无论人工智能出现在运营的哪个环节，它在制造业中都扮演着两个角色：
- 迅速行动，立即对机器采取行动。
- 学习贯穿于各个运营环节，从而随着时间的推移不断提升绩效。
但这些工作负载的要求并不相同。’ 有些决策必须实时做出，就在数据产生的地方。 另一些方法则依赖于分析生产线、工厂和车队的模式。
为了应对人工智能被要求完成的所有任务，大多数制造商认为他们需要两种计算环境：边缘计算环境用于提高速度和响应能力，而云计算环境用于扩大规模和进行训练。
但人工智能在制造业的未来取决于能否将这两者充分利用起来。
为什么云端 AI 与边缘 AI 的思维模式存在缺陷
人们通常把云端 AI 和边缘 AI 看作是二选一的选择：选择最适合你工作负载的环境，并围绕它进行构建。 但这种做法会造成不必要的权衡取舍。
为什么仅使用云端还不够
如果您的目标是训练模型或比较不同站点的数据以获得全面的性能视图，那么采用纯云方法可能更有意义。 但是，当你的应用程序依赖于机器的即时响应时，它就会崩溃 。 将所有信号都发送到云端可能会造成不必要的成本和带宽问题。
即使是短暂的延迟，对于正在监视故障或异常情况以便采取行动的模型来说也很重要；数据必须先传输到云端再返回，然后才能进行任何操作。
为什么仅使用边缘计算还不够
仅使用边缘计算的方法解决了速度问题，但也带来了新的限制。 边缘处理速度快，但彼此孤立；它无法提供跨位置正在发生的事情的可视性。 如果没有云计算，模型就无法从广泛的数据集中学习，模式要么局限于特定网站，要么完全被忽略。
例如，如果数控机床上的振动模式被证实是主轴故障的早期预警信号，那么其他运行类似设备的工厂将永远无法从这台机器上学到的经验中受益。
混合人工智能是更好的发展路径
人工智能在制造业的未来是先本地化，后云端化。 并非所有信号都需要离开生产车间。
这就是为什么许多制造商正在转向混合模式：云端 AI + 边缘 AI，而不是云端 AI 与边缘 AI 的对立。’ 每一层都在解决同一工业挑战的不同部分中发挥着核心作用。 它们共同为工厂车间决策提供了一种即时且可扩展的方法，这正是工业人工智能所需要的。
边缘处理需要立即完成的工作，而云支持更广泛的学习、全机群的协调和长期优化。 这样一来，制造商就可以在不忽略车队整体趋势或长期性能提升的情况下，做出贴近机器本身的决策。
混合人工智能应用：异常检测
让我们以实时异常检测为例，来谈谈本地优先、云支持的架构可以做什么。’
今年四月，我们在 2026 年汉诺威工业博览会 上与 Storm Reply 和 亚马逊网络服务（AWS）一起展示了这一演示，以说明由 Belden’的完整连接解决方案支持的混合 AI 架构如何实现两全其美。 随后的反馈清楚地表明了一点：制造商们渴望找到让云端人工智能和边缘人工智能协同工作的方法。
在这种设置下，边缘设备监视机器的异常行为，过滤掉重要信息，并将原始生产数据保留在车间现场。 这是通过在 Belden 边缘设备上运行 AWS IoT Greengrass v2 来进行数据采集和预处理，并使用隔离森林 AI 模型进行行为评分来实现的。
我们还运行了 CloudRail，作为容器化的 Greengrass 组件，用于 IO-Link 数据规范化。 这样一来，系统就可以在数据生成的地方实时分析运动行为。 无需等待远程系统响应。’ 其结果是决策速度更快，从发现问题到采取行动的时间更短。
仅将相关的洞察和指标定期迁移到云端，以训练模型并支持跨站点可见性。 这可以确保高效的带宽利用，并降低云端数据摄取和存储成本。 这是通过批量 MQTT 上传（每 10 分钟一次）到 AWS S3 来实现的，而不是像 IoT Core 那样逐个样本进行流式传输。 AWS 云服务用于模型训练/版本控制；更新后的模型通过 Greengrass 推送回边缘。
数字显示什么
在这种配置下，结果非常出色，真正体现了边缘人工智能和云人工智能相结合的强大威力：
-
推理时间：边缘端约 63 毫秒，云端约 442 毫秒
-
回程流量减少： 约减少 40%
-
模拟广域网中断期间的可用性： 99.2% 采用混合云，5.8% 仅采用云。
人工智能方程式的第三个组成部分：网络
人工智能在制造业的未来在于将边缘实时智能、云端可扩展智能以及连接二者的可靠 OT 网络结合起来。
一个确定性、有弹性的网络可以确保正确的数据在正确的时间到达正确的地点。 它可以让边缘设备在几毫秒内做出决策，并让云端从边缘设备“看到”的内容中学习。
如果没有它，混合人工智能在发挥价值之前就会失效。
Belden 的完整连接解决方案支持端到端的 AI，从边缘的实时决策到云端的长期学习。 当您与我们的专家合作时，您的制造企业将拥有清晰的下一步人工智能战略发展方向：构建面向边缘、面向云以及构建使两者协同工作的网络。