這是我的第376篇專欄文章。
我們似乎距離這樣的場景一望可及：在某一天的夜色中，一架無人巡檢機在高空低鳴，攝像頭精準鎖定了主控泵房的機械抖動異常。與此同時，地面上的四足機器人接收到異常碼，避開障礙物迅速前往現場。兩者并非通過云端調度，而是在本地通過“邊緣智能體操作系統”自組織形成(cheng)任務協同：無(wu)人機負責視覺識別(bie)與路徑分析，地面機器(qi)人完成(cheng)執行(xing)與反饋。整個過程無(wu)需(xu)人的干預(yu)，也無(wu)需(xu)連接遠程云平臺(tai)。
這不是科幻，而是邊緣AI從推理引擎(qing)邁向協(xie)作智能(neng)體的真實演進。
過去幾年里，邊緣(yuan)AI的(de)(de)(de)演進路徑清晰可見——從(cong)最初的(de)(de)(de)TinyML微型機器學習(xi)探索低(di)功耗(hao)AI推(tui)理，到邊緣(yuan)推(tui)理框(kuang)架的(de)(de)(de)落(luo)地應用，再(zai)到平臺級AI部(bu)署工具的(de)(de)(de)興(xing)起(qi)，以及最近大熱的(de)(de)(de)垂類模型，我們已經實(shi)現了“讓模型跑起(qi)來”的(de)(de)(de)任(ren)務。
然而，邊緣AI的下一步，不是繼續堆疊更多模型、更多參數，而是回答一個更根本的問題：當AI模型跑起來之后，它們能否協作起來？
這(zhe)一局限，正是(shi)邊緣AI走向(xiang)更高智能形(xing)態的“隱形(xing)天花板”。
真正的邊緣智能，不止于做出判斷，而是要做出決策、組成系統、執行任務。這正是邊緣(yuan)AI從靜態推(tui)理向(xiang)動(dong)態智能體演進的起(qi)點。
我們需要的不再是一個更大的模型，而是一群能協作的模型。可以認為，模型讓設備看見世界，智能體讓設備參與世界。
在本文(wen)中(zhong)，我們將基(ji)于(yu)最新的市場數據、技(ji)術進展與平臺(tai)趨勢，探討(tao)邊緣AI如何從模(mo)型部署進化(hua)為(wei)智能體(ti)操作系統，以及這一趨勢將如何重塑智能終端的交互方式、系統架構與商業價值。
從模型部署到系統自治，AI智能體正在邊緣落地
在過去，企業部署邊(bian)緣AI的主流(liu)方式依然是“模(mo)型驅動+平(ping)臺調度”的組合范式：開(kai)發一個模(mo)型，部署到一個終端，通過邊(bian)緣平(ping)臺完成資源調配與(yu)狀(zhuang)態可視(shi)化。
這種方式確實在早期解決了模型能不能跑的問題，推動了大量AI能力在邊緣側的落地，但它也將暴露出一個日益突出的結構性瓶頸：當部署規模擴大、場景復雜性提升之后，這種模式遲遲無法回答一個更本質的問題：模型之間是否能夠協作？系統是否具備自治能力？
這種(zhong)關注點的轉變，已經在企業決(jue)策層面清晰顯現。
根據ZEDEDA公司于2025年(nian)初發布的(de)(de)全(quan)球CIO調研報告顯示，97%的(de)(de)受訪CIO表示企(qi)業已部署或計劃在未(wei)來兩年(nian)內部署邊(bian)緣AI；54%的(de)(de)企(qi)業明確希(xi)望邊(bian)緣AI成為(wei)(wei)系統級(ji)能(neng)(neng)力(li)的(de)(de)組成部分，而不再是孤立(li)的(de)(de)單點功能(neng)(neng)；更值得注(zhu)意的(de)(de)是，48%的(de)(de)企(qi)業將(jiang)“減少對云的(de)(de)依賴(lai)、提升本地(di)自(zi)治(zhi)響(xiang)應(ying)能(neng)(neng)力(li)”列為(wei)(wei)下一階段(duan)的(de)(de)重點目(mu)標。
這組數據背后正反映出一個產業級的共識正在形成：邊緣AI的未來，不再只是模型能運行的問題，而是系統能否實現自組織、自感知、自響應的能力提升。
這種能力躍遷的核心載體，正是“邊緣AI智能體”。
相較于傳統(tong)(tong)的(de)模型(xing)部署范式，邊緣智(zhi)能(neng)(neng)體不(bu)再是一個被動執(zhi)行的(de)推理引擎，而是一個具備感知、決策、行動與協同能(neng)(neng)力的(de)最小智(zhi)能(neng)(neng)單元。它不(bu)僅能(neng)(neng)運行模型(xing)，更能(neng)(neng)根據環境狀態(tai)、系統(tong)(tong)規(gui)則與任務(wu)目(mu)標，在本地發起行為(wei)、協商角色(se)、分配(pei)資源，成為(wei)邊緣系統(tong)(tong)中具備能(neng)(neng)動性的(de)基礎(chu)智(zhi)能(neng)(neng)節點。
以(yi)一個智(zhi)能制造場景(jing)為例，可以(yi)直觀理解邊(bian)緣智(zhi)能體的價(jia)值鏈條：當傳送帶(dai)上(shang)的攝(she)像頭(tou)識別出(chu)物(wu)(wu)料存(cun)在缺陷時，視(shi)覺檢測(ce)智(zhi)能體會立即生成事件信號(hao)；這一信號(hao)觸發物(wu)(wu)料搬運智(zhi)能體自動調度移動機器人進(jin)行問題(ti)物(wu)(wu)料的轉移；緊接著，質檢智(zhi)能體在收(shou)到信號(hao)后展開二次(ci)復核(he)；最終(zhong)，MES系統智(zhi)能體同步更新生產排程與下(xia)一工(gong)序計(ji)劃。
整(zheng)個流程(cheng)從異常識別(bie)到任務執行(xing)，不再依賴中心(xin)化的(de)調度系統，而(er)是(shi)通過(guo)多個邊緣(yuan)智(zhi)能體在本地自主協作(zuo)完成。這種“感知—決策—協作(zuo)—反饋”的(de)閉環，不僅(jin)提升了(le)響應效率，也讓(rang)系統具備了(le)高度的(de)彈性(xing)與適(shi)應性(xing)。
如果說模(mo)型(xing)部(bu)署(shu)解決(jue)了“設備(bei)(bei)(bei)是(shi)(shi)否具備(bei)(bei)(bei)思考能力”的(de)問題(ti)，那么智(zhi)能體部(bu)署(shu)則進一步回答了“設備(bei)(bei)(bei)是(shi)(shi)否具備(bei)(bei)(bei)參與能力”的(de)命題(ti)。而要真(zhen)正實現這種參與性，邊緣智(zhi)能體必須(xu)具備(bei)(bei)(bei)一套完整(zheng)的(de)能力體系。
我們可以將其總結為PCE模型——即感知、協同、經濟三個層級的能力棧。
首先是感知層（Perception）。
智能(neng)體必須(xu)能(neng)夠理解其所(suo)處的環(huan)境，讀取和解析來自圖像、聲音、溫濕(shi)度(du)、振(zhen)動等(deng)多模態(tai)傳感(gan)(gan)器的數據，并結合上下文(wen)信息進行任(ren)務判(pan)斷。ZEDEDA的調研顯示，已(yi)有超過六成(cheng)的企業在邊緣設(she)備中部署(shu)了多模態(tai)AI模型，這為智能(neng)體提供了豐富的環(huan)境感(gan)(gan)知(zhi)基礎。
其次是協同層（Coordination）。
一個智(zhi)能(neng)體(ti)無法完成所有任(ren)務(wu)，真正的(de)(de)智(zhi)能(neng)系(xi)統(tong)依賴于多個智(zhi)能(neng)體(ti)之(zhi)間(jian)的(de)(de)高效協(xie)(xie)作(zuo)。這種(zhong)協(xie)(xie)同并(bing)非簡單的(de)(de)數據(ju)交換(huan)，而(er)是(shi)基于狀態共(gong)享、角色協(xie)(xie)商與任(ren)務(wu)分工的(de)(de)智(zhi)能(neng)代理網絡(luo)。協(xie)(xie)同能(neng)力，使(shi)邊緣系(xi)統(tong)從設備(bei)互(hu)聯升級為(wei)智(zhi)能(neng)互(hu)助。
最后是經濟層（Economy）。
當(dang)邊緣智能體開始具(ju)備(bei)任(ren)務接單、資源(yuan)協(xie)商、成(cheng)本控制等行(xing)為(wei)能力時，它們也自然(ran)成(cheng)為(wei)了機(ji)器經(jing)濟(ji)的(de)參與者。這一(yi)層的(de)實現基礎(chu)，是設備(bei)錢包(bao)、加密身(shen)份(fen)以及可編程合約機(ji)制。根(gen)據我在文章《端側AI井噴+虛擬(ni)貨幣改觀,設備(bei)錢包(bao)開啟AI代理經(jing)濟(ji)之(zhi)門》中的(de)判斷，未來AI設備(bei)之(zhi)間的(de)M2M交(jiao)易總(zong)量(liang)有望超過人類之(zhi)間的(de)交(jiao)易總(zong)額(e)，智能體將(jiang)成(cheng)為(wei)邊緣經(jing)濟(ji)網絡中的(de)活躍節點。經(jing)濟(ji)能力，不僅讓智能體具(ju)備(bei)了執(zhi)行(xing)的(de)能力，更讓它們具(ju)備(bei)了協(xie)作的(de)價值。
感知、協同與經濟三層能力(li)，共(gong)同構成了(le)(le)邊緣(yuan)智能體(ti)的(de)“PCE能力(li)棧”。它不僅定義了(le)(le)一個智能體(ti)應(ying)當(dang)具(ju)備哪些能力(li)模塊，也為未(wei)來邊緣(yuan)AI平臺的(de)系統設(she)計提供了(le)(le)參考框架。
為什么邊緣智能體需要一個AI操作系統？
盡管邊緣AI近年來實現了從(cong)模型(xing)部署(shu)到平(ping)(ping)臺(tai)化管理的(de)躍遷(qian)，但目前主(zhu)流的(de)邊緣AI平(ping)(ping)臺(tai)仍然停留在“模型(xing)運(yun)行環境”的(de)層級。然而，當AI從(cong)模型(xing)進化為智能(neng)體，這種傳(chuan)統平(ping)(ping)臺(tai)范式便(bian)顯得力不從(cong)心。
原因在于，智能體并不是一個靜態推理服務，而是一個具備狀態感知、任務協商與自主行動能力的動態服務。它需(xu)要的不僅(jin)是(shi)執行(xing)空間，更是(shi)一套完整的操作系(xi)統(tong)。
我們稱之為“邊緣AI操作系統”。
相較于傳統(tong)的AI平臺(tai)，邊(bian)緣(yuan)AI操作(zuo)系統(tong)需要從底層架構上滿足三項核心能力需求。
首先，它必須具備對異構算力資源的調度能力。在(zai)邊緣(yuan)設備中，AI模型可能運行在(zai)CPU、GPU、NPU甚(shen)至ASIC等多(duo)種(zhong)計算單(dan)元上。如(ru)何在(zai)這些異構(gou)算力(li)間進行動態分配與負載均衡，成(cheng)為操作系統(tong)級(ji)的技術(shu)挑(tiao)戰。
其次，一個真正的邊緣AI操作系統應當支持多智能體運行時管理（Runtime）。這意味著系統(tong)不僅要跑模型，更要調(diao)(diao)度智能體：包括智能體之間的狀態感(gan)知、任務調(diao)(diao)度、權限控(kong)制與(yu)行為協調(diao)(diao)。
這也引出了AI OS的第三個核心能力：任務-資源-狀態三位一體的調控機制。在傳統平臺中，任(ren)務通常是(shi)靜態(tai)配置的(de)(de)，資源分配是(shi)按需調用的(de)(de)，狀(zhuang)態(tai)管理則依(yi)賴于外部(bu)監(jian)控。而(er)在智(zhi)能(neng)(neng)體(ti)系統中，這三(san)者是(shi)動態(tai)耦合的(de)(de)：一個智(zhi)能(neng)(neng)體(ti)能(neng)(neng)否執行(xing)某項任(ren)務，取決(jue)于它當前的(de)(de)狀(zhuang)態(tai)、擁有的(de)(de)資源，以及系統中其他智(zhi)能(neng)(neng)體(ti)的(de)(de)行(xing)為反饋。
這些趨勢共同指向一個事實：邊緣智能體的崛起，正在倒逼操作系統的范式重構。
如果說傳統(tong)操作系統(tong)是(shi)為(wei)程序而(er)生的，那么即將到來的邊(bian)緣AI操作系統(tong)，則是(shi)為(wei)智能體而(er)生，它不僅要懂(dong)(dong)硬件、懂(dong)(dong)模(mo)型，更要懂(dong)(dong)行為(wei)、懂(dong)(dong)協同、懂(dong)(dong)生態。
當前(qian)，CIO們面臨(lin)的(de)并不是(shi)“是(shi)否(fou)部署AI”的(de)問(wen)題，而(er)是(shi)“如何系統性地規劃AI”的(de)挑戰。智能體(ti)的(de)出現，正逐(zhu)步將AI從“項目(mu)性支出”轉變為(wei)“系統性基礎設施(shi)支出”。
來自(zi)ZEDEDA的(de)(de)(de)(de)調研(yan)表(biao)明，超(chao)過54%的(de)(de)(de)(de)企業已(yi)采用(yong)(yong)“云(yun)+邊”混合部(bu)署模式，未來兩(liang)年內預計將有(you)超(chao)過60%的(de)(de)(de)(de)新增AI預算(suan)用(yong)(yong)于(yu)邊緣部(bu)署，其中近(jin)一(yi)半明確指向“自(zi)主AI能(neng)(neng)力”的(de)(de)(de)(de)構建。這(zhe)反映出企業AI支出的(de)(de)(de)(de)結構正在發生根本變化：從以CAPEX為(wei)主的(de)(de)(de)(de)“模型(xing)采購+部(bu)署費用(yong)(yong)”，轉為(wei)以OPEX為(wei)主的(de)(de)(de)(de)“智能(neng)(neng)服務+智能(neng)(neng)體訂閱”。
企業將不再按“模型數量”付費，而是按“智能體生命周期”進行預算管理。企業不(bu)再一次性購買某(mou)個模型，而(er)是訂閱某(mou)類智(zhi)能(neng)(neng)體(ti)功能(neng)(neng)，并按效果進行計費。這一切意味著，邊緣智(zhi)能(neng)(neng)體(ti)系統的(de)產(chan)業化路徑即將(jiang)加(jia)速。
從“模型能跑”到“智能體能活”的四個門檻
盡管邊緣智能(neng)體的(de)(de)未(wei)來(lai)日漸清晰，技術路徑也(ye)逐步展開，但從“模型能(neng)跑”走向“智能(neng)體能(neng)活”，并非一次線性演進，而是(shi)一場(chang)跨(kua)越(yue)四重門檻的(de)(de)系統性升級。
首先，調度復雜性是當前(qian)最現(xian)實(shi)也最棘(ji)手的問題之一。
邊緣場景天然異構，設備種類多樣(yang)，算(suan)力結構不(bu)一，網絡條件(jian)時(shi)斷時(shi)續，智能體(ti)所依(yi)賴的模型(xing)、資源(yuan)與(yu)傳感器接口不(bu)盡(jin)相同，導(dao)致統一調(diao)度(du)策(ce)略難以奏效。更復雜的是，智能體(ti)本身具(ju)有動(dong)態狀態，其行為具(ju)有環境依(yi)賴性(xing)和(he)時(shi)序波動(dong)性(xing)，調(diao)度(du)系統不(bu)僅要(yao)分配資源(yuan)，還要(yao)理解智能體(ti)的當(dang)前意(yi)圖(tu)與(yu)可行性(xing)。
其次，模型多樣性構成了第二重門檻。
邊(bian)緣AI的(de)實際應(ying)用(yong)中，越來越多(duo)的(de)任務需要通用(yong)語言(yan)模型(xing)(xing)與(yu)垂(chui)類(lei)行業(ye)模型(xing)(xing)協同工(gong)作。然而，這(zhe)兩類(lei)模型(xing)(xing)在(zai)運(yun)行機制、輸入結構(gou)、算力需求與(yu)響應(ying)時(shi)限上(shang)差異顯著，傳(chuan)統的(de)模型(xing)(xing)中心式調(diao)度已難以滿足智能體協同式運(yun)行的(de)需求。
更具挑戰性的，是第三個門檻——數據隱私與合規性。
邊(bian)緣AI的(de)(de)最大特(te)征在(zai)(zai)于本地化智(zhi)能(neng)，這也意味(wei)著它所依賴的(de)(de)數(shu)據高(gao)度私有化、敏感(gan)化，涉及企業運營指標、用(yong)戶行為(wei)軌跡、生產鏈條狀態等核(he)心資產。在(zai)(zai)傳(chuan)統(tong)AI中，數(shu)據上(shang)傳(chuan)云端統(tong)一訓練與推理，但在(zai)(zai)智(zhi)能(neng)體(ti)系統(tong)中，數(shu)據常常只(zhi)在(zai)(zai)本地生成、處理與決(jue)策，系統(tong)如(ru)何在(zai)(zai)不違反數(shu)據隱私的(de)(de)前提下實(shi)現智(zhi)能(neng)體(ti)的(de)(de)協同與學習，成為(wei)一道難解(jie)之(zhi)題。
最后，智能體治理問題逐漸浮出水面。
多個智(zhi)能體(ti)(ti)在同一系(xi)統(tong)中協作運行，其間不可避免地(di)會出現(xian)資源搶(qiang)占(zhan)、任(ren)務沖突、策略競爭甚至信息(xi)欺騙(pian)等現(xian)象(xiang)。傳統(tong)的任(ren)務優先級體(ti)(ti)系(xi)在智(zhi)能體(ti)(ti)的體(ti)(ti)系(xi)中變得復雜(za)，尤其當智(zhi)能體(ti)(ti)具備學習能力(li)或自(zi)我更(geng)新能力(li)時，其行為(wei)路(lu)徑(jing)將(jiang)變得不可預測(ce)，系(xi)統(tong)風險隨之上升。
唯有跨越這四重(zhong)門檻，智能(neng)體才能(neng)真正“活起來”，不(bu)僅能(neng)運行、能(neng)協作，更能(neng)在復雜系統中(zhong)持續進化、自我修復與安全運行。
寫在最后
邊緣AI的(de)(de)(de)未來，不(bu)(bu)在(zai)于部署更多模(mo)型(xing)，而(er)在(zai)于激活更多“能(neng)(neng)理解、能(neng)(neng)行動、能(neng)(neng)協(xie)作(zuo)”的(de)(de)(de)智能(neng)(neng)體。所謂智能(neng)(neng)，不(bu)(bu)再是(shi)云端的(de)(de)(de)算力(li)堆疊與模(mo)型(xing)推理，而(er)是(shi)機器在(zai)物理世(shi)界(jie)中(zhong)擁(yong)有(you)了感知與目的(de)(de)(de)，在(zai)本地環境中(zhong)具備了反應與判(pan)斷(duan)的(de)(de)(de)能(neng)(neng)力(li)。在(zai)這個即將到來的(de)(de)(de)新(xin)階段，企業將不(bu)(bu)再只是(shi)部署模(mo)型(xing)，而(er)是(shi)調(diao)度智能(neng)(neng)體。
AI 不是在邊緣運行，而是從邊緣開始思考。
對于企業而言(yan)，這不(bu)再是一場“要不(bu)要上AI”的問題(ti)，而是“能(neng)不(bu)能(neng)構建自己的智(zhi)能(neng)體生態”的戰略決策。
邊(bian)(bian)緣智能(neng)體的(de)未來，不(bu)是工具(ju)，而(er)是伙伴(ban)。它(ta)們將與人(ren)類共(gong)同決策(ce)、協同執行、長(chang)期共(gong)生。我們不(bu)是在(zai)訓(xun)練模型，而(er)是在(zai)塑造新的(de)組織邊(bian)(bian)界、新的(de)系統智能(neng)、新的(de)產業秩序。
參考資料：
1.Edge AI Matures: Widespread Adoption, Rising Budgets, and New 2.Priorities Revealed in ZEDEDA’s CIO Survey，來源：ZEDEDA3.16 Changes to AI in the Enterprise: 2025 Edition，來源：a16z.com4.Why is EDGE AI growing so fast，來源：imaginationtech.com
