芯耀
146
作者：彭昭（智次方創(chuàng)始人、云和資本聯合創(chuàng)始合伙人）物聯網智庫 原創(chuàng)
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(tǒng)”自組織形成任務協同：無人機負責視覺識別與路徑分析，地面機器人完成執(zhí)行與反饋。整個過程無需人的干預，也無需連接遠程云平臺。
這不是科幻，而是邊緣AI從推理引擎邁向協作智能體的真實演進。
過去幾年里，邊緣AI的演進路徑清晰可見——從最初的TinyML微型機器學習探索低功耗AI推理，到邊緣推理框架的落地應用，再到平臺級AI部署工具的興起，以及最近大熱的垂類模型，我們已經實現了“讓模型跑起來”的任務。
然而，邊緣AI的下一步，不是繼續(xù)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？
這一局限，正是邊緣AI走向更高智能形態(tài)的“隱形天花板”。
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(tǒng)、執(zhí)行任務。這正是邊緣AI從靜態(tài)推理向動態(tài)智能體演進的起點。
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。
在本文中，我們將基于最新的市場數據、技術進展與平臺趨勢，探討邊緣AI如何從模型部署進化為智能體操作系統(tǒng)，以及這一趨勢將如何重塑智能終端的交互方式、系統(tǒng)架構與商業(yè)價值。
從模型部署到系統(tǒng)自治，AI智能體正在邊緣落地
在過去，企業(yè)部署邊緣AI的主流方式依然是“模型驅動+平臺調度”的組合范式：開發(fā)一個模型，部署到一個終端，通過邊緣平臺完成資源調配與狀態(tài)可視化。
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(guī)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(tǒng)是否具備自治能力？
這種關注點的轉變，已經在企業(yè)決策層面清晰顯現。
根據ZEDEDA公司于2025年初發(fā)布的全球CIO調研報告顯示，97%的受訪CIO表示企業(yè)已部署或計劃在未來兩年內部署邊緣AI；54%的企業(yè)明確希望邊緣AI成為系統(tǒng)級能力的組成部分，而不再是孤立的單點功能；更值得注意的是，48%的企業(yè)將“減少對云的依賴、提升本地自治響應能力”列為下一階段的重點目標。
這組數據背后正反映出一個產業(yè)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(tǒng)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(tǒng)的模型部署范式，邊緣智能體不再是一個被動執(zhí)行的推理引擎，而是一個具備感知、決策、行動與協同能力的最小智能單元。它不僅能運行模型，更能根據環(huán)境狀態(tài)、系統(tǒng)規(guī)則與任務目標，在本地發(fā)起行為、協商角色、分配資源，成為邊緣系統(tǒng)中具備能動性的基礎智能節(jié)點。
以一個智能制造場景為例，可以直觀理解邊緣智能體的價值鏈條：當傳送帶上的攝像頭識別出物料存在缺陷時，視覺檢測智能體會立即生成事件信號；這一信號觸發(fā)物料搬運智能體自動調度移動機器人進行問題物料的轉移；緊接著，質檢智能體在收到信號后展開二次復核；最終，MES系統(tǒng)智能體同步更新生產排程與下一工序計劃。
整個流程從異常識別到任務執(zhí)行，不再依賴中心化的調度系統(tǒng)，而是通過多個邊緣智能體在本地自主協作完成。這種“感知—決策—協作—反饋”的閉環(huán)，不僅提升了響應效率，也讓系統(tǒng)具備了高度的彈性與適應性。
如果說模型部署解決了“設備是否具備思考能力”的問題，那么智能體部署則進一步回答了“設備是否具備參與能力”的命題。而要真正實現這種參與性，邊緣智能體必須具備一套完整的能力體系。
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）。
智能體必須能夠理解其所處的環(huán)境，讀取和解析來自圖像、聲音、溫濕度、振動等多模態(tài)傳感器的數據，并結合上下文信息進行任務判斷。ZEDEDA的調研顯示，已有超過六成的企業(yè)在邊緣設備中部署了多模態(tài)AI模型，這為智能體提供了豐富的環(huán)境感知基礎。
其次是協同層（Coordination）。
一個智能體無法完成所有任務，真正的智能系統(tǒng)依賴于多個智能體之間的高效協作。這種協同并非簡單的數據交換，而是基于狀態(tài)共享、角色協商與任務分工的智能代理網絡。協同能力，使邊緣系統(tǒng)從設備互聯升級為智能互助。
最后是經濟層（Economy）。
當邊緣智能體開始具備任務接單、資源協商、成本控制等行為能力時，它們也自然成為了機器經濟的參與者。這一層的實現基礎，是設備錢包、加密身份以及可編程合約機制。根據我在文章《端側AI井噴+虛擬貨幣改觀,設備錢包開啟AI代理經濟之門》中的判斷，未來AI設備之間的M2M交易總量有望超過人類之間的交易總額，智能體將成為邊緣經濟網絡中的活躍節(jié)點。經濟能力，不僅讓智能體具備了執(zhí)行的能力，更讓它們具備了協作的價值。
感知、協同與經濟三層能力，共同構成了邊緣智能體的“PCE能力棧”。它不僅定義了一個智能體應當具備哪些能力模塊，也為未來邊緣AI平臺的系統(tǒng)設計提供了參考框架。
為什么邊緣智能體需要一個AI操作系統(tǒng)？
盡管邊緣AI近年來實現了從模型部署到平臺化管理的躍遷，但目前主流的邊緣AI平臺仍然停留在“模型運行環(huán)境”的層級。然而，當AI從模型進化為智能體，這種傳統(tǒng)平臺范式便顯得力不從心。
原因在于，智能體并不是一個靜態(tài)推理服務，而是一個具備狀態(tài)感知、任務協商與自主行動能力的動態(tài)服務。它需要的不僅是執(zhí)行空間，更是一套完整的操作系統(tǒng)。
我們稱之為“邊緣AI操作系統(tǒng)”。
相較于傳統(tǒng)的AI平臺，邊緣AI操作系統(tǒng)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。在邊緣設備中，AI模型可能運行在CPU、GPU、NPU甚至ASIC等多種計算單元上。如何在這些異構算力間進行動態(tài)分配與負載均衡，成為操作系統(tǒng)級的技術挑戰(zhàn)。
其次，一個真正的邊緣AI操作系統(tǒng)應當支持多智能體運行時管理（Runtime）。這意味著系統(tǒng)不僅要跑模型，更要調度智能體：包括智能體之間的狀態(tài)感知、任務調度、權限控制與行為協調。
這也引出了AI OS的第三個核心能力：任務-資源-狀態(tài)三位一體的調控機制。在傳統(tǒng)平臺中，任務通常是靜態(tài)配置的，資源分配是按需調用的，狀態(tài)管理則依賴于外部監(jiān)控。而在智能體系統(tǒng)中，這三者是動態(tài)耦合的：一個智能體能否執(zhí)行某項任務，取決于它當前的狀態(tài)、擁有的資源，以及系統(tǒng)中其他智能體的行為反饋。
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(tǒng)的范式重構。
如果說傳統(tǒng)操作系統(tǒng)是為程序而生的，那么即將到來的邊緣AI操作系統(tǒng)，則是為智能體而生，它不僅要懂硬件、懂模型，更要懂行為、懂協同、懂生態(tài)。
當前，CIO們面臨的并不是“是否部署AI”的問題，而是“如何系統(tǒng)性地規(guī)劃AI”的挑戰(zhàn)。智能體的出現，正逐步將AI從“項目性支出”轉變?yōu)椤跋到y(tǒng)性基礎設施支出”。
來自ZEDEDA的調研表明，超過54%的企業(yè)已采用“云+邊”混合部署模式，未來兩年內預計將有超過60%的新增AI預算用于邊緣部署，其中近一半明確指向“自主AI能力”的構建。這反映出企業(yè)AI支出的結構正在發(fā)生根本變化：從以CAPEX為主的“模型采購+部署費用”，轉為以OPEX為主的“智能服務+智能體訂閱”。
企業(yè)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(yè)不再一次性購買某個模型，而是訂閱某類智能體功能，并按效果進行計費。這一切意味著，邊緣智能體系統(tǒng)的產業(yè)化路徑即將加速。
從“模型能跑”到“智能體能活”的四個門檻
盡管邊緣智能體的未來日漸清晰，技術路徑也逐步展開，但從“模型能跑”走向“智能體能活”，并非一次線性演進，而是一場跨越四重門檻的系統(tǒng)性升級。
首先，調度復雜性是當前最現實也最棘手的問題之一。
邊緣場景天然異構，設備種類多樣，算力結構不一，網絡條件時斷時續(xù)，智能體所依賴的模型、資源與傳感器接口不盡相同，導致統(tǒng)一調度策略難以奏效。更復雜的是，智能體本身具有動態(tài)狀態(tài)，其行為具有環(huán)境依賴性和時序波動性，調度系統(tǒng)不僅要分配資源，還要理解智能體的當前意圖與可行性。
其次，模型多樣性構成了第二重門檻。
邊緣AI的實際應用中，越來越多的任務需要通用語言模型與垂類行業(yè)模型協同工作。然而，這兩類模型在運行機制、輸入結構、算力需求與響應時限上差異顯著，傳統(tǒng)的模型中心式調度已難以滿足智能體協同式運行的需求。
更具挑戰(zhàn)性的，是第三個門檻——數據隱私與合規(guī)性。
邊緣AI的最大特征在于本地化智能，這也意味著它所依賴的數據高度私有化、敏感化，涉及企業(yè)運營指標、用戶行為軌跡、生產鏈條狀態(tài)等核心資產。在傳統(tǒng)AI中，數據上傳云端統(tǒng)一訓練與推理，但在智能體系統(tǒng)中，數據常常只在本地生成、處理與決策，系統(tǒng)如何在不違反數據隱私的前提下實現智能體的協同與學習，成為一道難解之題。
最后，智能體治理問題逐漸浮出水面。
多個智能體在同一系統(tǒng)中協作運行，其間不可避免地會出現資源搶占、任務沖突、策略競爭甚至信息欺騙等現象。傳統(tǒng)的任務優(yōu)先級體系在智能體的體系中變得復雜，尤其當智能體具備學習能力或自我更新能力時，其行為路徑將變得不可預測，系統(tǒng)風險隨之上升。
唯有跨越這四重門檻，智能體才能真正“活起來”，不僅能運行、能協作，更能在復雜系統(tǒng)中持續(xù)進化、自我修復與安全運行。
寫在最后
邊緣AI的未來，不在于部署更多模型，而在于激活更多“能理解、能行動、能協作”的智能體。所謂智能，不再是云端的算力堆疊與模型推理，而是機器在物理世界中擁有了感知與目的，在本地環(huán)境中具備了反應與判斷的能力。在這個即將到來的新階段，企業(yè)將不再只是部署模型，而是調度智能體。
AI 不是在邊緣運行，而是從邊緣開始思考。
對于企業(yè)而言，這不再是一場“要不要上AI”的問題，而是“能不能構建自己的智能體生態(tài)”的戰(zhàn)略決策。
邊緣智能體的未來，不是工具，而是伙伴。它們將與人類共同決策、協同執(zhí)行、長期共生。我們不是在訓練模型，而是在塑造新的組織邊界、新的系統(tǒng)智能、新的產業(yè)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：ZEDEDA
3.16 Changes to AI in the Enterprise: 2025 Edition，來源：a16z.com
4.Why is EDGE AI growing so fast，來源：imaginationtech.com
