邊緣智慧+垂類模型：AIoT2.0的“雙引擎”

2025-04-22 06:26 物聯網智庫

作者：彭昭（智次方創始人、雲和資本聯合創始合夥人）
物聯網智庫 原創
這是我的第367篇專欄文章。
在之前的幾篇文章中，我重點探討了邊緣智慧的發展趨勢。
如今，端側AI和邊緣智慧已經成為業界關注的焦點，從科技巨頭到創新型初創公司，無不將目光瞄準這一新興領域。英偉達、OpenAI、谷歌、亞馬遜等行業翹楚紛紛佈局邊緣AI，力圖搶佔先機。
市場研究資料更是印證了邊緣AI的廣闊前景。
根據《邊緣AI終極指南：邊緣AI業務轉型手冊》的預測，全球邊緣AI市場規模將從2023年的190億美元飛躍至2033年的1630億美元。IDC近期對27個企業行業的調研顯示，2025年全球在邊緣計算解決方案上的支出，將達到近2610億美元，並以13.8%的年複合增長率持續攀升，預計到2028年將突破3800億美元大關。
知名研究機構Gartner也給出了令人矚目的判斷：到2025年，超過50%的企業管理資料將在資料中心或雲端之外被建立和處理。

到2026年，至少半數的邊緣計算部署將具備機器學習能力，而2022年這一比例還僅為5%。

智慧邊緣的進化，不僅帶來了算力下沉、即時決策等技術變革，也催生了AI的新發展：垂類大模型。
傳統的通用大模型在面對複雜多變的行業需求時，往往難以兼顧效率與精度。為了讓AI模型更好地理解行業知識，解決特定領域問題，垂直行業的定製化大模型應運而生。
因此，本文將圍繞AIoT領域的垂類模型發展趨勢展開深入分析。我們將探討以下核心問題：為什麼AIoT特別需要垂類模型？邊緣AI與垂類模型之間如何實現互促共贏？垂類模型落地AIoT的機遇與挑戰有哪些？

場景為王，模型為器：垂類模型的必然崛起

在通用大模型風靡全球的今天，我們也應當冷靜審視它們在AIoT場景中的侷限性。通用大模型並非無所不能，特別在AIoT這種與物理世界深度耦合的領域，它們面臨著“物理盲區”的困境。
雖然通用大模型在文字生成、影像理解和人機互動方面展現了卓越的能力，但這些能力更多源於“大資料統計推理”，而非對真實物理世界的深度理解。
AIoT領域的資料具有其獨特的特質：大量資料來源於感測器、機器裝置、環境變數，其核心特徵是時間序列性、非結構化、即時性和噪聲干擾。
通用大模型往往難以有效處理這種複雜結構的資料，缺乏對物理規律、裝置狀態、環境上下文的建模能力。一項實驗表明，當GPT-4處理原始感測器資料時，其活動識別準確率僅為40%，機器診斷準確率也只有50%，遠低於行業可接受的標準。
這一結果揭示了一個關鍵問題：通用模型缺失的不僅僅是引數，更是場景知識與物理邏輯。
隨著AI從炫技走向實用，從可用走向可控，AIoT對智慧的要求正在從“通用”向“垂直”演進。因此，垂類大模型成為了讓AI從“通用智慧”走向“場景智慧”的必然路徑。
何謂垂類大模型？
它是指在特定行業或場景中，透過領域資料和專業知識進行深度預訓練與微調的大模型系統。與通用模型相比，垂類大模型有三大顯著特徵：
  1. 領域專精：

    聚焦某一垂直行業（如製造、能源、物流、園區、醫療等）

  2. 知識注入：

    融入行業知識圖譜、規則引擎和專業術語體系

  3. 效能最佳化：在特定任務上具備更高的準確率和更低的資源消耗
總的來說，垂類大模型具備以下三大優勢：
首先，它面向特定行業和場景設計，能夠理解行業語言和業務流程，具備“懂場景”的能力。例如在智慧工廠中，垂類模型不僅能識別裝置異常，更能推理出可能的工藝偏差。
其次，由於訓練資料更加聚焦、模型結構更加最佳化，垂類模型在關鍵任務（如預測性維護、能源排程、狀態識別）上表現更加穩定，可解釋性與可控性更強，有利於企業合規與決策。
最後，垂類模型通常具備更好的模型壓縮能力與推理效率，可部署在邊緣側實現本地計算，滿足AIoT對即時性、低延遲和離線執行的強需求。
為什麼AIoT格外需要垂類模型？
根本原因在於，AIoT不是一個單一場景，而是千行百業的交叉融合體。它的智慧化升級路徑，本質上是從“裝置智慧”到“場景智慧”的躍遷，而這一躍遷的關鍵支撐正是垂類大模型。
  • AIoT的資料是行業化的，模型也必須是行業化的；

  • AIoT的決策是場景驅動的，模型也必須懂場景邏輯；

  • AIoT的發展是邊緣驅動的，模型也必須能“下沉”執行。
在這種背景下，通用大模型就像一把萬能鑰匙，在現實中卻打不開那些“行業之門”；而垂類模型才是量身定製的“專用鑰匙”，真正具備穿透場景、落地業務的能力。
AIoT的本質是“場景為王”，垂類模型才是AI真正落地千行百業的那雙“腳”。唯有從通用到垂直，AIoT智慧化才能行穩致遠。

從“泛”到“專”，從邊緣智慧到智慧邊緣

邊緣智慧的飛速發展正在倒逼AI模型“下沉”到端和邊，而垂類模型更適合在資源受限的邊緣環境中高效執行。
邊緣AI與垂類大模型在AIoT領域並非嚴格的“前後關係”，而是“相互驅動、螺旋共進”的關係。
在落地實踐中，存在著邊緣智慧先行，垂類大模型隨後深化的趨勢。
具體來看，邊緣AI是一種計算架構的最佳化與下沉，強調將AI算力、模型推理、資料處理等能力下沉到邊緣裝置；而垂類大模型則強調模型能力的專業化、精細化、行業化，是一種模型訓練與知識注入的深化。因此，兩者是不同維度的技術演進，但互為條件。
一方面，邊緣裝置與終端資料的爆發，提供了豐富的行業私域資料，為訓練和微調垂類大模型提供了關鍵的資料來源。邊緣AI的普及，也推動了模型部署能力的增強，使得垂類模型具備可落地的“容器”。
另一方面，垂類大模型的引入，提升了邊緣智慧的“智慧等級”，讓邊緣裝置不僅能“感知世界”，還能“理解場景”，推動邊緣AI從“感知”向“認知”躍遷。
從技術演進路徑看，邊緣智慧呈現出先行的態勢。
總的來說，邊緣智慧的成熟是垂類大模型落地AIoT的前提條件之一，但兩者並非嚴格的先後順序，而是互為條件、協同演進。

邊緣AI為垂類大模型提供了“執行平臺”和“資料燃料”；垂類大模型為邊緣智慧注入“認知能力”和“行業知識”。企業在戰略上應“雙線並進”，一手抓邊緣基礎設施升級，一手抓模型垂直化訓練與應用。
具體而言，邊緣智慧與垂類大模型的融合主要沿著三條路徑展開：場景驅動、架構演進與資料閉環。
1. 場景驅動是從“泛智慧”到“場景智慧”的轉型。
AIoT的核心價值在於用AI解決具體問題，而這些問題往往是高度場景化的。每一個垂直行業的業務邏輯、資料結構和最佳化目標都截然不同，通用大模型無法理解其中的本質差異。只有透過垂類大模型，才能將“行業語言”轉換為“機器語言”，實現真正的業務智慧。
典型應用場景包括智慧製造、智慧城市、能源管理等。邊緣智慧的技術趨勢是“技術泛化”，但落地路徑是“場景垂直”。真正有價值的模型，不是最通用的，而是最懂業務的。
2. 架構演進是從“雲+端”到“雲+邊+端”的智慧協同。

隨著邊緣計算能力的增強，AIoT架構開始發生深刻變化。“雲+邊+端”三層協同成為主流模式，其中雲負責大模型訓練、統一知識管理、策略下發；邊實現模型推理、輕量微調、即時響應；端負責採集資料、執行動作、反饋結果。
垂類大模型需要適應這種架構，透過在雲端訓練、邊緣側剪枝壓縮部署，以及支援邊緣小樣本微調等方式，提升模型對區域性環境的適應性。邊緣智慧不再是簡單的“附加層”，而是“智慧前線”。只有當垂類模型具備邊緣部署能力，AIoT才能真正實現“所見即所得、所感即決策”。
3. 資料閉環則是用私域資料驅動模型持續演進。
AIoT場景下的資料高度分散、私有化、邊緣化，這為模型最佳化帶來挑戰，也提供了機會。透過在邊緣裝置上採集結構化/非結構化資料，完成本地推理，並將結果與實際情況比對，輸出誤差反饋，用於模型微調，最終形成自適應閉環，是最佳化大模型的關鍵路徑。
私域資料更貼近業務、更敏感、即時性更強，具備更高的決策價值。企業需要建立資料閉環機制，讓模型“用得越多，越懂你”。邊緣AI既是感知世界的“神經末梢”，也是智慧演進的“資料金礦”。
因此邊緣智慧與垂類大模型是AIoT的“雙引擎”，場景化、架構化、資料化是二者融合的三大路徑。

大模型的下半場，是垂類模型的主場

隨著AI大模型從技術突破期邁入產業融合期，競爭的焦點也悄然轉移。未來的差異化競爭，不再是誰擁有更大的模型引數，而是誰真正掌握行業Know-how，構建了自己的“行業大腦”。
在AIoT 2.0時代，企業智慧化的高度，不再取決於是否“擁抱AI”，而是是否具備“行業+模型”的深度融合能力。具備垂類大模型能力的企業，才有能力讓AI真正落地到業務流程中，構建穩定、可控、可持續的智慧化體系。
過去幾年，AI大模型的競爭像是一場“軍備競賽”：引數越多、語料越廣、算力越強。但人工智慧在千行百業中的實際落地告訴我們：模型再大，若不懂行業，仍是空轉。
通用模型像百科全書，什麼都知道；垂類模型像行業專家，知道怎麼做。在AIoT中，真正的關鍵不是模型能說幾種語言，而是能否聽懂機器的訊號、理解工廠的運轉邏輯、判斷電網的負載風險。
未來的核心競爭力，就是誰更懂“行業+模型”。這標誌著“人工智慧+”階段的大模型，正在經歷一次正規化轉移，從“引數競爭”走向“場景競爭”。
要實現“懂行業”的智慧，企業必須走出“通用模型即萬能工具”的誤區，進入垂類大模型的深度定製化階段。一般包括四個步驟：
第一，業務分析與場景選擇，確定企業最具智慧化價值的核心場景，如預測性維護、能耗最佳化、異常檢測、路徑規劃等，需要AI團隊與業務團隊深度協同，明確AI的“用武之地”；
第二，資料採集與清洗，構建高質量的行業資料資產是模型效果的前提，尤其在AIoT場景中，資料來源多樣（感測器、裝置日誌、歷史工況等），需處理時間序列、缺失值、異常點等問題；
第三，企業專屬模型訓練，在通用大模型基礎上，利用行業資料進行遷移學習、指令微調、知識注入，構建具有行業語義和業務邏輯的專屬模型；
第四，場景化應用開發與迭代，將模型能力封裝為API或整合到業務系統中，形成智慧應用，如邊緣部署的智慧終端、可互動的運維助手、自動化決策系統等，後續可持續獲取反饋，構建模型迭代閉環。
值得注意，只有在經過市場驗證、具備一定通用能力的大模型之上進行定製，才能事半功倍，避免“從零造輪子”。
雖然垂類模型已成為AIoT發展的新趨勢，但實踐中仍面臨諸多挑戰，不可忽視。
首先是模型訓練與微調的複雜性，不同行業對模型的需求千差萬別，沒有一個模板可以通用複製。
工業、電力、農業、醫療等場景在資料稀疏度、標籤可得性、異常標準定義等方面均有巨大差異。企業需構建具備行業知識圖譜、規則引擎與專家系統融合機制，實現真正“會思考的模型”。
其次是推理效率與邊緣算力的矛盾，垂類模型必須在邊緣裝置上執行，要求模型輕量化、低延遲、高魯棒性。當前Transformer類模型在邊緣裝置部署仍面臨資源瓶頸，需採用模型壓縮、蒸餾、量化等技術。
再次是通用模型與垂類模型的協同策略，通用模型可作為“知識底座”，提供泛化能力；垂類模型專注於場景最佳化，提供決策效率；未來AI將呈現“通用+垂直+多模態融合”的結構，形成“雲端通用智慧 + 邊緣垂類智慧”的協同模式。
最後是資料隱私、安全與合規的挑戰，AIoT場景的資料多為企業私域資產，涉及生產秘密、裝置狀態、使用者行為等敏感內容；法規也要求明確資料使用的邊界；未來應發展“資料不動，模型移動”的隱私保護機制，如聯邦學習、差分隱私等。

寫在最後

在AIoT 2.0時代，企業要贏得智慧化轉型的領先優勢，應從“追逐模型大小”轉向“打造行業大腦”。這不僅是技術路線的選擇，更是戰略轉型的決策。
誰能更好地將行業知識與AI技術融合，誰就能創造出最契合場景需求的智慧應用。
誰能更好地利用業務資料資產，誰就能擁有最智慧、最可靠的行業大腦。
誰能更好地打通IT和OT的壁壘，誰就能真正驅動業務流程的智慧化重塑。
參考資料：
1.DeepSeek爆火給物聯網帶來的啟示：IoT-LLM的主要應用方向有哪些？作者：趙小飛，來源：物聯網智庫
2.Edge AI for robots, smart devices not far off，作者：Paula Rooney，來源：CIO.com

相關文章