1. 边缘AI概述：边缘计算与云计算的区别、边缘AI的应用场景、课程整体技术栈介绍
大家好，我是你们这门课的主讲。在嵌入式AI和边缘计算这个领域摸爬滚打了十来年，踩过的坑比走过的路还多（笑）。今天咱们正式开始第一讲，先把地基打牢。
很多人一上来就问我：“老师，边缘AI到底是个啥？跟云计算有啥区别？” 嗯，这个问题问得好。咱们先把这个概念理清楚，后面三十章你才能走得顺。
1.1 边缘计算 vs 云计算：到底差在哪？
说白了，云计算就是把数据传到“天上”去算，边缘计算就是在“地上”就近算。我刚开始做项目时，总觉得云是万能的。直到有一次给一个工厂做视觉检测，摄像头拍一张照片传到云端，来回要两秒多。生产线上的次品早就跑过去了。你说气不气人？
咱们用一张表来对比，这样更直观：
| 对比维度 | 云计算 | 边缘计算 |
|---|---|---|
| 延迟 | 高（几十ms到几秒） | 低（ms级，甚至μs级） |
| 带宽需求 | 大（所有数据上传） | 小（只传结果或特征） |
| 隐私安全 | 依赖网络传输，有风险 | 数据本地处理，更安全 |
| 算力资源 | 几乎无限（集群） | 受限（芯片、功耗） |
| 离线能力 | 断网就瘫痪 | 可离线运行 |
| 典型设备 | 服务器、GPU集群 | 树莓派、Jetson、手机、MCU |
你想想看，智能家居里你喊一声“开灯”，如果还要绕到云端转一圈再回来，那体验得多糟糕。边缘AI就是让设备自己“长脑子”，不用事事问云。
核心结论：边缘计算不是要取代云计算，而是做云计算的“好搭档”。云负责训练大模型，边缘负责实时推理。各司其职，才是最佳实践。
1.2 边缘AI的应用场景：从家里到工厂
我这些年做过的项目，基本可以分成两大类：一类是智能家居，一类是工业视觉。咱们分别聊聊。
1.2.1 智能家居：让家更懂你
智能家居是边缘AI最接地气的战场。你想想看，一个智能音箱如果每次都要联网才能识别你的声音，那断网了不就成砖头了？
常见的应用包括：
- 语音唤醒与识别： 比如“小爱同学”、“天猫精灵”，本地做关键词唤醒，云端做复杂语义理解。
- 人脸识别门锁： 我做过一个项目，门锁上跑轻量级人脸模型，识别速度控制在200ms以内。用户站在门口不用等，直接开锁。
- 跌倒检测： 摄像头在本地分析画面，检测到老人跌倒立刻报警。数据不上云，保护隐私。
- 手势控制： 通过摄像头识别手势，控制灯光、窗帘。这个在疫情期间特别火，大家都想“无接触”。
我的经验： 智能家居设备往往对功耗极其敏感。我曾经在一个电池供电的门锁上跑模型，为了把功耗从500mW降到50mW，整整调了一个月的模型量化。所以后面课程里我会重点讲模型压缩和量化，这都是实战中血泪换来的经验。
1.2.2 工业视觉：给机器装上眼睛
工业视觉是边缘AI的“硬核”战场。这里对实时性和准确率的要求，比消费级高一个数量级。
典型场景：
- 缺陷检测： 流水线上产品表面划痕、脏污、缺件。我做过一个PCB板检测项目，要求每块板子检测时间不超过50ms，漏检率低于0.01%。
- OCR字符识别： 识别产品上的生产日期、批次号。很多工厂环境光线差、字符歪斜，模型得足够鲁棒。
- 人员安全监测： 检测工人是否佩戴安全帽、是否进入危险区域。这个必须本地实时处理，延迟一秒钟都可能出事故。
- AGV导航： 自动导引小车通过视觉识别路径和障碍物。我见过一个案例，AGV因为云端延迟没躲开障碍物，直接撞上了货架。
避坑指南： 我曾经在工业视觉项目里犯过一个低级错误——直接用消费级摄像头做工业检测。结果工厂的频闪灯光导致画面出现条纹，模型直接崩溃。后来换了工业相机，加了硬件触发同步，才解决问题。所以，选硬件时一定要考虑现场环境。
1.3 课程整体技术栈介绍
好，前面铺垫了这么多，咱们来看看这门课到底要学什么。我把它分成四个层次，你心里有个谱：
1.3.1 硬件层：选对芯片，事半功倍
边缘AI的硬件五花八门，从几块钱的MCU到几千块的Jetson都有。咱们课程会覆盖：
- ARM Cortex-M系列： 跑TinyML，适合传感器端
- ARM Cortex-A系列 + NPU： 比如瑞芯微RK3588，适合智能家居中控
- NVIDIA Jetson系列： 适合工业视觉、机器人
- Intel Movidius/Myriad： 适合视觉加速棒
1.3.2 模型层：从大到小，从通用到专用
咱们不会从零训练大模型，而是重点讲：
- 模型选型： MobileNet、EfficientNet、YOLO-Nano等轻量级网络
- 模型压缩： 剪枝、量化（INT8/INT4）、知识蒸馏
- 模型转换： PyTorch/TensorFlow → ONNX → TFLite/OpenVINO/TensorRT
1.3.3 框架层：工欲善其事，必先利其器
咱们会用到的主流框架：
- TensorFlow Lite Micro： 适合MCU端
- ONNX Runtime： 跨平台推理引擎
- OpenVINO： Intel系硬件优化
- TensorRT： NVIDIA系硬件优化
- MediaPipe： 谷歌的端侧视觉管线
1.3.4 应用层：实战出真知
咱们会做几个完整的项目：
- 智能家居语音唤醒系统（MCU端）
- 人脸识别门禁（Linux + NPU端）
- 工业缺陷检测（Jetson端）
- 多模态融合： 视觉+语音+传感器数据融合
一句话总结： 这门课的目标就是让你从“知道边缘AI”变成“能做边缘AI”。咱们不扯虚的，每一章都有代码、有实验、有坑要踩。
好了，第一讲就到这里。下一章咱们直接上手，从硬件选型开始，手把手搭建你的第一个边缘AI开发环境。到时候记得带上你的开发板，咱们一起干。