人形机器人、智能设备以及自动驾驶常被认为是边缘上最具商业潜力的应用场景。但边缘 AI 计算将使 AI 从数据中心和云端的集中式服务器中解放出来，推向生产车间、手术室以及整个市政中心，从而实现对数据的实时处理，并能更接近物联网设备、传感器和智能系统。它还提供低延迟和自主决策能力，使 AI 可以无处不在，从而让全自动化的工业设施得以实现，彻底变革商业模式和人们的日常生活。
这是一个与 Rockwell Automation 首席信息官密切相关的话题。该公司作为 NVIDIA 的客户和合作伙伴，在边缘 AI 计算领域处于前沿地位。Rockwell Automation 的首席信息官 Chris Nardecchia 表示：“将人工智能从以云为中心的架构转变为以边缘部署的去中心化进程，不仅仅是一场技术演进，而是从根本上重新定义了 AI 如何融入我们工业和个人环境的各个方面。”该数字化转型提供商上个月在 NVIDIA GTC 展示了其 Emulate3D 先进工厂规模虚拟控制测试技术。
该解决方案集成了 NVIDIA 的 Omniverse APIs，使制造商能够通过虚拟工厂验收测试，在实际部署前验证自动化系统的有效性。
边缘 AI 允许企业在仓库中的智能设备或机器人上部署 AI 应用。例如，可在离数据源更近的地方执行计算密集的推理和判断模型，而无需依赖公共云或数据中心，这极大地加快了 AI 的响应速度。
在最近的大会上，NVIDIA 继续大力推进边缘计算，展示了一系列先进的 AI 硬件、软件平台和开发者框架，包括 Jetson Orin、Xavier 与 Nano 平台，针对边缘高级应用优化的 Blackwell Ultra AI 芯片，适用于自主机器人的 Groot N1 AI 机器人模型，满足工业和医疗需求的 IGX Orin 工业级边缘 AI 平台，以及用于边缘数据分析的 NVIDIA AI Data Platform。
尤其是 NVIDIA 核心的 EGX Enterprise 边缘 AI 平台，为医疗、制造和零售等行业提供实时 AI 工作负载支持，而其 Metropolis 平台则为智慧城市中的边缘视频分析提供动力。
在 NVIDIA GTC 上推出的 Jetson Nano Super 工作站，将为远程办事处或商业中心内的企业用户提供强大的 AI 能力。此外，Clara for Healthcare（面向医疗）、Drive（用于自动驾驶）和 Aerial（针对 5G 网络）也将带来实时监控、预测性维护及流程优化，从而降低停机时间并提升现场工业资产在整个生命周期中的系统性能。
一位分析师指出，NVIDIA 针对物理 AI 的平台和产品阵容，例如服务于工业数字化的 Omniverse，彰显了该厂商从单纯半导体制造商向硬件、平台、工具和框架提供商的身份转变。
Gartner Group 首席 AI 分析师 Chirag Dekate 表示：“目前市场还未完全理解 NVIDIA 在此领域所做工作的深远意义，真是令人叹为观止。EGX 与 Jetson 的组合，加上 NVIDIA 的 Cosmos 平台，可以开发出将 AI 与数字孪生技术优势相融合的物理 AI 环境，这种环境有助于加速可在边缘部署的智能系统训练。而正是在边缘，它们正在改造我们的机器人、智能机器人、自动驾驶车辆以及人形机器人。正如 NVIDIA 通过 GPU 在数据中心开创全新增长向量一样，他们正在开启新的增长领域。”
事件顺序
市场最初采用生成式 AI 进行内容创作，随后又转向代理式 AI，以实现具备推理和任务执行能力的模型。但工业 AI 革命的核心在于物理 AI 或 AI 驱动的机器人技术，它们能够构建全自动化的工业设施，而其中大部分部署在边缘。
例如，Rockwell 的自主移动机器人 (AMR) 在提高生产产能、优化劳动力配置和节省时间方面都取得了显著成效。Nardecchia 表示，这些机器人作为移动边缘计算平台，在本地处理传感器数据的同时，将整合后的洞察结果反馈给公司的 FactoryTalk Edge Manager。
NVIDIA 的边缘计算平台将不断扩展、丰富并激活工业数据，通过应用和数据分析创造新的价值来源。他指出，当这一能力与物理 AI 和代理式 AI 相结合时，就能实现真正自治的系统——这些系统能够以极小的人为干预实现感知、决策和行动。此外，Rockwell 战略性收购 Otto Motors 与 Clearpath Robotics 也使其在生产物流自动化方面具备了坚实的基础。
边缘 AI 改造工业数字化
根据 IDC 针对 27 个企业行业的最新预测，今年全球在边缘计算解决方案上的支出将接近 2610 亿美元，并预计以 13.8% 的复合年增长率增长，到 2028 年将达到 3800 亿美元。
IDC 云和边缘服务研究副总裁 Dave McCarthy 表示：“边缘计算正重新定义企业如何利用实时数据，其未来依赖于能够满足特定行业独特运营需求的定制化解决方案。我们看到服务供应商加大投资，构建低延迟网络、强化基于 AI 的边缘分析，并建立合作伙伴关系以提供既可扩展又安全的基础设施。这些努力对于充分发挥边缘计算的潜力至关重要，能够支持从更智能的生产线到响应迅速的医疗系统等各种应用，并最终推动各垂直行业的新一波创新浪潮。”
因此，CIO 正在规划下一代 AI 架构，利用强大的平台、工具和框架来打造具备自主决策能力的机器人和物联网设备。
Dairyland Power Cooperative 的 CIO Nate Melby 表示：“CIO 们肯定在规划针对边缘工作负载的 AI 应用。”他着眼于利用这一技术进步来在暴风雨等极端环境中管理电网，并使系统能够在危险环境下实现快速分析和决策。同时，人们还预期在其他对人类存在有限制的物理环境中使用边缘 AI 设备，将带来新的商机和可观的收益。
Melby 说：“通过将 AI 推向边缘，我们可以减少对集中式架构的依赖，从而提高系统的韧性；同时，通过平衡云资源与本地设备，也能更便捷地实现扩展和资源灵活性，以便在本地优化及处理更为敏感或关键的数据。但这一演进过程仍需一定时间。”
边缘领域的兴趣叠加
包括 OpenAI、Google、Amazon 以及众多创新型 AI 初创企业在内的领先云和 AI 供应商，正纷纷将目光投向边缘领域。例如，云服务提供商 Oracle 最近为其 Oracle Roving Edge Device 添加了针对 GPU 优化的配置。Oracle Cloud Infrastructure 的高级副总裁、现场及行业营销主管 Dave Rosenberg 表示：“我们正看到客户对边缘计算 AI 的需求。”
Insight Enterprises 的产品创新 CTO Amol Ajgaonkar 补充道，除制造业外，许多行业也将采用边缘 AI，但这一过程并不容易。他指出，如果将边缘定义为任何非云端的设备——如笔记本电脑、生产车间的机器或零售店的销售终端——那么医疗、零售和金融等行业都将成为边缘 AI 的主要目标。
Ajgaonkar 表示：“在边缘部署 AI 时，一大挑战在于判断哪些数据对当前任务是有用的，并建立相应流程，使某个 AI Agent 或一组 Agents 能够在无需持续人工干预的情况下进行管理。当创建预测模型（例如用于管理生产车间中机器的持续维护）时，若存在未经过滤的偏差或格式错误数据，就可能影响模型并扭曲 Agents 的决策。输入干净的数据始终对获得准确输出至关重要，但这需要精细平衡。”
AI 咨询公司 Intelagen 的 CEO 及前 CIO Tom Richer 表示，他建议 CIO 密切关注 NVIDIA 的发展，因为该公司在 AI 基础设施、数据中心转型及边缘 AI 能力方面的主导地位，将直接影响组织的创新与竞争能力。
他说：“由于对低延迟、带宽优化和增强安全的需求不断上升，边缘计算在 AI 工作负载中的应用日益普及，这需要在本地部署和服务提供商部署之间作出战略抉择，而混合部署模式往往能最有效地平衡控制与扩展性。这就要求 CIO 制定明确策略，投资所需基础设施，并时刻关注不断演进的技术。”
从边缘获得优势
实现物理 AI 需要强大的边缘计算能力，能够以最小延迟处理传感器数据并执行复杂算法。Rockwell 的 Nardecchia 解释说，边缘计算通过将数据处理推近数据源，实现了更快的响应速度、更高的数据传输效率以及更强的安全性能——这些都是机器人和工业自动化应用中的关键因素。
随着平台和技术不断成熟，我们可以预期 AI 会越来越多地嵌入到各类工业环境中的物理系统中。
对于 Rockwell 等公司来说，这一演进为将边缘 AI 能力整合至其全产品组合中提供了极大契机。合理管理边缘计算所带来的商业效益十分显著，包括以低成本获取数据、更快的软件部署、面向未来的分析平台、增强的安全性、更好地推动数字化转型以及降低总拥有成本 ( TCO )。
Edge AI Foundation 表示，CIO 和企业都希望在边缘实现自动化和智能设备。该非营利组织 CEO Pete Bernard 指出：“边缘 AI 的核心在于将 AI 工作负载运行在数据产生的地方，其向边缘集中的趋势通常意味着成本更低、功耗更低且效果更显著，同时也可提升隐私性、降低延迟、提高灵活性并优化数据处理。而 CIO 则负责厘清整体的信息策略。你需要将计算能力尽可能地靠近数据生成源，避免为数据进出云端而支付额外费用和运营成本，同时也能更好地掌控整体处理过程。”
随着平台和技术的不断成熟，我们期望 AI 将更加深入地嵌入各类工业环境中的物理系统。
Analog Devices 边缘 AI 副总裁 Paul Golding 表示：“基础模型的兴起正通过经过蒸馏和量化的 Transformer 以及小型基础模型向边缘扩散。这一转变要求在边缘构建密集且计算密集型的基础设施。同时，由于对实时处理、低延迟及隐私的需求不断增加，AI 正变得越来越接近数据源——也就是我们通常所说的传感器或物理边缘。代理式 AI 自主学习、适应和实时决策的能力，将彻底变革异构节点之间的任务协同。随着我们从机器自动化走向机器自治，全新的分布式智能形态将不断涌现，从而使关键任务在边缘实现运行，而不再依赖于集中式云系统。AI 的前沿领域依然广阔。”
本文链接：http://www.xihao.site/showinfo-1-72328.html边缘 AI 机器人和智能设备即将到来
