В последние годы технология искусственного интеллекта демонстрирует тенденцию перехода от «облачной централизации» к «сотрудничеству на уровне устройств».
В 2026 году отчет о работе правительства Китая продолжает подчеркивать действие «искусственный интеллект +» и явно способствует распространению крупных моделей на терминальные устройства, охватывая смартфоны, интеллектуальные подключенные автомобили и сценарии промышленного Интернета вещей (IIoT). Эта политическая ориентация и технологическая эволюция совместно привели к широкомасштабному внедрению «ИИ на устройствах», особенно в промышленной сфере, что вызвало структурные изменения.
Традиционная промышленная автоматизация опирается на программируемые логические контроллеры (ПЛК), заданные правила и системы централизованного мониторинга, ей не хватает адаптации к окружающей среде и возможностей принятия решений в реальном времени.
Искусственный интеллект на устройстве развертывает легкие модели нейронных сетей на периферийных устройствах для достижения малой задержки, высокой конфиденциальности и надежного локального интеллекта, обеспечивая новую парадигму для перехода от Индустрии 4.0 к Индустрии 5.0.
ИИ на стороне устройства оказывает многогранное влияние на промышленную автоматизацию.
Что касается управления производственной линией, традиционные производственные линии работают с фиксированной логикой и с трудом справляются с динамическими возмущениями. Искусственный интеллект на стороне устройства позволяет такому оборудованию, как промышленные роботы и AGV, иметь возможности локального мышления. Например, роботизированная рука, оснащенная моделью Distilled Vision-Language, может понимать инструкции на естественном языке (например, «захватывать поцарапанные детали») и комбинировать их с изображениями в реальном времени для выполнения задачи.
Мультиагентные системы реализуют перераспределение задач и оптимизацию путей посредством совместной работы на периферии, что значительно повышает отказоустойчивость системы.
Что касается интеллектуального обнаружения границ, модели искусственного интеллекта на конечной стороне (такие как MobileViT, YOLOv9 — Tiny) могут выполнять идентификацию дефектов менее чем за 50 мс, что соответствует требованиям к скорости высокоскоростных производственных линий.
Что еще более важно, данные не нужно загружать в облако, и они соответствуют требованиям соответствия «Закона о безопасности данных» и «Руководства по классификации и классификации промышленных данных» для того, чтобы конфиденциальные производственные данные «не покидали территорию завода».
Пример фотоэлектрической компании показывает, что использование отечественных чипов искусственного интеллекта для обнаружения трещин в ячейках может сэкономить более 3 миллионов юаней на ежегодных трудозатратах на одну линию.
Что касается гибких производственных возможностей, учитывая потребности мелкосерийного и разнообразного производства (например, индивидуализация транспортных средств на новых источниках энергии), ИИ на конечной стороне поддерживает быструю смену модели.
Благодаря быстрому проектированию (оперативная настройка) или локальной точной настройке одно и то же устройство может переключать логику обнаружения или стратегию сборки за считанные минуты.
Gartner прогнозирует, что к 2026 году более 70% компаний дискретного производства в мире развернут гибкие модули производственных линий с возможностями искусственного интеллекта на конечной стороне.
На основании вышеизложенного можно выделить пять типов основных бизнес-возможностей.
Однако, несмотря на многообещающие перспективы, ИИ на устройствах по-прежнему сталкивается с множеством проблем при промышленном внедрении. Существует конфликт между вычислительной мощностью и сложностью модели. Большие модели с десятками миллиардов параметров сложно развернуть непосредственно на периферийных устройствах, и им необходимо полагаться на эффективную технологию сжатия. Экосистема фрагментирована, включая архитектуру чипа (ARM/RISC-V), операционную систему (Linux/RTOS) и протоколы связи (OPC).
UA/Modbus) не унифицированы, что увеличивает затраты на разработку;
существует большой дефицит квалифицированных кадров, а также серьезная нехватка инженеров, владеющих промышленным контролем, алгоритмами искусственного интеллекта и периферийным развертыванием. По данным Министерства промышленности и информационных технологий, разрыв оценивается более чем в 500 000 человек; бизнес-модель нуждается в проверке, а малые и средние предприятия имеют слабую готовность платить, поэтому необходимо изучить устойчивые модели, такие как подписка SaaS и разделение производительности.
Рекомендуется систематически ломать ситуацию путем установления стандартных отраслевых интерфейсов (таких как протокол связи AI-PLC), содействия междисциплинарному построению «ИИ+производства» в колледжах и университетах, а также увеличения субсидий на обновление оборудования.
Искусственный интеллект на устройствах реконструирует техническую базу промышленной автоматизации. Это не только повышает точность обнаружения и скорость реагирования, но также дает производственной системе возможность автономного восприятия, рассуждения и принятия решений.
Это ключевой перевозчик для реализации «искусственного интеллекта + производство».
2026 год, являющийся «первым годом искусственного интеллекта на стороне устройств», знаменует собой выход промышленной разведки моей страны в глубоководную зону.
В будущем, по мере улучшения производительности отечественных чипов, развития технологий сжатия моделей и совершенствования систем обеспечения безопасности, ожидается, что ИИ на устройствах станет стандартной конфигурацией нового поколения интеллектуальных заводов, помогая обрабатывающей промышленности Китая перейти на верхний уровень глобальной цепочки создания стоимости.
