驱动程序对模型进行测试,以避免出现系统不稳定、性能下降和集成失败的情况。


在本地运营环境中测试边缘AI的性能,包括网络中断、设备故障、异常数据输入、业务流程异常等。


不要将边缘AI误认为仅仅是边缘生成式AI


中国I&O领导者在部署边缘AI时面临的第四个误区,是认为边缘AI仅限于边缘生成式AI。这种误解通常源于许多I&O领导者并非AI专家,而且在2022年底ChatGPT火爆之前接触AI的机会相对有限。此外,来自业务和IT高管的压力也进一步强化了将边缘AI仅与边缘生成式AI挂钩的倾向。


边缘AI并不仅仅是生成式AI,而是涵盖广泛的AI和机器学习技术,以满足各种边缘应用场景的需求。许多边缘场景都对低延迟、确定性行为、高效利用资源和可预测的运营结果提出了要求。在这些场景中,传统AI方法通常更加有效且更具可行性,而生成式模型反而可能引入不必要的成本和复杂性。


为了避免将边缘AI误解为仅面向生成式AI,I&O领导者应采取以下措施:


明确边缘AI的完整范围:应将边缘AI视为更广泛的AI能力集合,而不仅仅是在边缘部署大语言模型(LLM)或生成式AI。将计算机视觉、传统NLP、时间序列分析、异常检测、优化技术、基于规则的推理等技术用于更适合它们的场景中。


从边缘用例出发,而非从AI类别出发:评估业务场景是否需要低延迟、本地自治、确定性行为、可预测成本,以及在受限资源环境下运行。然后根据这些需求决定哪种方法(生成式AI、传统AI或基于规则的方法)更合适。


让D&A、I&O和业务团队共同参与技术选择:与D&A团队或AI团队共同评估模型适用性;与I&O团队共同评估部署与支持的约束条件;与业务团队共同验证运营价值。这样能够降低因市场热度或供应商影响而盲目选择生成式AI的风险。


在扩展部署前通过试点进行验证:在真实站点环境下,通过概念验证(POC)测试其技术可行性、推理性能、成本、运维负担、支持需求以及业务影响。避免将仅在理论层面可行、但无法在分布式边缘环境中稳定运行的方案直接进行推广。


标准化成功部署模式:在试点验证成功后,建立可复用的部署指南、参考架构、支持流程和扩展标准。这有助于在多个站点复制已经验证成功的边缘AI模式,而不是将生成式AI盲目应用于所有边缘场景。



gg_20260512171736_266_20260622170931_179.png


为您推荐

SC26 重磅|曙光 8000 十万卡国产超集群斩获戈登・贝尔奖,拿下 HPC 领域国际顶奖 业界新闻

SC26 重磅|曙光 8000 十万卡国产超集群斩获戈登・贝尔奖,拿下 HPC 领域国际顶奖

11 月 19 日 SC26 国际超算大会传来重大喜讯,依托全国产十万卡 AI 超集群曙光 8000(登峰)算力支撑的两项科研成果大放异彩:中科大团队的铁钼辅因子量子化学计算成果斩获戈登・贝尔奖,SD3 全球公里级气象模拟系统入围戈登・贝尔气候建模奖决赛。曙光 8000 于今年 7 月投用,采用原生超智融合架构,统一承载科学计算与 AI 计算,上线后高负载稳定运行。本次获奖标志国产超大规模算力,已经从硬件规模突破,走向支撑世界级原创科学发现。

AI&loT 互联技术

大华旗下华感科技推出星界一体机 AH210P,225° 旋转折叠屏 + 1500 米超远红外探测 新品速递

大华旗下华感科技推出星界一体机 AH210P,225° 旋转折叠屏 + 1500 米超远红外探测

11 月 18 日,大华股份旗下华感科技发布星界一体机 AH210P,作为 AH210 升级款,主打户外探险、夜视观察、搜索救援场景。新品搭载四向 225° 旋转折叠屏,收纳便携;配备等效 21mm 大镜头,最远探测距离可达 1500 米。依托自研 ISP 蝰蛇超分算法、PIPS 3.0 Pro 图像技术与 FPGA 图像处理平台,提升复杂环境下成像细节;同时采用双电智能协同方案实现换电不断电,搭配 IP67 防尘防水,适配山林、沙漠、水域等各类全地形户外环境。电子元件技术网获悉:华感科技注册资本4.42 亿元,业务覆盖国内200+地市、海外180+国家和地区。主导或参与制定国家、行业及团体标准近10项,取得软件著作权逾10项、专利近300项。华感科技致力于用温度感知世界,研发领先的热成像产品和全场景数智解决方案服务于全球客户。

传感技术 温度传感器 传感器 大华电源

EtherCAT 伺服控制周期拆解:电流环、总线通信、三环运算如何分配 CPU 核心 技术应用

EtherCAT 伺服控制周期拆解:电流环、总线通信、三环运算如何分配 CPU 核心

六轴机器人单块驱动板要同时承载六路关节电流采样、编码器反馈、母线电压采集,并以 125μs EtherCAT 同步周期为基准,并行完成三类任务:数微秒硬截止的电流环 FOC 运算、严格帧周期的总线收发、以及速度环 + 位置环与上位状态上报。三类任务实时约束差异极大,再叠加板上编码器、温度采集与分支总线负载,CPU 核心如何划分成为硬件选型首要问题。本文先拆解一个控制周期内五步执行流程,再依次给出单核、双核、三核的任务分配方案,区分同构 / 异构双核的差异,最后给出一套可直接对照硬件参数执行的定核判定流程,仅限关节侧实时 MCU 讨论,不含整机 MPU 主控。

通信广电 互联技术 CPU

对比树莓派分立理想二极管,拆解 MPQ5852 浮地驱动 NMOS 核心原理 电路图集

对比树莓派分立理想二极管,拆解 MPQ5852 浮地驱动 NMOS 核心原理

很多硬件工程师都见过树莓派 3B 上分立器件搭建的理想二极管防倒灌电路,但分立方案存在电流、Vgs、器件匹配等局限。本文换个思路,拆解集成理想二极管芯片 MPQ5852,它支持 5~36V 宽电压输入。文章从芯片内部框图入手,依次讲解使能、电压检测、VS 模拟采样,重点解析它内置开关电源生成浮地电压、驱动 NMOS 上管的巧妙架构,以及三组比较器实现导通 / 关断的控制逻辑,带你弄懂低压降防反灌的实现思路。

能源电路 电源管理 测试测量

特别推荐

更多

行业动态

更多

技术应用

更多

选型替代

更多

产品信息

更多

热门搜索

更多

欢迎登录

没有账号,

账号注册

注册成功!

3S后自动为你跳转登陆