1、边缘AI概述：什么是边缘计算、为什么需要边缘AI、边缘AI的典型应用场景

各位同学，欢迎来到《边缘设备图像分类模型部署实战》的第一课。

说实话，每次开课我都要先问自己一个问题：边缘AI到底解决了什么痛点？ 如果这个问题没想清楚，后面的技术细节学得再深，也容易走偏。今天我们就来把地基打牢。

1.1 什么是边缘计算？

先别急着背定义。你想想看，我们平时用手机拍照，照片是存在手机本地，还是立刻传到云端？

答案是：大部分处理在手机本地完成。这就是边缘计算的雏形——在靠近数据源头的地方进行计算。

我个人的理解更直白：边缘计算就是把计算能力从中心机房，搬到离用户和设备最近的地方。比如摄像头、机器人、工厂里的传感器，这些设备本身就能做计算，不需要事事都问云端。

我在项目中遇到过最典型的例子：某工厂的质检产线，摄像头每秒拍30张图片。如果每张图都传到云端识别，网络带宽根本扛不住，延迟也受不了。后来我们把模型部署在边缘盒子（一台小电脑）上，每张图200毫秒出结果，问题瞬间解决。

1.2 为什么需要边缘AI？

好，问题来了：既然云端那么强大，为什么还要费劲把AI模型塞进小设备里？

说白了，云端AI有三个硬伤：

痛点	云端方案	边缘方案
延迟	网络往返100-500ms	本地推理5-50ms
带宽	每小时上传几十GB视频	只上传告警截图，几KB
可靠性	断网就瘫痪	离线也能跑

我刚开始做边缘AI时，也犯过傻。有一次给客户做智能门禁，把模型全放云端。结果客户园区网络不稳定，每次开门要等3秒，气得保安差点砸设备。后来换成边缘方案，本地推理，200毫秒开门，再也没出过问题。

1.3 边缘AI的典型应用场景

讲完理论，咱们看看实际落地。我挑三个最典型的场景，都是我在项目中亲手做过的。

1.3.1 智能安防

这个大家最熟悉。摄像头里塞一个AI芯片，本地做人脸检测、车牌识别、行为分析。

我记得有个项目，客户要求对园区所有出入口做实时监控。如果全传云端，100路摄像头每小时要上传2TB数据，光光纤费用就吓死人。最后我们在每台摄像头上部署了轻量级YOLO模型，只把检测到的人脸截图上传，带宽直接降到原来的1%。

关键点： 安防场景对误报率要求极高。我曾经因为模型阈值调得太低，导致摄像头把飘过的树叶都识别成“可疑人员”，保安室一晚上响了300次警报……嗯，后来我把置信度阈值从0.3调到了0.7，世界清净了。

1.3.2 工业质检

这是边缘AI最赚钱的领域之一。工厂产线上，用摄像头拍产品表面，AI自动判断有没有划痕、脏污、缺件。

我做过一个手机外壳质检项目。产线速度是每分钟60个，每个外壳要拍6个面。如果用人工，工人盯屏幕盯到眼花，漏检率高达5%。换成边缘AI后，我们在工控机上部署了MobileNetV3模型，每个面检测时间80ms，漏检率降到0.3%。

1.3.3 自动驾驶

这个场景对边缘AI的要求最苛刻。车上的计算单元（比如NVIDIA Orin、地平线征程）必须在毫秒级内完成目标检测、车道线识别、路径规划。

你想想看，如果一辆车以120km/h行驶，每秒钟前进33米。如果云端推理延迟500ms，车已经冲出去16米了——这足够撞上任何东西。所以自动驾驶必须用边缘计算，而且必须是实时、可靠、低功耗的。

我参与过一个L4级小巴项目，车上装了6个摄像头、3个激光雷达。所有传感器数据都在车内的边缘计算单元上融合处理，决策周期控制在50ms以内。说实话，第一次坐自己调的车在路上跑，手心全是汗。但看到它稳稳地避开了行人，那种成就感，嗯，值了。

1.4 本章小结

好了，第一课的内容就这些。我们来捋一捋：

• 边缘计算：在数据源头做计算，解决延迟、带宽、隐私问题
• 边缘AI：把AI模型部署到边缘设备上，实现本地智能
• 三大场景：智能安防（实时检测）、工业质检（高精度）、自动驾驶（低延迟）

下一章，我会带大家动手搭建边缘AI开发环境。到时候咱们会用到树莓派、Jetson Nano这些硬件，还会装好推理引擎。准备好了吗？