作為一個關注機器人應用的創作者，如果問我人形機器人會在哪個領域先落地，我的選擇是工業領域。對於更具想象空間的具身智慧機器人，我仍然認為它會在工業領域先鋪開應用。

原因在於，工業場景以生產力為第一要務，是眾多先進技術落地的第一選擇，同時工業領域的場景相對封閉，為以機器人為代表的各類智慧AI終端，以及終端與工業專網的結合提供了天然的試驗場。

當前被提及很多的一個概念是工業4.0，它旨在將智慧數字化技術整合到整個工業流程中，建立智慧工廠以提高生產力、效率和靈活性，同時在製造和供應鏈運營中實現更智慧的決策和定製。

過去的製造業注重固定流程下準確和及時的生產，強調降低成本，減少浪費。此後得益於工業物聯網、雲計算和自動化等技術的應用，透過資訊互聯、資料計算與自動控制，工業製造開始具備快速反應和初步智慧決策的特徵。

而現在，AI大模型和端側智慧的應用開始將中國製造業引入更智慧的階段，AI技術和終端逐漸融入產線和裝置，工廠無人化和智慧化更進一步，有望誕生出真正的無人工廠和超級工廠。

AI技術的出現開始重塑工業生產與智慧製造生態，而AI技術向端側下沉，更進一步開始催生新的工業業務形態與產業協作模式，從質量控制到預測性維護，從機器人協作到數字孿生等等結合AI技術的工業場景應用已經成為工業製造向智慧製造邁進的關鍵。

未來，以功能安全、超低功耗、高效能處理及強即時性為技術支點的基礎硬體，將深入繫結AI 能力。端側的快速響應與決策能力，正在改變工業製造的價值鏈條，推動工業生態向智慧互聯、協同創新方向深度演進，進一步提升製造業整體競爭力與附加值。

隨著邊緣計算與AI模型不斷發展成熟，2025年計算需求從智慧計算基礎設施向終端裝置擴充套件的趨勢會愈發明顯。工業製造已經開始在很多流程和應用裡開始應用端側AI技術。一是因為端側或邊緣AI能與具體應用或業務緊密結合，能大幅提升工業流程決策效率；二是端側或邊緣裝置的AI功能減少了對頻寬的依賴，智慧模型可以在越來越多的端側裝置上執行，即時採集和智慧分析能力進一步提升。

在國內，已有多家科技巨頭和企業釋出了自己的工業大模型產品，如智工·工業大模型、華為盤古大模型、卡奧斯COSMO-GPT等等。然從雲端AI過渡到端側AI，需要考量成本、即時性和安全性等更多因素。

人工智慧模型到了端側，精簡高效的小模型（SLM）成為主角，小模型專為邊端硬體終端設計，如工業電腦、伺服器、機器人等，能在效能和資源效率之間取得微妙的平衡，分擔處理工作負載進一步降低基礎設施和運營成本。微軟不久前透過與拜耳、羅克韋爾自動化、西門子等公司合作就推出了適用於工業領域的全新AI小模型。

小模型結合終端硬體能進行定製化訓練，例如，在裝置維護和預測方面小模型在硬體上能夠訓練裝置故障的模型，分析出潛在故障點，並結合先進的感測器和硬體裝置，實現更智慧高效的自主決策。

上面已經提到了小模型在預測性維護與故障檢測上的應用，其實在沒有引入端側小模型預測前，不少工業場景透過部署在裝置端的智慧感測器和邊緣計算裝置，也能即時收集機器執行資料並進行資料分析。

這些智慧感測器和邊緣計算裝置透過在主控晶片或主處理晶片上內建TinyML對資料進行分析，從而預測裝置可能出現的故障和效能下降。這種應用是工業領域比較典型的邊緣AI應用，不需要高主頻高算力資源，透過硬體整合TinyML 等精簡AI核心完成智慧功能，在語音識別和感測器資料分析等領域已經較為成熟。端側AI技術的進步，本地算力整合專用AI核心，終端內的智慧功能會更加豐富。

工業領域透過視覺檢測進行質量管控也是很通用很經典的應用案例，端側AI技術的引入為工業機器視覺帶來不少改變。即時性的提高是顯而易見的，以往更多的是在收集真實資料後不斷在雲端最佳化視覺演算法，雲計算的弊端是無法滿足高效即時的需求，節拍不同步導致的延時難免影響生產效率。

同時，考慮到在工業現場中存在大量異構的匯流排連線，裝置之間的通訊標準不統一，將計算資源部署在工業邊緣側和端側才更匹配場景需求。

在端側最佳化AI演算法，並匹配相應的計算硬體方案，能夠更好地解決工業場景對視覺算力以及即時性的要求。同時基於獲取到的點雲/影像資訊，端側能夠直接進行一定計算量的AI功能實現，如進行姿態識別、手勢識別、人臉識別等等，延展更多和視覺相關的功能。

端側的AI小模型與機器視覺結合推動下的智慧視覺檢測技術目前在工業領域已經展現出強大的應用潛力。以移遠通訊的“匠心”視覺檢測方案為例，AI演算法模型直接將資料上傳、資料標註、模型訓練、模型測試、模型轉換等全流程功能整合，解決視覺原始資料質量不齊、標註繁瑣、訓練最佳化困難、相容性差等應用難題。結合端側計算的靈活性、高資料安全性以及即時性等優勢，端側的智慧視覺檢測既易於部署同時檢測高效準確，兼顧高成本效益。

再例如廣和通的機器視覺與聽覺解決方案，可實現物體識別、分割、拼接與分類，畸變校正，追蹤與計數，以及人臉識別等功能。在影像處理上，該解決方案整合先進的 GPU/NPU 加速技術和高解析度能力，支援複雜的影像識別與編解碼、目標檢測和即時資料分析。解決方案還支援ChatGPT、通義千問、LIama、文心一言等大語言模型，提高資訊處理效率。

在智慧製造的背景下，端側AI技術帶來的更多本地化即時化的智慧功能，並在端側小模型的配合下提升生產效率，最佳化整個生產流程，在自動化控制基礎上添加了更多智慧化的控制，釋放出高效的工業生產力，推動製造業的智慧化升級。

減少雲端依賴的的端側AI，其功能實現離不開端側基礎硬體的支援，感知、處理、連線、儲存、驅動、專用AI加速器等等基礎硬體元件協同工作，確保了端側AI功能的高效執行。例如，嵌入式處理器負責整體的系統控制和任務排程，AI加速器則專注於提供強大的計算能力，以加速複雜的模型推理。高效的儲存元件確保資料的快速讀寫，而傳輸元件則保證了資料在端側與雲端或其他裝置之間的順暢流通。

在感測晶片端，AI功能和訊號處理功能越來越多地被引入，以增強在資料收集後直接處理能力，分擔主控訊號處理負載。目前應用較多的端側AI感測裝置有視覺、麥克風、溫度感測器、運動感測器、位置感測器。這種端側感測器架構在AI核心的助力下簡化了感測器資料處理流程，在本地經過處理後只有最相關的資料被髮送到邊緣的主處理器或雲端以便進一步分析。

作為工業控制中的常客，眾多MCU、MPU廠商也開始推進整合先進AI核心的控制/處理產品，如NXP整合AI核心的MCX系列MCU家族，整合Neutron NPU的i.MX 9系列MPU；意法半導體知名的工控微控制器STM32 MCU也開始整合NPU——ST Neural-ART accelerator；TI為人熟知的C2000系列也開始整合邊緣AI硬體加速器；ADI、英飛凌、瑞薩等MCU大廠也在AI＋MCU上有著相關推進。

針對高效的計算硬體，專用AI ASIC、GPU、FPGA、NPU發揮著重要作用，這裡主要聚焦在NPU。除了一些晶片原廠會自研NPU IP核心，也有不少第三方的NPU IP產品，比如Arm的Ethos NPU、安謀科技周易NPU、芯原NPU、Synopsys ARC NPX6 NPU等。NPU成為端側AI晶片的標配可以說是大勢所趨。

端側AI的興起，對工業領域的難點——碎片化場景及多樣化需求提供了更多的解決思路，不論是細化到單個軟、硬體與AI功能的結合，還是從模組、PLC到工控平臺整機的智慧最佳化，都有著不同於以往的定製化實現路徑。

端側AI推進工業製造向智慧製造的轉變遠不止目前這些可能性，端側AI帶來的即時同步、本地安全性以及靈活性在革新很多製造業場景的流程上有著很大想象空間，同時，不同細分應用的工業端側小模型不斷發展，也是未來一股強大的助力。

比如在工業設計領域，未來工業端側模型能透過最佳化設計過程提高研發效率，結合智慧眼鏡等智慧終端，能重新塑造工業設計的現有格局；個性化定製化的工業生產需求，在端側智慧軟硬體高靈活性的配合下也不再需要大費周章重新構建產線，產線上的機器人在學習模型的幫助下讓產線能快速、準確調整對應生產要求，並且即時監控生產線上的各個環節，透過學習快速識別生產過程中的異常狀況，有效降低生產停滯風險。

此外，結合工業智聯的通訊技術，端到端的裝置間無縫通訊與資料共享能進一步最佳化生產流程，提升整體生產效率。在2024年年末的全國工業和資訊化工作會議上，會議在部署2025年重點工作中提出，“推進工業5G獨立專網建設”，將工業5G獨立專網建設作為新的一年重點部署的工作。意味著對大型工業企業自建5G專網的相關政策尤其是頻率政策呼之欲出，為5G+工業互聯帶來新的機遇。

端側AI正以其獨特的優勢，逐步滲透到工業製造的每一個角落，向工業應用更深處探索，推動著整個工業向更智慧化、高效化的方向發展。

當然，智慧化的藍圖需要慢慢打磨，許多端側AI面臨的挑戰也需要時間去攻克。在工業端側模型上，工業領域涵蓋業務廣泛，資料結構多樣，資料質量參差不齊，如何構建起高質量模型並充分捕捉到某領域特徵理解場景還有不少難題。

端側/邊緣裝置和應用的多樣性對硬體設計要求也更高，不僅要適配當前流行的模型和某一類特定應用，還要支援下一代模型和快速變化的應用需求。這需要軟硬體結合，構建可適應未來發展的全棧軟硬體，以避免針對某種特定模型或應用開發的硬體侷限性，這對於產品快速迭代的端側計算市場尤為重要。

在以生產力為第一要務，強調高效、穩定、安全的工業領域，端側智慧帶來的節拍協同、高度靈活、高效生產資料利用以及品控預測維護等能力已經成為工業製造轉型的首要推動力。2025年，端側AI又會在工業領域帶來哪些變化，我們拭目以待。