Negli ultimi anni, la tecnologia dell’intelligenza artificiale ha mostrato una tendenza ad evolversi dalla “centralizzazione del cloud” alla “collaborazione a livello dei dispositivi”.
Nel 2026, il rapporto di lavoro del governo cinese continua a enfatizzare l’azione “intelligenza artificiale +” e promuove chiaramente la diffusione di modelli di grandi dimensioni verso i dispositivi terminali, coprendo smartphone, automobili intelligenti connesse e scenari di Internet of Things industriale (IIoT). Questo orientamento politico e l’evoluzione tecnologica hanno congiuntamente dato luogo all’implementazione su larga scala dell’“AI on-device”, soprattutto in ambito industriale, innescando cambiamenti strutturali.
L’automazione industriale tradizionale si basa su controllori logici programmabili (PLC), regole preimpostate e sistemi di monitoraggio centralizzati, e manca di adattamento ambientale e capacità decisionali in tempo reale.
L’intelligenza artificiale on-device distribuisce modelli di rete neurale leggeri sui dispositivi edge per ottenere bassa latenza, elevata privacy e solida intelligenza locale, fornendo un nuovo paradigma per l’evoluzione dall’Industria 4.0 a 5.0.
L’intelligenza artificiale lato dispositivo ha un impatto fondamentale e multiforme sull’automazione industriale.
In termini di controllo della linea di produzione, le linee di produzione tradizionali funzionano con logica fissa e sono difficili da gestire con disturbi dinamici. L’intelligenza artificiale lato dispositivo consente ad apparecchiature come robot industriali e AGV di avere capacità di ragionamento locale. Ad esempio, un braccio robotico dotato di un modello di linguaggio visivo distillato può comprendere le istruzioni del linguaggio naturale (come “afferrare parti graffiate”) e combinarle con immagini in tempo reale per completare l’attività.
I sistemi multi-agente realizzano la ridistribuzione delle attività e l’ottimizzazione del percorso attraverso la collaborazione edge, migliorando significativamente la resilienza del sistema.
In termini di rilevamento intelligente dei bordi, i modelli di intelligenza artificiale end-side (come MobileViT, YOLOv9 – Tiny) possono completare l’identificazione dei difetti entro <50 ms, soddisfacendo i requisiti di tempo delle linee di produzione ad alta velocità.
Ancora più importante, i dati non necessitano di essere caricati nel cloud e sono conformi ai requisiti di conformità della "Legge sulla sicurezza dei dati" e delle "Linee guida per la classificazione e classificazione dei dati industriali" affinché i dati sensibili di produzione "non lascino l'area della fabbrica".
Il caso di un’azienda fotovoltaica mostra che l’utilizzo di chip AI all’avanguardia per implementare il rilevamento delle crepe nelle celle può far risparmiare più di 3 milioni di yuan in costi di manodopera annuali per una singola linea.
In termini di capacità di produzione flessibili, a fronte di esigenze di produzione di piccoli lotti e multivarietà (come la personalizzazione di veicoli a nuova energia), l’intelligenza artificiale end-side supporta un rapido cambiamento del modello.
Attraverso l’ingegneria tempestiva (Prompt Tuning) o la messa a punto locale, lo stesso dispositivo può cambiare la logica di rilevamento o la strategia di assemblaggio in pochi minuti.
Gartner prevede che entro il 2026, oltre il 70% delle aziende manifatturiere discrete del mondo implementeranno moduli flessibili per linee di produzione con funzionalità AI end-side.
Sulla base delle influenze di cui sopra, è possibile identificare cinque tipi di opportunità di core business.
Tuttavia, nonostante le prospettive promettenti, l’intelligenza artificiale integrata nei dispositivi deve ancora affrontare molteplici sfide nella sua implementazione industriale. Esiste un conflitto tra potenza di calcolo e complessità del modello. Modelli di grandi dimensioni con decine di miliardi di parametri sono difficili da implementare direttamente sui dispositivi edge e devono fare affidamento su una tecnologia di compressione efficiente. L’ecosistema è frammentato, compresa l’architettura del chip (ARM/RISC-V), il sistema operativo (Linux/RTOS) e i protocolli di comunicazione (OPC).
UA/Modbus) non sono unificati, aumentando i costi di sviluppo;
c’è un ampio divario in termini di talenti globali e c’è una grave carenza di ingegneri che padroneggiano il controllo industriale, gli algoritmi di intelligenza artificiale e l’implementazione dell’edge. Secondo il Ministero dell’Industria e dell’Informatica, il divario è stimato a oltre 500.000; il modello di business deve essere verificato e le piccole e medie imprese hanno una scarsa disponibilità a pagare, quindi è necessario esplorare modelli sostenibili come l’abbonamento SaaS e la condivisione delle prestazioni.
Si raccomanda di rompere sistematicamente la situazione stabilendo interfacce standard del settore (come il protocollo di comunicazione AI-PLC), promuovendo la costruzione interdisciplinare di “AI + produzione” nei college e nelle università e aumentando i sussidi per gli aggiornamenti delle apparecchiature.
L’intelligenza artificiale on-device sta ricostruendo la base tecnica dell’automazione industriale. Non solo migliora l’accuratezza del rilevamento e la velocità di risposta, ma fornisce anche al sistema di produzione capacità autonome di percezione, ragionamento e processo decisionale.
È un vettore chiave per realizzare “intelligenza artificiale + produzione”.
Essendo il “primo anno dell’intelligenza artificiale lato dispositivo”, il 2026 segna che l’intelligence industriale del mio Paese è entrata nella zona delle acque profonde.
In futuro, man mano che le prestazioni dei chip domestici miglioreranno, la tecnologia di compressione dei modelli maturerà e i sistemi di conformità di sicurezza miglioreranno, si prevede che l’intelligenza artificiale integrata sui dispositivi diventi una configurazione standard della nuova generazione di fabbriche intelligenti, aiutando l’industria manifatturiera cinese a spostarsi nella fascia alta della catena del valore globale.
