1. 边缘AI概述：边缘计算与AI的融合、传感器在边缘AI中的角色、典型应用场景

大家好，我是你们这门课的老朋友。今天咱们聊聊边缘AI的“开场白”。

说实话，我最早接触边缘计算，是在一个智能工厂的项目里。当时客户要求把摄像头采集的数据在本地就处理完，不能上传云端。我心想，这单片机跑得动AI模型吗？后来发现，不仅跑得动，而且跑得比我想象中好得多。嗯，这就是边缘AI的魅力。

1.1 边缘计算与AI的融合：为什么非要“边缘”不可？

先问个问题：为什么我们不把所有数据都传到云端去算？

原因很简单——来不及。你想想看，一个自动驾驶汽车，从摄像头拍到障碍物到做出刹车决策，如果数据先上传云端、再等服务器算完、再传回来，黄花菜都凉了。边缘计算，说白了就是把计算能力搬到数据产生的地方。

我个人习惯把边缘AI理解为“本地大脑”。它不需要时刻联网，就能独立完成推理任务。这在工业物联网里特别重要——工厂里几百个传感器，如果每个都往云端发数据，网络带宽和延迟都是噩梦。

我在项目中遇到过一种情况：客户坚持用云端方案，结果网络一断，整个产线就停了。后来换成边缘方案，哪怕断网，设备照样能运行。这就是边缘AI的“韧性”。

1.2 传感器在边缘AI中的角色：数据的“第一道关卡”

传感器是什么？说白了，就是边缘AI的“眼睛”和“耳朵”。没有传感器，AI就是个瞎子。

常见的传感器类型包括：

• 视觉传感器：摄像头、红外传感器。用于图像识别、目标检测。
• 环境传感器：温度、湿度、气压、气体传感器。用于环境监测。
• 运动传感器：加速度计、陀螺仪、磁力计。用于姿态识别、振动分析。
• 声学传感器：麦克风阵列。用于语音识别、异常声音检测。

这里有个坑，我曾经踩过。有一次做智能家居项目，用了廉价的温湿度传感器，结果数据噪声特别大，模型训练出来根本不准。后来换了工业级的传感器，数据质量上去了，模型准确率直接提升了15%。

传感器在边缘AI中的角色，不仅仅是采集数据。它还要做初步的预处理。比如，有些智能传感器内部自带滤波算法，可以直接输出干净的数据。这能大大减轻边缘计算单元的负担。

1.3 典型应用场景：从智能家居到工业物联网

咱们来看看边缘AI到底能干什么。我挑两个最典型的场景聊聊。

1.3.1 智能家居：让家“懂”你

智能音箱、智能灯泡、智能门锁……这些设备现在很常见。但早期的智能家居，很多只是“远程控制”，说白了就是手机开关。真正的边缘AI智能家居，应该是设备自己就能做决策。

举个例子：

• 语音唤醒：智能音箱本地就能识别“小爱同学”或“Hey Siri”，不需要每次都上传云端。这靠的就是边缘AI。
• 人体存在检测：通过毫米波雷达传感器，本地判断房间里有没有人，自动调节灯光和空调。数据不出家门，隐私也安全。
• 异常行为识别：比如老人摔倒检测。摄像头在本地分析画面，发现异常立刻报警。延迟低到毫秒级。

我在做智能家居项目时，最头疼的是功耗。边缘设备通常电池供电，AI模型不能太“吃”算力。后来我们用了量化后的轻量模型，功耗降了60%，效果还过得去。

1.3.2 工业物联网：让工厂“聪明”起来

工业场景对边缘AI的要求更高。延迟要低、可靠性要高、环境往往还很恶劣。

常见的应用包括：

应用场景	传感器类型	边缘AI任务	典型收益
设备预测性维护	振动传感器、温度传感器	异常振动模式识别	减少非计划停机30%
产品质量检测	工业相机	缺陷检测（如划痕、气泡）	检测速度提升10倍
安全帽/工服识别	摄像头	目标检测（YOLO轻量版）	违规行为减少50%
能源管理	电流传感器、功率计	能耗预测与优化	电费降低15%

我记得有一次在钢铁厂做项目，现场温度高达60度，普通边缘设备根本扛不住。后来我们用了工业级的边缘盒子，带散热风扇和防尘设计，才稳定运行。环境适应性，是工业边缘AI必须考虑的问题。

1.4 小结：边缘AI的“三驾马车”

总结一下，边缘AI能跑起来，靠的是三样东西：

1. 传感器：负责采集原始数据，是第一道关卡。
2. 边缘计算硬件：负责运行AI模型，是大脑。
3. 轻量化AI模型：负责推理决策，是灵魂。

这三者缺一不可。接下来的课程，我们会一步步拆解每个环节。从传感器数据预处理，到特征提取，再到模型部署，我都会结合自己的实战经验，带大家避开那些我踩过的坑。

嗯，今天就先聊到这儿。下一章，咱们正式进入传感器数据预处理的世界。到时候见。