边缘智能：数字化浪潮下的变革新引擎

搜索最新SoC解决方案
关于汽车电子...物联网...安全...音频...视频

本文将深度聚焦边缘智能发展现状、技术突破、落地瓶颈等话题，共同探讨如何更好赋能各行业数字化、智能化转型。

www.eet-china.com, Jun. 05, 2025 – 

在数字化发展进程中，边缘智能(Edge Intelligence)已成为驱动各行业变革的关键力量。作为融合了边缘计算与人工智能，兼具近端处理与智能分析优势的创新技术，边缘智能不但能实现低延迟、高实时决策，还能够降低带宽需求并强化隐私安全，同时能够完成和物理世界的交互，被广泛应用于自动驾驶、智能制造、智能城市、远程医疗、视频监控等多个领域。本文将深度聚焦边缘智能发展现状、技术突破、落地瓶颈等话题，共同探讨如何更好赋能各行业数字化、智能化转型。

边缘智能为何备受关注？

根据Market.US的研究，全球边缘智能市场规模预计将从2023年的191亿美元增长至2032年的1400+亿美元，年复合年增长率(CAGR)接近26%。而Precedence Research的数据则显示，边缘计算市场在2032年可能达到3.61万亿美元，CAGR达到了30.4%。

尽管数字的差异反映了不同研究机构对"边缘"的定义，以及对通用计算、AI计算边界划分的不同，但由此展现出的共同趋势是明确的––算力下沉与场景化部署已成为不可逆的潮流，而且都给出了高达30%左右的年复合增长率。

"在历经多年云端高性能、超大规模模型的创新实践和充分验证后，如今的我们正见证着精准、高效、快速的AI模型从云端走向智能手机、汽车等边缘设备终端。"Imagination产品管理副总裁Dennis Laudick指出，企业和用户选择在边缘端而非云端处理AI任务的原因是多种多样的––从保护生物特征、位置信息、财务数据等敏感信息，到确保无网络连接时仍能提供可靠、即时响应的服务。

与此同时，边缘硬件也正突破性能瓶颈，在设备体积与功耗的严格限制下(多数边缘设备依赖电池供电)实现所需的AI算力。据Counterpoint Research预测，到2028年，54%的移动边缘设备将具备AI处理能力。

芯科科技(Silicon Labs)方面的看法是，近年来，边缘智能作为一种边缘计算与人工智能的融合技术，能够在边缘设备上进行数据处理和智能决策，成为诸多行业追求高效智能操作、降低数据处理延迟、减少带宽消耗和增强隐私保护的重要手段，为工业、商业、医疗、家庭应用等诸多行业带来了新的发展机遇和变革。

尤其是边缘智能通过网络边缘进行数据处理和分析，能够实时响应各种业务需求，为行业数字化转型提供了强大的技术支持。例如，在工业智能制造领域，边缘智能可以帮助企业实现设备状态的实时监控和故障预测，提高生产效率和产品质量。在医疗等需要实时处理和快速响应的应用场景中，边缘智能通过将数据处理任务从云端转移到离数据源更近的边缘设备上，可以显著降低数据传输延迟，提高数据处理效率。

XMOS亚太区市场和销售负责人牟涛表示，在功能上，边缘智能一方面使设备能够在本地处理数据，减少数据传输延迟和泄漏风险，实现低延迟、快速响应且保护隐私的边缘AI处理；另一方面，作为大型智算中心或云网络的智能数据接口，通过AI对传感器数据进行组织等预处理，并在AI系统处理后转换数据格式以确保可靠运行。

因此，与那些装备精良、耗费靡多的智算中心中强大的GPU和NPU不同，边缘智能系统对功耗、成本和芯片占板面积等因素要求甚严，因而高效率处理器或者SoC产品是边缘智能否取得成功的第一个关键因素。

落地普及程度差异明显

尽管边缘智能正经历从"单点突破"到"系统重构"的质变阶段，但不可否认的是，边缘智能在不同国家、不同行业的应用普及程度还存在比较明显的差异。

爱芯元智创始人、董事长仇肖莘博士以辅助驾驶为例做了更进一步的解释。她指出，在国际上，欧美在基础算法创新和芯片架构上领先，比如特斯拉通过自研芯片实现边缘训练和部署闭环。而中国在场景落地和工程化创新上更具优势，比如中国车企会通过场景闭环快速迭代量产方案。其更深层的影响在于：边缘智能正在重构行业价值链––制造业的"检测-维护-优化"全流程闭环、城市治理从"事后响应"到"预测干预"的范式转移，本质上是通过智能将数据转化为生产力要素的进程。

整体而言，中国目前处于从技术验证进入规模化应用阶段，边缘智能可以更好的完成物理世界的数字化、智能化，从而提高行业的效率，并进一步完成成果自动化交付。例如辅助驾驶已经进入到标配阶段；边缘智能可以分析路口实时数据，优化信号灯设置，降低拥堵率。在生产领域，边缘智能可以实时分析设备的运行数据，进行预测性维护，提前预警故障，减少停机时间。或者是在生产时进行缺陷检测，缩短质检周期，降低错误漏检率。

而边缘智能之所以会在不同行业产生显著的普及速度差异，仇肖莘博士认为是其核心驱动力在场景需求刚性、技术经济性和数据敏感性等方面的不同，"智慧城市、辅助驾驶、家庭数据中心和具身智能等前沿应用，就明显更适于边缘智能的普及"。

比如家用或工业机器人往往需要快速响应，尤其后者甚至需要毫秒级响应，边缘智能直接在设备端处理数据，避免云端延迟；而工厂生产数据(如工艺参数)敏感，边缘计算可减少外传风险；同时，高频传感器数据(如振动、温度)本地处理，环境的always on主动感知分析，能够降低带宽、云存储成本和云服务成本。

仇肖莘博士以家庭数据中心举例，其作为"神经中枢"可以是边缘+具身智能的融合，可以协调服务机器人、智能家电等终端，比如冰箱边缘AI识别食材存量→具身机器人自主下单采购；家庭监护边缘系统触发警报→监护机器人前往查看，等等。

相应地，相较于边缘智能所具备的低延迟、隐私保护、离线可用性等优势，某些行业因业务特性、技术限制或经济因素，边缘智能推进较慢，云计算占据着主导地位。如银行、保险等金融行业，其数据需长期存档并接受监管审查，反欺诈、风险评估等任务依赖千亿参数模型，边缘智能的存储和算力都有待发展。

"但必须明确的一点是，边缘计算不等于廉价的云计算。"仇肖莘博士指出，"边缘侧需要'生于边缘，且专为边缘设计'的全新计算架构。"这一趋势判断在爱芯元智的技术战略上得到充分体现，其自研的爱芯通元NPU架构被定义为"原生支持边端智能"的AI时代专用处理器。

"边缘AI的发展速度很快，尤其是近一年来，关注度明显提高，但仍处于市场萌芽阶段。"英飞凌科技大中华区消费、计算与通讯业务市场总监彭祖年认为，边缘AI在提高实时响应能力、节约功耗、以及摆脱对网络依赖等方面展现出的能力，大幅提升了很多产品的用户体验。

 Back