這(zhe)是我(wo)的第376篇專(zhuan)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(ti)操作系統”自組織形成任務協同：無人(ren)機負責視覺(jue)識別與路(lu)徑分析(xi)，地面機器人(ren)完成執行與反饋。整(zheng)個過程(cheng)無需(xu)人(ren)的干預，也無需(xu)連接遠程(cheng)云平(ping)臺(tai)。
這(zhe)不是科(ke)幻(huan)，而是邊緣AI從推理(li)引擎邁向協作智能體的真實演(yan)進(jin)。
過去(qu)幾(ji)年里(li)，邊緣(yuan)AI的(de)演進(jin)路徑清晰可(ke)見——從最初的(de)TinyML微型機器學習探索低功耗(hao)AI推(tui)理(li)，到邊緣(yuan)推(tui)理(li)框架的(de)落地應用，再到平(ping)臺(tai)級AI部(bu)署工(gong)具的(de)興起(qi)(qi)，以及(ji)最近大熱的(de)垂類模型，我們已經實現(xian)了“讓模型跑起(qi)(qi)來(lai)”的(de)任務。
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？
這一(yi)局限，正是邊緣AI走向更(geng)高(gao)智(zhi)能(neng)形態的“隱形天花(hua)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(jing)態(tai)推理向動態(tai)智(zhi)能體演(yan)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(ben)文中，我們將基(ji)于最新的市場數據、技(ji)術進(jin)展與平(ping)臺(tai)趨勢(shi)，探討邊緣AI如(ru)(ru)何從模(mo)型(xing)部署進(jin)化為智(zhi)能(neng)體操(cao)作(zuo)系統，以及(ji)這(zhe)一趨勢(shi)將如(ru)(ru)何重塑智(zhi)能(neng)終端的交互方式、系統架(jia)構與商業(ye)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(ye)部署邊(bian)緣AI的主流方式(shi)(shi)依然是(shi)“模型驅動+平(ping)臺調度”的組合范式(shi)(shi)：開(kai)發一個模型，部署到一個終端，通過邊(bian)緣平(ping)臺完成資(zi)源調配與狀態可(ke)視化。
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？
這種關注點的轉(zhuan)變(bian)，已經在企業決策層面清晰顯現(xian)。
根(gen)據(ju)ZEDEDA公司于(yu)2025年(nian)初發布的全球(qiu)CIO調研報告顯示，97%的受訪CIO表示企業已部署或(huo)計劃在未(wei)來(lai)兩年(nian)內部署邊緣AI；54%的企業明確希望邊緣AI成為(wei)系統級(ji)能力的組成部分，而(er)不再是孤立(li)的單點(dian)功能；更值得(de)注意的是，48%的企業將(jiang)“減少(shao)對云的依賴(lai)、提升本地自(zi)治(zhi)響(xiang)應能力”列為(wei)下一階段(duan)的重(zhong)點(dian)目標。
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(xiang)較于傳統(tong)的(de)模(mo)型部署范式，邊緣智(zhi)(zhi)(zhi)能(neng)(neng)體不再是一個被動執行的(de)推理引擎(qing)，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)(zhi)(zhi)能(neng)(neng)單元。它不僅能(neng)(neng)運行模(mo)型，更能(neng)(neng)根據環(huan)境(jing)狀態(tai)、系統(tong)規則與任務目標，在本(ben)地(di)發起行為、協商角色、分配資源，成為邊緣系統(tong)中具備能(neng)(neng)動性的(de)基礎(chu)智(zhi)(zhi)(zhi)能(neng)(neng)節點。
以一(yi)個智(zhi)(zhi)能(neng)制造場景為例，可以直觀(guan)理解邊緣智(zhi)(zhi)能(neng)體(ti)的價值鏈(lian)條：當傳送帶(dai)上的攝像頭(tou)識別出(chu)物料存在缺陷時，視覺(jue)檢測智(zhi)(zhi)能(neng)體(ti)會立即(ji)生(sheng)(sheng)成(cheng)事件信(xin)號(hao)；這一(yi)信(xin)號(hao)觸發(fa)物料搬運智(zhi)(zhi)能(neng)體(ti)自動調度移(yi)(yi)動機器人進行問題物料的轉移(yi)(yi)；緊(jin)接著，質檢智(zhi)(zhi)能(neng)體(ti)在收到信(xin)號(hao)后展開二(er)次復核；最終(zhong)，MES系(xi)統智(zhi)(zhi)能(neng)體(ti)同步更新生(sheng)(sheng)產排(pai)程與下一(yi)工序(xu)計劃(hua)。
整個(ge)流程從異常識別到任務執行，不再依賴中心(xin)化的(de)調度系(xi)統(tong)，而是通過多(duo)個(ge)邊緣智(zhi)能體在本地(di)自主協作(zuo)完成。這種“感知—決策—協作(zuo)—反饋”的(de)閉環，不僅提(ti)升了響(xiang)應效率，也讓(rang)系(xi)統(tong)具備了高度的(de)彈性(xing)與(yu)適應性(xing)。
如果說模型(xing)部署解(jie)決了“設備是否具(ju)備思考(kao)能力(li)”的(de)(de)問題，那么智(zhi)能體(ti)部署則進一(yi)步(bu)回答了“設備是否具(ju)備參與(yu)能力(li)”的(de)(de)命題。而要真正(zheng)實現這種參與(yu)性，邊緣智(zhi)能體(ti)必須(xu)具(ju)備一(yi)套(tao)完整的(de)(de)能力(li)體(ti)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）。
智能體必須能夠理解(jie)其所(suo)處的環境，讀取(qu)和(he)解(jie)析來自圖像(xiang)、聲音、溫濕度、振(zhen)動等多模(mo)(mo)態傳感(gan)(gan)器的數據，并(bing)結合上下文(wen)信息進行任務判斷。ZEDEDA的調研顯示(shi)，已有超(chao)過六(liu)成的企(qi)業在邊緣設備(bei)中部署了多模(mo)(mo)態AI模(mo)(mo)型，這為(wei)智能體提供了豐富的環境感(gan)(gan)知基礎。
其次是協同層（Coordination）。
一個(ge)智能(neng)體無法完成所(suo)有任務(wu)，真正的(de)智能(neng)系統依賴(lai)于多個(ge)智能(neng)體之間(jian)的(de)高效協(xie)(xie)作。這(zhe)種協(xie)(xie)同(tong)并非簡單的(de)數據交換，而是基于狀態(tai)共享、角色協(xie)(xie)商(shang)與任務(wu)分(fen)工(gong)的(de)智能(neng)代理網(wang)絡。協(xie)(xie)同(tong)能(neng)力，使(shi)邊緣系統從設備互(hu)聯(lian)升級(ji)為智能(neng)互(hu)助。
最后是經濟層（Economy）。
當邊緣智能體(ti)開始(shi)具備任務接單(dan)、資源協商、成(cheng)(cheng)本控(kong)制等行為能力(li)時，它們(men)也(ye)自然成(cheng)(cheng)為了(le)機器經濟(ji)的(de)(de)(de)參與者(zhe)。這一層的(de)(de)(de)實現基(ji)礎，是(shi)設備錢包、加密身(shen)份(fen)以及可編程合約機制。根據(ju)我在文章《端側(ce)AI井(jing)噴+虛擬貨幣改(gai)觀,設備錢包開啟(qi)AI代理(li)經濟(ji)之(zhi)門》中的(de)(de)(de)判斷(duan)，未來AI設備之(zhi)間的(de)(de)(de)M2M交易總(zong)量(liang)有望超(chao)過人類(lei)之(zhi)間的(de)(de)(de)交易總(zong)額，智能體(ti)將成(cheng)(cheng)為邊緣經濟(ji)網絡(luo)中的(de)(de)(de)活(huo)躍節點。經濟(ji)能力(li)，不(bu)僅讓智能體(ti)具備了(le)執行的(de)(de)(de)能力(li)，更讓它們(men)具備了(le)協作的(de)(de)(de)價值(zhi)。
感(gan)知、協同與經濟三層能(neng)力(li)(li)，共(gong)同構(gou)成了邊緣智能(neng)體的“PCE能(neng)力(li)(li)棧(zhan)”。它(ta)不僅(jin)定(ding)義了一個智能(neng)體應(ying)當具備哪些能(neng)力(li)(li)模塊，也為未來(lai)邊緣AI平臺(tai)的系統設(she)計提供了參考框架(jia)。
為什么邊緣智能體需要一個AI操作系統？
盡管邊(bian)緣AI近年(nian)來實現了從(cong)(cong)模型(xing)部(bu)署到平(ping)臺化(hua)管理的(de)躍遷，但(dan)目前主流的(de)邊(bian)緣AI平(ping)臺仍然(ran)停留在“模型(xing)運行(xing)環境”的(de)層級。然(ran)而(er)，當AI從(cong)(cong)模型(xing)進化(hua)為智能(neng)體，這種(zhong)傳統平(ping)臺范式便顯得力不從(cong)(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(de)不(bu)僅是執行(xing)空間，更是一套(tao)完整的(de)操作(zuo)系統。
我們稱之為“邊緣AI操作系統”。
相較(jiao)于傳統(tong)(tong)的(de)AI平臺，邊緣(yuan)AI操(cao)作系統(tong)(tong)需要(yao)從(cong)底層架構上滿(man)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。在邊緣設備中，AI模型可能運行(xing)在CPU、GPU、NPU甚至ASIC等(deng)多種計算(suan)單(dan)元上。如(ru)何(he)在這些異構算(suan)力間進(jin)行(xing)動態分(fen)配與(yu)負載均衡，成為操作系統(tong)級(ji)的技術挑戰。
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(wei)著系統(tong)不僅要(yao)跑模型(xing)，更要(yao)調度智(zhi)能體：包括(kuo)智(zhi)能體之(zhi)間的狀態感知、任務調度、權限控制與行(xing)為協調。
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(tong)(tong)平臺中，任(ren)務通常是(shi)靜態(tai)配(pei)置(zhi)的，資(zi)源分配(pei)是(shi)按需(xu)調用的，狀態(tai)管理則(ze)依賴于外部監控。而(er)在智(zhi)能體系(xi)統(tong)(tong)中，這(zhe)三者是(shi)動態(tai)耦合(he)的：一個智(zhi)能體能否執(zhi)行某項任(ren)務，取決于它當前的狀態(tai)、擁(yong)有的資(zi)源，以(yi)及系(xi)統(tong)(tong)中其他智(zhi)能體的行為反饋(kui)。
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(guo)說傳統操(cao)作系統是為(wei)(wei)程序而(er)生(sheng)的，那(nei)么即將到來(lai)的邊緣AI操(cao)作系統，則是為(wei)(wei)智能體而(er)生(sheng)，它不(bu)僅要(yao)懂(dong)硬件、懂(dong)模型(xing)，更要(yao)懂(dong)行為(wei)(wei)、懂(dong)協同、懂(dong)生(sheng)態。
當前，CIO們面臨的并不是(shi)“是(shi)否部署AI”的問題，而(er)是(shi)“如何(he)系統(tong)性地規劃AI”的挑戰(zhan)。智(zhi)能體的出(chu)(chu)現，正逐步將AI從“項(xiang)目性支出(chu)(chu)”轉變為“系統(tong)性基礎設施(shi)支出(chu)(chu)”。
來自(zi)ZEDEDA的(de)(de)調研表明，超(chao)過54%的(de)(de)企業已(yi)采用“云+邊”混合部署(shu)(shu)模(mo)式，未來兩年內預計將有超(chao)過60%的(de)(de)新增AI預算(suan)用于(yu)邊緣部署(shu)(shu)，其(qi)中近一半明確(que)指向“自(zi)主AI能(neng)力”的(de)(de)構(gou)建。這(zhe)反映出企業AI支出的(de)(de)結構(gou)正在發生根本變化：從以CAPEX為(wei)主的(de)(de)“模(mo)型(xing)采購+部署(shu)(shu)費(fei)用”，轉為(wei)以OPEX為(wei)主的(de)(de)“智(zhi)能(neng)服務+智(zhi)能(neng)體訂閱(yue)”。
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(ye)不再一次性購買某(mou)個(ge)模型，而是訂閱某(mou)類(lei)智(zhi)能(neng)體(ti)(ti)功能(neng)，并按效果進行計費(fei)。這一切意(yi)味著，邊(bian)緣智(zhi)能(neng)體(ti)(ti)系統的產業(ye)化路徑即將加速。
從“模型能跑”到“智能體能活”的四個門檻
盡管(guan)邊緣智能(neng)體的未來日漸(jian)清晰，技術路徑(jing)也逐步展開，但從“模型能(neng)跑”走向“智能(neng)體能(neng)活”，并非一(yi)次(ci)線性演進，而(er)是一(yi)場跨越四重門檻的系統性升級(ji)。
首先，調度復雜性是當(dang)前(qian)最現實也最棘手的(de)問(wen)題(ti)之一(yi)。
邊緣場(chang)景天然異構，設備種類(lei)多樣，算(suan)力結構不一，網絡條件時(shi)(shi)斷時(shi)(shi)續，智能體(ti)(ti)(ti)所依賴的(de)模型(xing)、資源(yuan)與傳(chuan)感器接口(kou)不盡(jin)相同，導致統一調度策略難以奏(zou)效。更復雜的(de)是，智能體(ti)(ti)(ti)本身具有動態狀態，其行為具有環境依賴性和時(shi)(shi)序(xu)波動性，調度系統不僅要分(fen)配(pei)資源(yuan)，還要理解智能體(ti)(ti)(ti)的(de)當前意圖與可行性。
其次，模型多樣性構成了第二重門檻。
邊緣(yuan)AI的(de)實際應(ying)用中(zhong)(zhong)，越來(lai)越多的(de)任務(wu)需(xu)要(yao)通用語言模型(xing)與垂類行(xing)業模型(xing)協(xie)同工(gong)作。然而，這(zhe)兩(liang)類模型(xing)在運(yun)(yun)行(xing)機制、輸(shu)入(ru)結(jie)構、算力需(xu)求與響(xiang)應(ying)時限(xian)上差異顯著，傳統的(de)模型(xing)中(zhong)(zhong)心式調度已難以滿足智能體協(xie)同式運(yun)(yun)行(xing)的(de)需(xu)求。
更具挑戰性的，是第三個門檻——數據隱私與合規性。
邊緣AI的(de)最大特征(zheng)在于本(ben)地化(hua)智(zhi)(zhi)能，這也意味著它所依賴(lai)的(de)數據(ju)高(gao)度私(si)有化(hua)、敏感化(hua)，涉及企業運營指標、用戶行為(wei)軌跡(ji)、生(sheng)產(chan)鏈(lian)條(tiao)狀態等核心資產(chan)。在傳統AI中，數據(ju)上傳云端(duan)統一訓練與(yu)(yu)推理，但(dan)在智(zhi)(zhi)能體系統中，數據(ju)常常只在本(ben)地生(sheng)成、處理與(yu)(yu)決(jue)策，系統如何在不違反數據(ju)隱私(si)的(de)前提下實(shi)現智(zhi)(zhi)能體的(de)協同與(yu)(yu)學習，成為(wei)一道難解(jie)之題(ti)。
最后，智能體治理問題逐漸浮出水面。
多個智(zhi)(zhi)能(neng)體(ti)(ti)(ti)在同(tong)一系(xi)統(tong)中協作運行，其(qi)間不可避免地會出現(xian)資源搶(qiang)占(zhan)、任務沖突、策略競(jing)爭甚(shen)至信息欺騙等現(xian)象(xiang)。傳統(tong)的(de)任務優先級體(ti)(ti)(ti)系(xi)在智(zhi)(zhi)能(neng)體(ti)(ti)(ti)的(de)體(ti)(ti)(ti)系(xi)中變得復雜，尤其(qi)當智(zhi)(zhi)能(neng)體(ti)(ti)(ti)具備學習能(neng)力(li)或自我(wo)更新能(neng)力(li)時(shi)，其(qi)行為路徑將變得不可預測(ce)，系(xi)統(tong)風(feng)險隨之上升(sheng)。
唯有(you)跨越這四(si)重門檻(jian)，智能(neng)(neng)體才(cai)能(neng)(neng)真正(zheng)“活起來”，不(bu)僅能(neng)(neng)運行、能(neng)(neng)協作(zuo)，更能(neng)(neng)在復雜(za)系統中持續進化(hua)、自我修復與安(an)全運行。
寫在最后
邊緣AI的未來，不(bu)(bu)在(zai)于(yu)(yu)部(bu)署更多模(mo)型，而(er)在(zai)于(yu)(yu)激活(huo)更多“能(neng)理(li)解、能(neng)行動(dong)、能(neng)協作”的智能(neng)體(ti)(ti)。所謂智能(neng)，不(bu)(bu)再是(shi)云端(duan)的算力(li)堆疊與模(mo)型推理(li)，而(er)是(shi)機器(qi)在(zai)物理(li)世(shi)界中擁有了(le)感知與目的，在(zai)本(ben)地環境中具備了(le)反應與判斷(duan)的能(neng)力(li)。在(zai)這個即將到(dao)來的新階段(duan)，企業將不(bu)(bu)再只是(shi)部(bu)署模(mo)型，而(er)是(shi)調度智能(neng)體(ti)(ti)。
AI 不是在邊緣運行，而是從邊緣開始思考。
對于企(qi)業而言(yan)，這(zhe)不再是(shi)一場“要不要上AI”的(de)問題，而是(shi)“能不能構建自己的(de)智(zhi)能體生態(tai)”的(de)戰略決(jue)策。
邊緣(yuan)智(zhi)能體的(de)未來，不(bu)是工(gong)具，而(er)是伙(huo)伴。它們將與(yu)人類共同決(jue)策、協同執行、長期共生。我們不(bu)是在訓(xun)練(lian)模型，而(er)是在塑造(zao)新(xin)的(de)組織(zhi)邊界、新(xin)的(de)系統智(zhi)能、新(xin)的(de)產(chan)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
