【导读】傍边国I O带领者纷纷将AI推向边沿，一个难堪近况浮出水面：很多已经部署的边沿AI项目并未到达预期。究其缘故原由，并不是技能不可熟，而是要领错了——简朴“搬运”云端AI栈或者急在部署天生式AI，往往致使投资淹没。Gartner指出，乐成实行并不是线性扩大，而需从场景匹配、漫衍式设计到连续演进举行体系性重构。面向中国快速变化的情况，I O带领者亟需厘清四个常见误区，从头界说边沿AI的落地路径。

中国的I O带领者需要大白，乐成的边沿AI实行并不是只是简朴地对于现有云或者边沿基础举措措施举行扩大。现实上，其乐成实行的条件包括：为准确的边沿场景匹配准确的AI技能、针对于漫衍式运营举行设计，以和成立可以或许连续顺应变化的运营模式等等。Gartner论述了常见的边沿AI实行误区，并为中国I O带领者提供了响应办法，以免踏入这些误区。

不要采纳“AI+边沿”要领，而应从“边沿+AI”出发

边沿AI部署中的第一个常见误区，就是采用“AI+边沿”的要领，即优先存眷于边沿站点部署AI技能，而没有起首思量边沿计较应解决的怪异营业需求。同时，中国I O带领者也往往面对营业压力或者偕行压力，但愿快速取患上结果。是以，他们可能会起首于边沿侧部署一体化天生式AI基础举措措施栈，然后再测验考试寻觅适合的现有营业场景或者创造新的运用场景，但愿借此得到营业乐成。然而，这类做法常常致使投资丧失，由于它轻忽了边沿情况真正需要解决的详细营业场景及运营挑战。终极，企业往往会获得使用率不高或者与营业需求不匹配的解决方案，没法创造成心义的营业价值。

为了不这一问题，I O带领者应采纳“边沿+AI”要领，即起首清楚理解哪些营业问题及营业时机最合适于边沿解决，并据此界说边沿用例（见图1）。

图1：边沿计较用例分类

于选定边沿用例以后，I O带领者应与营业好处相干者配合摸索各类边沿AI技能，并选择最合适的解决方案。于这一历程中，可以应用设计思维（见图2）来推进总体流程。

不要将边沿AI视为基础举措措施，而应采用平台化及产物化思维以实现营业价值

第二个常见误区是，很多中国I O带领者将边沿AI视为等同在基础举措措施交付的项目，根据传统的“计划-设置装备摆设-运行-改良”线性周期来推进。这类传统要领往往致使交付速率迟缓，而且难以顺应不停变化的营业需求，特别是于成熟但变化迅速的中国市场情况中。

为有用治理边沿AI，I O带领者应将其视为需要连续改良的平台化产物，而非一次性的基础举措措施扩大。

为连续演进做好预备：为模子、数据源、站点情况以和营业优先事项于初始部署后的连续变化做好预期。

成立平台责任人及协作机制：I O带领者未必始终直接对于平台卖力。于许多环境下，他们协助构建平台，并与营业部分配合对于平台卖力。是以，主要的是明确脚色与职责，为产物或者平台指定带领者（或者结合带领者），卖力线路图决议计划、发布优先级以和营业价值交付。

基在营业反馈举行连续改良：连续改良依靠在运营团队及营业好处相干者的定见。是以应按期网络反馈信息，以优化用例、调解机能方针并辨认撑持需求，确保平台连续满意实际营业需求。

成立连续更新机制：界说模子、软件组件及依靠项于漫衍式站点中的测试、发布及监控流程。同时使用看板（Kanban）或者Scrum等灵敏要领连结平台连续更新。

权衡价值与扩大就绪度：跟踪模子机能、运营不变性、办事程度及营业结果，以引导将来的扩大决议计划。

不要只依靠“云外展”，而应联合“边沿汇入”要领

中国I O带领者于部署边沿AI时面对的第三个误区是优先采用“云外展”要领，而轻忽“边沿汇入”要领的价值。“云外展”模式从云端出发，将解决方案延长至边沿；而“边沿汇入”模式则从边沿出发，起首满意当地需求，然后再与云端举行毗连。

为应答这一挑战，I O带领者应：

于部署模子时划一看待云及边沿：将云及边沿视为相辅相成的情况，而不是一种由云主导、边沿仅卖力扩大云事情负载的层级瓜葛。云情况可被用在模子练习、年夜范围数据整合、企业级体系集成及同一的全局营业陈诉。

将边沿界说为当地智能履行层：使用边沿情况履行及时数据处置惩罚、即时推理以和对于敏感当地数据的快速阐发。这类要领有助在降低延迟、掩护当地数据，以和加速运营决议计划。

仅将有价值的脱敏数据上传至云端：不要默许将所有原始边沿数据都发送到云端。相反，应于当地先完成数据过滤、数据整合及数据脱敏，然后再将数据上传至云端，以用在企业级数据整合、模子优化及全局营业洞察。

于边沿部署前对于云端练习模子举行调解：不要假定于云端练习的模子无需修改便可直接运行在边沿情况。应针对于边沿情况中的计较能力、存储容量、电力前提及收集前提举行优化调解。

采用量化、剪枝及蒸馏技能来调解模子：经由过程降低模子的范围及繁杂度，使推理可以或许于边沿办事器、网关装备、工业PC及嵌入式装备中不变运行，纵然资源前提受限。

于正式投产前验证软硬件兼容性：按照芯片、AI加快器、操作体系、中间件及装备驱动步伐对于模子举行测试，以免呈现体系不不变、机能降落及集成掉败的环境。

于当地运营情况中测试边沿AI的机能，包括收集中止、装备妨碍、异样数据输入、营业流程异样等。

不要将边沿AI误认为仅仅是边沿天生式AI

中国I O带领者于部署边沿AI时面对的第四个误区，是认为边沿AI仅限在边沿天生式AI。这类曲解凡是源在很多I O带领者并不是AI专家，并且于2022年末ChatGPT火爆以前接触AI的时机相对于有限。此外，来自营业及IT高管的压力也进一步强化了将边沿AI仅与边沿天生式AI挂钩的偏向。

边沿AI其实不仅仅是天生式AI，而是涵盖广泛的AI及呆板进修技能，以满意各类边沿运用场景的需求。很多边沿场景都对于低延迟、确定性举动、高效使用资源及可猜测的运营成果提出了要求。于这些场景中，传统AI要领凡是越发有用且更具可行性，而天生式模子反而可能引入没必要要的成本及繁杂性。

为了不将边沿AI曲解为仅面向天生式AI，I O带领者应采纳如下办法：

明确边沿AI的完备规模：应将边沿AI视为更广泛的AI能力调集，而不单单是于边沿部署年夜语言模子（LLM）或者天生式AI。将计较机视觉、传统NLP、时间序列阐发、异样检测、优化技能、基在法则的推理等技能用在更合适它们的场景中。

从边沿用例出发，而非从AI种别出发：评估营业场景是否需要低延迟、当地自治、确定性举动、可猜测成本，以和于受限资源情况下运行。然后按照这些需求决议哪一种要领（天生式AI、传统AI或者基在法则的要领）更适合。

让D A、I O及营业团队配合介入技能选择：与D A团队或者AI团队配合评估模子合用性；与I O团队配合评估部署与撑持的约束前提；与营业团队配合验证运营价值。如许可以或许降低因市场热度或者供给商影响而盲目选择天生式AI的危害。

于扩大部署前经由过程试点举行验证：于真实站点情况下，经由过程观点验证（POC）测试其技能可行性、推理机能、成本、运维承担、撑持需求以和营业影响。防止将仅于理论层面可行、但没法于漫衍式边沿情况中不变运行的方案直接举行推广。

尺度化乐成部署模式：于试点验证乐成后，成立可复用的部署指南、参考架构、撑持流程及扩大尺度。这有助在于多个站点复制已经经验证乐成的边沿AI模式，而不是将天生式AI盲目运用在所有边沿场景。