2025边缘AI报告：即时自主智能，技术基础从范式创新到AI硬件

在最后一篇文章《巨人进入TinyML，端边和边缘AI迎来新的转折点》中，我提到TinyML基金会重塑了品牌，改名为边缘智能。（Edge AI）基金会。

近日，边缘智能基金会发布了2025年最新版本的《2025边缘AI技术报告》。本报告全面扫描总结了边缘智能和微型机器学习TinyML的发展方向。

根据报告内容，TinyML的成熟程度可能超出了很多人的预期，现实场景中已经出现了很多应用案例。

报告的亮点如下：

技术推动边缘AI的因素：报告深入探讨了支持边缘AI部署的软硬件进步，重点关注专用处理器和超低功耗设备的创新。这些创新正在克服处理能力和可扩展性在资源有限环境下的限制。

边缘AI在行业转型中的作用：该报告揭示了边缘AI如何通过实时分析和管理能力来影响各行业的商业模式。

未来技术与创新：报告的最后一章展望了联合学习、量子神经网络和神经形态计算等可能影响边缘AI未来发展的前沿技术。

所以，在今天的文章中，我们将共同整理《2025边缘AI技术报告》的精髓，充分了解TinyML和边缘AI的最新进展和发展全景。

即时、地面、高效率：六大行业边缘AI的创新应用

随着市场对低延迟和实时处理需求的不断增加，边缘AI正在各行各业掀起一股热潮，尤其是在汽车、制造、医疗、零售、物流和智能农业领域。边缘AI通过在数据库中实时分析和决策，大大提高了效率，改善了资源配置和客户体验。

先看无人驾驶汽车领域。

随着摄像头分辨率达到千兆像素，激光雷达系统可以每秒发射数百万个激光脉冲，边缘人工智能可以加快反应时间，提高安全性。例如，为了应对罕见的驾驶状况，Waymo已经扩展了模拟和评估。同时，理想汽车预计今年年底前将从500多万个驾驶数据片段中学习端到端模型。

与此类似，随着人工智能市场的快速增长，即时边缘人工智能已经成为提高效率、减少停机时间的关键。汽车生产线繁忙：智能传感器会立即标记温度峰值或机械应力，使团队能够避免在问题升级前中断。受汽车工业的启发，蔚来的NWM(NIO世界模型)展现了超快速AI预测的强大功能。类似地，基于边缘AI的分析可以对生产线上的微缺陷进行惊人的精确测试。

实时数据处理正在通过结合速度、可靠性和智能设备，改变自动驾驶汽车的标准实践，为全面、更适应、更有效的未来铺平道路。

由于三个原因，边缘AI对无人驾驶汽车如此重要：

边缘系统减少了对云中继的依赖，完成了50ms以下的防撞响应时间，这对于处理行人突然过马路或高速公路突发事件尤为重要。

边缘AI促使无人驾驶汽车或半自动驾驶汽车保持安全功能(如车道保持、巡航控制自适应)，即使在蜂窝盲点。更新蜂窝车联网的5G汽车协会(5GAA)（C-V2X）强调混合V2X架构的技术路线图，将边缘处理与5G-V2X直接通信相结合。通过边缘AI硬件和传感器的整合算法，无人驾驶汽车可以将决策延迟缩短30-40%，实现低至20-50毫秒的响应时间。

将摄像机、激光雷达、雷达等边缘设备的数据集成起来，可提高感知可靠性，实现安全导航。例如，Innoviz2024年激光雷达升级版采用边缘优化神经网络，以每秒20帧的速度对点云数据进行处理，最大限度地减少障碍物检测的延迟。

接着来看看制造业。

生产线每天可以生成大量的数据。研究表明，智能工厂每周可以生成5PB以上的数据。边缘AI系统可以在当地处理这些信息，提供即时洞察和自动响应。边缘AI的影响体现在三个关键领域：预测性维护、质量控制系统和流程优化。

据报道，利用即时传感器数据分析的预测性维护系统可以降低30%的维护成本，降低45%的停机时间。边缘AI算法可以在微小异常和潜在故障发生前检测到系统的性能，从而实现主动维护，最大限度地减少意外停机时间。

在质量方面，边缘AI通过实时检查和缺陷检测提高了质量控制。例如，一家大型食品工业制造商为了质量检测和闭环质量控制，在边缘部署了视觉AI。该系统不断监控产品差异，建议调整设备设置，缩短检查周期50-75%，提高准确性。

三是在医疗卫生领域，本土化AI可以通过直接处理设备上的医疗数据，加快诊断，提高病人的治疗效果。

例如，边缘AI驱动的远程患者监测设备(如便携式心电图和血压监测仪)可以实时分析心率和生命体征。这些设备(如AliveCor和Biobeat开发的设备)允许临床医生检查心率异常和其他异常现象，而无需等待基于云的分析，从而缩短危急情况下的响应时间。

四是通过实时行为分析，边缘AI可以提升店内运营，增强用户体验，从而改变零售业。

AI驱动的智能货架和结算系统可以在不依赖云备份的情况下处理客户互动，分析购买方式，调整库存预测。零售商正在部署AI驱动的视频分析来测试人流异常，监控库存水平，减少结账时间，从而提高效率，降低企业成本。

在运营方面，基于人工智能的智能零售在2025年展现了应用价值。人工智能驱动的计算机视觉可以实现完全的非接触交易，将平均结账时间缩短30%。Amazon Fresh已经通过在货架或手推车上安装摄像头，在客户离开时自动结账，并提供实时消费浏览。

Just亚马逊 Walk Out（JWO）该系统是零售边缘AI的典范，集成了传感器阵列、设备分析和先进的机器学习模型。所有计算均在定制边缘硬件上进行本地处理，实现实时决策，提高客户便利性和运营效率。

五是边缘AI与物联网传感器集成，通过直接处理配送中心、仓库和运输枢纽的物流数据，提高了物流的智能化。

智能化传感器不需要向集中型服务器传输大量信息，而是对温度波动、运动异常和库存短缺进行现场分析，并在发生偏差时触发即时报警。例如，P&O Ferry Masters利用人工智能驱动的船舶装载程序提高了10%的运输能力，从而保持了整个供应链的实时可见性。另外，预测人工智能驱动有助于减少20%的物流运费。

为了满足全球日益增长的粮食需求，边缘AI最终正在帮助智慧农业扩大精确种植。

预计到2050年，全球人口将达到98亿，为了满足日益增长的粮食需求，最大限度地减少环境污染，农业必须智能地扩大规模。边缘人工智能使农场能够扩大其技术覆盖面，分析土壤类型，监测天气模式，实施自动喷灌系统，而不增加复杂性。

先进的传感器和AI模型在检测到土壤湿度或害虫活动等因素时进行评估，然后迅速采取治疗措施，而不是将数据发送到远程服务器。CrackSense等项目展示了如何保证柑橘、石榴、葡萄等作物的水果质量，减少灾害和浪费。

边缘人工智能灌溉系统的配置已经显示出效果，水分分配可以根据局部土壤水分分析动态管理，用水量可以减少25%。同样，人工智能驱动的害虫检测可以减少30%的农药用量，保证精准农业，最大限度地减少浪费。

边缘AI生态系统：三层结构下的协同创新

如今，边缘AI生态系统正处于一个关键阶段:项目的成功取决于硬件供应商、软件开发商、云供应商和行业利益相关者的共同合作。这种状态可能会持续很长时间，所以企业之间的相互合作成为焦点。

如果没有互操作标准、可扩展的部署模式和共享的R&D工作，边缘AI可能会碎片化，从而限制其在制造业、医疗卫生和物流等关键应用领域。

一般认为边缘AI生态系统选择三层结构，将计算工作负荷分配到边缘设备、边缘服务器和云平台。这种结构允许AI模型在需要时使用更高的计算能力，同时在边缘进行即时推理。每一层都在智能决策的处理、总结和优化数据方面发挥着独特的作用。

与现实世界数据交互的第一点是边缘设备和智能终端。这些设备包括物联网传感器、工业机器人、智能摄像头和嵌入式计算系统，它们分布在制造业、医疗卫生、汽车和零售环境中。它们的主要功能是低延迟AI推理——数据可以在现场处理，无需连续的云连接。

作为边缘设备和云之间的计算中介，边缘服务器。这些服务器一般安排在施工现场、医院、零售店和无人驾驶汽车网络中，用于总结来自多个来源的数据，实现更复杂的AI工作负荷。边缘服务器的一个关键优点是本地AI推理:更重的模型可以运行，而无需将数据卸载到远程数据中心。这降低了与云依赖相关的延迟、带宽成本和安全隐患。

在这里，我们需要区分边缘计算和智能终端。虽然一般可以归为同一类，但“边缘”和“终端”因功耗、尺寸、计算率等限制而有显著差异，不能用同样的思路来处理。边缘设备(如嵌入式摄像头或工业传感器)专门为低功耗AI推理设计，而功能更强大的边缘服务器则充当中介，处理复杂的AI工作负荷，然后将数据转发到云端。

云对模型开发、大规模数据分析和存储至关重要。这是深度学习模型在优化和部署到边缘之前练习的支柱。经过训练，AI模型将部署到边缘设备和边缘服务器，并在生产环境中执行推理任务。云还充当了AI模型监控、分析和集中安排的骨干，确保部署在1000多个甚至数百万个边缘节点上保持高效。

虽然三层结构包含了边缘AI的全貌，但企业间的跨境营销却在进行得更加紧密。

半导体公司正在与AI开发人员合作，以提高专用硬件模型的效率；云提供商正在整合边缘原始计算解决方案；研究机构正在与行业领导合作，以促进可扩展结构。

在硬件和云协作方面，英特尔利用其边缘AI合作伙伴支持包来促进边缘AI的选择。该计划为用户提供加速边缘AI部署的工具、框架和技术资源。

另外一项值得注意的合作涉及到高通和Meta，他们致力于将Meta的Llama大型语言模型直接集成到高通的边缘Cpu上。这一合作关系减少了对LLM的依赖，使设备能够在现场实施AI工作负荷。

为了提高边缘AI效率，MemryX和Variscite还宣布建立战略合作伙伴关系。MemryX的AI加速器和Variscite的系统模块（SoM）解决方案的结合，简化了边缘设备上的AI部署，特别是对工业自动化和医疗卫生的应用。

Google与Synaptics合作开发了边缘人工智能系统。GoogleKelvin 适应机器学习的MLIR Synaptics将集成到核心。 Astra AI-Native IoT计算平台。两家公司将共同努力，定义可穿戴设备、家用电器、娱乐和监控等应用。 Edge情境感知计算多模式处理的最佳实现。

一些国家推出了边缘AI试点项目和合作平台，在促进边缘AI研究和部署方面发挥了至关重要的作用。

在英国，国家边缘人工智能中心是联合学术界、工业界和公共行政推进边缘人工智能技术的合作平台。该中心由纽卡斯尔大学牵头，汇集了来自英国各地机构的多学科团队，其使命是提高医疗卫生和自动驾驶电动汽车的数据质量和决策准确性。

同理，美国国家科学基金会的NAIRR试点项目也是一个实现AI普及的大型项目。英特尔，英伟达，微软，Meta、OpenAI和IBM等领域的参与者为AI应用程序的研究人员提供了计算能力和AI工具，以开发安全节能。

从联邦学习到神经形态计算：边缘AI的五大前沿趋势

随着技术的快速发展，边缘AI的五大新趋势正在重塑人工智能系统，包括联邦学习、边缘原生AI模型、量子增强智能和边缘生成AI。这些趋势相互结合，无人驾驶汽车可以相互训练，无需依赖集中数据；医院可以根据患者数据实时进化安排AI模型，确保高度个性化的治疗；工业机器人会在故障发生前进行智能运行检查和修复，以预测智能运行。

神经形态计算、多智能体强化学习、后量子密码学等方面的新创新。也重新定义了边缘AI的各种可能性，使人工智能系统更快、更安全、更高效。

1. 联邦学习：边缘去中心化智能

联邦学习（FL）隐私保护正在发展成为分散智能的基石。未来五年，联邦框架有望积极增强模型适应性、自主性和跨行业合作。市场预测，到2030年，联邦学习有望实现近3亿美元的市场价值，预计复合年增长率为12.7%。

联邦学习演变的另一个主要驱动力是与6G等下一代网络的融合。随着边缘部署规模的扩大，极低的延迟网络将使AI模型在分布式设备之间更有效地同步，从而减少优化和部署更新所需的时间。量子联邦学习（QFL）为了减轻设备间的通信负担，使大型物联网网络的通信过程更加高效，它的出现也在被探索。

2. 量子计算和量子神经网络边缘

边缘AI的功能将被量子计算重新定义。虽然今天的边缘AI依赖于优化的深度学习模型和低功耗硬件加速器，但量子计算引入了一种完全不同的方法:使用量子态来处理指数级增加的数据集，并以传统方法无法实现的速度提高决策。配合量子控制部件（QPU）超越云基础设施，混合量子-经典AI将出现在边缘，提升金融、医疗、能源、工业自动化等领域的即时管理能力。

量子神经网络（QNN）它是一种新型的AI模型，它利用量子特性来测试数据中的方法和关系，而“传统AI”很难做到这一点。QNN可以以更紧凑、更有效的方式处理数据，不同于当前需要增加功率和内存来提高性能的神经网络。

到目前为止，量子计算仅限于基于云的数据中心，因为它的硬件要求(包括极端冷却)。然而，移动QPU的最新进展很可能使量子算法在室温下运行成为可能。未来几年，量子计算将不仅限于云，还可以嵌入边缘自主系统、工业机器人和物联网设备。

3. 边缘人工智能的自主人形机器人

在下一阶段，人形机器人将由具体智能定义，其中人工智能模型变得更具适应性、响应性和自我提升。

在零售环境中，人形机器人可以通过回答口头询问、分析面部情绪、浏览店铺布局来帮助顾客。同时，在医院和养老院，人工智能机器人可以监控患者，协助行动，检查可能预示医疗紧急情况的微小行为变化，所有这些都通过设备端处理来保证数据的隐私和安全。

4. AR//人工智能驱动VR：进化的下一个方向

增强现实（AR）和虚拟现实（VR）边缘AI不再局限于游戏和娱乐，而是推动这一发展的关键因素。下一代AR/VR设备将在当地处理数据，从而实现实时响应，提高能源效率。

AI驱动的空间计算将允许AR眼镜和VR耳机根据前后文动态管理叠加，深度感知与环境互动。

在工业环境中，这意味着AR驱动的工作空间将为工程师提供免提和AI生成的指令，可以实时适应现实世界的情况。在医疗卫生领域，AR协助手术将整合AI能力，以提高精度，并根据外科医生的行为在几毫秒内更新，而不会出现云造成的延迟。

5. 神经形态计算：未来低功耗人工智能

神经形态计算通过引入大脑启发结构，有望在边缘AI领域越来越受欢迎，在能源效率和处理能力方面具有显著优势。神经形态系统不同于传统的内存和控制部件分离计算系统，它集成了这一功能，模仿了人脑的并行和事件驱动特性。这一设计使他们能够以最小的能耗处理复杂的实时数据处理任务，使之成为边缘应用的理想选择。

例如，在《自然》杂志2022年的一项研究中，NeuRRAM芯片数值模拟架构的能效是最先进的“内存计算”芯片的两倍，在没有云连接的情况下，可以在边缘设备上执行复杂的认知任务。这一飞跃反映了从台式电脑到智能手机的转变，解锁了曾经被认为不可能的便携式应用。

神经形态芯片可以重新定义智能在边缘的部署方式，研究和早期的商业部署说明。

写在最后

从无人驾驶汽车到智能制造，从医疗健康到零售物流，再到智能农业，边缘AI正在重塑各行各业。边缘AI通过将人工智能的力量带到数据根源，完成了前所未有的实时洞察、自主决策和资源优化。

其崛起意味着人工智能从集中云模型向分布式智能的根本转变。

随着边缘AI生态系统的成熟，创新的步伐正在加快。前沿技术正在重新定义边缘AI的概率，从联邦学习到神经形态计算，从量子增强智能到人工智能驱动的增强现实。展望未来，边缘AI有望成为推动行业变革和社会进步的关键力量。

本文来自微信公众号“物联网智库”（ID：作者：彭昭，36氪经授权发布，iot101)。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com