了解边缘 AI 在现实世界中的应用

边缘 AI 技术会直接在个人电脑、物联网设备或专用边缘服务器等设备上处理和分析数据，通过本地执行操作，让数据存储和处理更快、更便捷。它有助于避免云系统常见的延迟和带宽限制等问题，从而实现更快速、更可靠的性能。例如，在自动驾驶汽车中，本地处理对于实时决策至关重要，例如即时检测障碍物或响应交通信号。边缘 AI 直接在车辆上处理数据，因此能够在瞬间做出响应；如果依赖远程云服务器，响应速度就会慢得多。

边缘 AI 日益普及，预计到 2034 年全球市场规模将达到 1430.6 亿美元。各行各业都在利用边缘 AI 改进工作流程、自动化任务并推动创新，同时应对延迟、安全性和成本等挑战。

本文将介绍边缘 AI 如何在医疗保健和制造业等领域发挥作用，以及在实际应用时需要注意的一些事项。

图 1. 全球边缘 AI 市场。

边缘 AI 的工作原理#

边缘 AI 将边缘计算与人工智能 (AI) 相结合。边缘计算是一种技术框架，可在更靠近数据生成位置的地方处理数据，从而实现实时分析、提升可靠性并节省成本。AI 则将机器学习算法直接部署到边缘，让设备能够在本地做出智能决策。这种方式减少了对集中式云或数据中心的依赖，避免其可能带来的处理延迟。云仍可用于更复杂的数据存储、大规模分析和 AI 模型更新，与边缘 AI 提供的更快速本地处理形成互补。

图 2. 边缘 AI 概览。

下面来看看边缘 AI 系统的工作方式：

• 数据采集： 设备上的传感器从环境中收集原始信息，例如工业场景中的温度读数或设备状态。
• 数据清理： 在设备上快速处理所收集的数据，以滤除噪声并聚焦于相关细节。
• 进行预测：嵌入边缘设备中的 AI 模型会分析清理后的数据。
• 决策： AI 系统根据分析结果做出决策，并启动必要的操作或响应。

边缘 AI 与云端 AI#

边缘 AI 和云端 AI 是两种不同的 AI 实现方式，各有独特的优势和取舍。正如我们前面讨论的，边缘 AI 直接在本地设备上处理数据，可确保低延迟、增强隐私保护，并最大限度地减少对互联网连接的依赖。

与边缘 AI 不同，云端 AI 使用远程服务器处理数据，具备更强的可扩展性和灵活性。不过，由于数据需要通过互联网传输，通常会带来更高延迟和更多带宽消耗。云端 AI 还可能引发隐私问题，因为敏感数据必须传输并存储在外部服务器上。

图 3. 边缘 AI 与云端 AI。

云端 AI 的另一个主要差异在于成本和网络负载。使用高性能远程服务器进行处理可能成本高昂，尤其是在处理视频或音频等大量数据时；通过网络传输这些数据还会进一步增加负载。

边缘 AI 通过直接在设备上处理数据来应对这些挑战，从而降低云相关成本、减轻网络负载，并确保敏感信息留在本地且安全。通常不会发送原始数据，而只传输最终结果（或推理结果），从而提供更高效且注重隐私保护的解决方案。

用于图像识别的边缘 AI#

计算机视觉应用通常需要分析海量非结构化数据（即没有预定义格式的数据），主要是图像和视频。在需要实时监控的场景中，将所有数据发送到远程云服务器处理可能效率低下。一个很好的解决方案是在边缘设备上运行计算机视觉模型。

Ultralytics YOLO11 等计算机视觉模型通常在云端训练，但也可以部署到边缘，直接在现场支持实时应用。YOLO11 专为需要即时响应的任务设计，因此特别适用于安防系统、质量控制系统和智能家居设备等应用。这些应用可以在视觉信息（来自摄像头、传感器等）采集的位置本地处理数据，从而更高效地运行。

图 4. 在边缘端部署计算机视觉模型。

边缘 AI 的应用#

了解边缘 AI 的定义后，下面来仔细看看它的一些实际应用。

边缘 AI 在医疗保健领域的应用#

快速诊断和优质的患者护理是每家医疗机构的首要任务，而边缘 AI 在实现这些目标方面发挥着重要作用。医疗服务提供者正在通过使用边缘 AI 和智能设备，推动医疗服务发生变革。这些技术相结合，打造出更快速、更安全、响应更及时的医疗系统。

例如，由边缘 AI 驱动的可穿戴设备可以持续监测心率、血压、血糖水平和呼吸等生命体征。它们甚至能检测到突然跌倒的情况，并立即通知护理人员。在救护车上，边缘 AI 可以现场分析患者监护仪的数据。分析所得的见解可以与医生共享，帮助医生在患者抵达医院前做好治疗准备。

边缘 AI 还可以助力部署 YOLO11 等计算机视觉模型，用于检测医护人员等场景。这个应用专注于实时确定医疗专业人员在房间内的位置和动作，有助于监测安全规程的遵守情况并提升态势感知能力。

目标检测有助于确认医护人员在操作过程中是否处于正确位置、是否遵守卫生和安全规范，例如是否在设备周围保持安全位置。在手术室中，边缘 AI 无需持续连接云端即可提供有价值的见解，既能确保隐私，也能向医疗团队即时反馈。

图 5. 使用 Ultralytics YOLO11 监控医院工作人员的示例。

用于工业自动化的边缘 AI#

全球各地的制造商都在使用边缘 AI 技术，让运营更快速、更高效、更具生产力。通过使用来自传感器和 IoT 设备的实时数据，边缘 AI 能够实现预测性维护，让工厂及早发现设备故障征兆，并在重大问题发生前预测故障。这种主动式方法有助于减少停机时间、延长设备寿命并保持运营顺畅。

边缘 AI 还可以利用视觉 AI 在产品包装发货前发现缺陷，从而改进质量控制。通过直接在现场分析图像和视频，边缘 AI 能够快速识别瑕疵，确保只有高质量产品送达客户手中。即时反馈让制造商能够立即解决问题，减少浪费、提高产品标准并提升客户满意度。

用于家庭 IoT 设备的边缘 AI#

从有人靠近时自动响铃的智能门铃，到房间空置时自动关闭的灯具，智能家居中有许多利用边缘 AI 改善住户生活质量的设备。无论住户是想查看门外来访者，还是通过智能手机调节室温，边缘技术都能通过在现场处理数据来实现这些功能，而无需依赖远程服务器。使用边缘 AI 有助于保护住户隐私，并降低个人数据遭到未授权访问的风险。

对于家庭自动化，需要即时反馈的应用离不开边缘 AI 的本地处理。这些应用包括安防系统、照明系统和环境控制系统。通过在边缘端处理数据，智能家居无需互联网连接也能独立运行。此外，将边缘 AI 与计算机视觉结合，还可以提升家中的无障碍体验。利用人体姿态估计等技术，可以构建手势检测系统，用于控制家中的灯光或电视等其他系统。

图 6. 支持边缘 AI 的智能家居控制系统。

挑战与局限#

尽管边缘 AI 系统带来了诸多好处，但仍在不断发展，也面临着一些挑战和局限。在决定将边缘 AI 解决方案集成到业务或家庭中之前，以下是需要考虑的一些局限。

• 安全风险：边缘 AI 将数据保留在本地，从而提升安全性，但也面临一些本地层面的风险，主要源于人为错误和不安全的密码。
• 计算能力有限： 边缘 AI 系统的计算能力通常不及云端 AI，因此只能执行特定任务。云端可以处理大型模型，而边缘 AI 更适合较简单、规模较小的任务。
• 机器兼容性问题： 边缘 AI 在商业场景中尤其容易遇到不同机器类型带来的挑战。若机器彼此不兼容，就可能出现故障和运行失败。

释放边缘计算的潜力#

边缘 AI 通过直接在数据生成的位置处理数据，帮助各行业加快工作速度并做出更明智的决策。这种方法能够加快运营、增强数据安全性并降低互联网成本。

在医疗保健、制造业和智能家居等领域，边缘 AI 能够提升效率并支持快速决策，无需持续连接云端。尽管存在一些限制，例如潜在的安全风险和处理复杂任务的能力有限，但边缘 AI 实时处理任务的能力，使其成为未来的重要工具。

访问我们的 GitHub 仓库并加入社区，了解更多信息。在我们的解决方案页面上，探索自动驾驶汽车和农业领域的 AI 应用。