作者：彭昭（智次方創始人、雲和資本聯合創始合夥人）
這是我的第376篇專欄文章。
我們似乎距離這樣的場景一望可及：在某一天的夜色中，一架無人巡檢機在高空低鳴，攝像頭精準鎖定了主控泵房的機械抖動異常。與此同時，地面上的四足機器人接收到異常碼，避開障礙物迅速前往現場。兩者並非透過雲端排程，而是在本地透過“邊緣智慧體作業系統”自組織形成任務協同：無人機負責視覺識別與路徑分析，地面機器人完成執行與反饋。整個過程無需人的干預，也無需連線遠端雲平臺。
這不是科幻，而是邊緣AI從推理引擎邁向協作智慧體的真實演進。
過去幾年裡，邊緣AI的演進路徑清晰可見——從最初的TinyML微型機器學習探索低功耗AI推理，到邊緣推理框架的落地應用，再到平臺級AI部署工具的興起，以及最近大熱的垂類模型，我們已經實現了“讓模型跑起來”的任務。
然而，邊緣AI的下一步，不是繼續堆疊更多模型、更多引數，而是回答一個更根本的問題：當AI模型跑起來之後，它們能否協作起來？
這一侷限，正是邊緣AI走向更高智慧形態的“隱形天花板”。
真正的邊緣智慧，不止於做出判斷，而是要做出決策、組成系統、執行任務。這正是邊緣AI從靜態推理向動態智慧體演進的起點。
我們需要的不再是一個更大的模型，而是一群能協作的模型。可以認為，模型讓裝置看見世界，智慧體讓裝置參與世界。
在本文中，我們將基於最新的市場資料、技術進展與平臺趨勢，探討邊緣AI如何從模型部署進化為智慧體作業系統，以及這一趨勢將如何重塑智慧終端的互動方式、系統架構與商業價值。
從模型部署到系統自治，AI智慧體正在邊緣落地
在過去，企業部署邊緣AI的主流方式依然是“模型驅動+平臺排程”的組合正規化：開發一個模型，部署到一個終端，透過邊緣平臺完成資源調配與狀態視覺化。
這種方式確實在早期解決了模型能不能跑的問題，推動了大量AI能力在邊緣側的落地，但它也將暴露出一個日益突出的結構性瓶頸：當部署規模擴大、場景複雜性提升之後，這種模式遲遲無法回答一個更本質的問題：模型之間是否能夠協作？系統是否具備自治能力？
這種關注點的轉變，已經在企業決策層面清晰顯現。
根據ZEDEDA公司於2025年初發布的全球CIO調研報告顯示，97%的受訪CIO表示企業已部署或計劃在未來兩年內部署邊緣AI；54%的企業明確希望邊緣AI成為系統級能力的組成部分，而不再是孤立的單點功能；更值得注意的是，48%的企業將“減少對雲的依賴、提升本地自治響應能力”列為下一階段的重點目標。
這組資料背後正反映出一個產業級的共識正在形成：邊緣AI的未來，不再只是模型能執行的問題，而是系統能否實現自組織、自感知、自響應的能力提升。
這種能力躍遷的核心載體，正是“邊緣AI智慧體”。
相較於傳統的模型部署正規化，邊緣智慧體不再是一個被動執行的推理引擎，而是一個具備感知、決策、行動與協同能力的最小智慧單元。它不僅能執行模型，更能根據環境狀態、系統規則與任務目標，在本地發起行為、協商角色、分配資源，成為邊緣系統中具備能動性的基礎智慧節點。
以一個智慧製造場景為例，可以直觀理解邊緣智慧體的價值鏈條：當傳送帶上的攝像頭識別出物料存在缺陷時，視覺檢測智慧體會立即生成事件訊號；這一訊號觸發物料搬運智慧體自動排程移動機器人進行問題物料的轉移；緊接著，質檢智慧體在收到訊號後展開二次複核；最終，MES系統智慧體同步更新生產排程與下一工序計劃。
整個流程從異常識別到任務執行，不再依賴中心化的排程系統，而是透過多個邊緣智慧體在本地自主協作完成。這種“感知—決策—協作—反饋”的閉環，不僅提升了響應效率，也讓系統具備了高度的彈性與適應性。
如果說模型部署解決了“裝置是否具備思考能力”的問題，那麼智慧體部署則進一步回答了“裝置是否具備參與能力”的命題。而要真正實現這種參與性，邊緣智慧體必須具備一套完整的能力體系。
我們可以將其總結為PCE模型——即感知、協同、經濟三個層級的能力棧。
首先是感知層（Perception）。
智慧體必須能夠理解其所處的環境，讀取和解析來自影像、聲音、溫溼度、振動等多模態感測器的資料，並結合上下文資訊進行任務判斷。ZEDEDA的調研顯示，已有超過六成的企業在邊緣裝置中部署了多模態AI模型，這為智慧體提供了豐富的環境感知基礎。
其次是協同層（Coordination）。
一個智慧體無法完成所有任務，真正的智慧系統依賴於多個智慧體之間的高效協作。這種協同並非簡單的資料交換，而是基於狀態共享、角色協商與任務分工的智慧代理網路。協同能力，使邊緣系統從裝置互聯升級為智慧互助。
最後是經濟層（Economy）。
當邊緣智慧體開始具備任務接單、資源協商、成本控制等行為能力時，它們也自然成為了機器經濟的參與者。這一層的實現基礎，是裝置錢包、加密身份以及可程式設計合約機制。根據我在文章《端側AI井噴+虛擬貨幣改觀,裝置錢包開啟AI代理經濟之門》中的判斷，未來AI裝置之間的M2M交易總量有望超過人類之間的交易總額，智慧體將成為邊緣經濟網路中的活躍節點。經濟能力，不僅讓智慧體具備了執行的能力，更讓它們具備了協作的價值。
感知、協同與經濟三層能力，共同構成了邊緣智慧體的“PCE能力棧”。它不僅定義了一個智慧體應當具備哪些能力模組，也為未來邊緣AI平臺的系統設計提供了參考框架。
為什麼邊緣智慧體需要一個AI作業系統？
儘管邊緣AI近年來實現了從模型部署到平臺化管理的躍遷，但目前主流的邊緣AI平臺仍然停留在“模型執行環境”的層級。然而，當AI從模型進化為智慧體，這種傳統平臺正規化便顯得力不從心。
原因在於，智慧體並不是一個靜態推理服務，而是一個具備狀態感知、任務協商與自主行動能力的動態服務。它需要的不僅是執行空間，更是一套完整的作業系統。
我們稱之為“邊緣AI作業系統”。
相較於傳統的AI平臺，邊緣AI作業系統需要從底層架構上滿足三項核心能力需求。
首先，它必須具備對異構算力資源的排程能力。在邊緣裝置中，AI模型可能執行在CPU、GPU、NPU甚至ASIC等多種計算單元上。如何在這些異構算力間進行動態分配與負載均衡，成為作業系統級的技術挑戰。
其次，一個真正的邊緣AI作業系統應當支援多智慧體執行時管理（Runtime）。這意味著系統不僅要跑模型，更要排程智慧體：包括智慧體之間的狀態感知、任務排程、許可權控制與行為協調。
這也引出了AI OS的第三個核心能力：任務-資源-狀態三位一體的調控機制。在傳統平臺中，任務通常是靜態配置的，資源分配是按需呼叫的，狀態管理則依賴於外部監控。而在智慧體系統中，這三者是動態耦合的：一個智慧體能否執行某項任務，取決於它當前的狀態、擁有的資源，以及系統中其他智慧體的行為反饋。
這些趨勢共同指向一個事實：邊緣智慧體的崛起，正在倒逼作業系統的正規化重構。
如果說傳統作業系統是為程式而生的，那麼即將到來的邊緣AI作業系統，則是為智慧體而生，它不僅要懂硬體、懂模型，更要懂行為、懂協同、懂生態。
當前，CIO們面臨的並不是“是否部署AI”的問題，而是“如何系統性地規劃AI”的挑戰。智慧體的出現，正逐步將AI從“專案性支出”轉變為“系統性基礎設施支出”。
來自ZEDEDA的調研表明，超過54%的企業已採用“雲+邊”混合部署模式，未來兩年內預計將有超過60%的新增AI預算用於邊緣部署，其中近一半明確指向“自主AI能力”的構建。這反映出企業AI支出的結構正在發生根本變化：從以CAPEX為主的“模型採購+部署費用”，轉為以OPEX為主的“智慧服務+智慧體訂閱”。
企業將不再按“模型數量”付費，而是按“智慧體生命週期”進行預算管理。企業不再一次性購買某個模型，而是訂閱某類智慧體功能，並按效果進行計費。這一切意味著，邊緣智慧體系統的產業化路徑即將加速。
從“模型能跑”到“智慧體能活”的四個門檻
儘管邊緣智慧體的未來日漸清晰，技術路徑也逐步展開，但從“模型能跑”走向“智慧體能活”，並非一次線性演進，而是一場跨越四重門檻的系統性升級。
首先，排程複雜性是當前最現實也最棘手的問題之一。
邊緣場景天然異構，裝置種類多樣，算力結構不一，網路條件時斷時續，智慧體所依賴的模型、資源與感測器介面不盡相同，導致統一排程策略難以奏效。更復雜的是，智慧體本身具有動態狀態，其行為具有環境依賴性和時序波動性，排程系統不僅要分配資源，還要理解智慧體的當前意圖與可行性。
其次，模型多樣性構成了第二重門檻。
邊緣AI的實際應用中，越來越多的任務需要通用語言模型與垂類行業模型協同工作。然而，這兩類模型在執行機制、輸入結構、算力需求與響應時限上差異顯著，傳統的模型中心式排程已難以滿足智慧體協同式執行的需求。
更具挑戰性的，是第三個門檻——資料隱私與合規性。
邊緣AI的最大特徵在於本地化智慧，這也意味著它所依賴的資料高度私有化、敏感化，涉及企業運營指標、使用者行為軌跡、生產鏈條狀態等核心資產。在傳統AI中，資料上傳雲端統一訓練與推理，但在智慧體系統中，資料常常只在本地生成、處理與決策，系統如何在不違反資料隱私的前提下實現智慧體的協同與學習，成為一道難解之題。
最後，智慧體治理問題逐漸浮出水面。
多個智慧體在同一系統中協作執行，其間不可避免地會出現資源搶佔、任務衝突、策略競爭甚至資訊欺騙等現象。傳統的任務優先順序體系在智慧體的體系中變得複雜，尤其當智慧體具備學習能力或自我更新能力時，其行為路徑將變得不可預測，系統風險隨之上升。
唯有跨越這四重門檻，智慧體才能真正“活起來”，不僅能執行、能協作，更能在複雜系統中持續進化、自我修復與安全執行。
寫在最後
邊緣AI的未來，不在於部署更多模型，而在於啟用更多“能理解、能行動、能協作”的智慧體。所謂智慧，不再是雲端的算力堆疊與模型推理，而是機器在物理世界中擁有了感知與目的，在本地環境中具備了反應與判斷的能力。在這個即將到來的新階段，企業將不再只是部署模型，而是排程智慧體。
AI 不是在邊緣執行，而是從邊緣開始思考。
對於企業而言，這不再是一場“要不要上AI”的問題，而是“能不能構建自己的智慧體生態”的戰略決策。
邊緣智慧體的未來，不是工具，而是夥伴。它們將與人類共同決策、協同執行、長期共生。我們不是在訓練模型，而是在塑造新的組織邊界、新的系統智慧、新的產業秩序。
參考資料：
1.Edge AI Matures: Widespread Adoption, Rising Budgets, and New 2.Priorities Revealed in ZEDEDA’s CIO Survey，來源：ZEDEDA3.16 Changes to AI in the Enterprise: 2025 Edition，來源：a16z.com4.Why is EDGE AI growing so fast，來源：imaginationtech.com