逛完IOTE 2026物联网展说实话我最大的感受不是展馆又大了多少、展商又多了多少家而是整个行业终于开始认真回答一个问题AI到底怎么真正落到一线工人的手里、巡检员的眼睛里、仓库叉车的路径里。过去几年大家都在拼大模型参数、拼榜单分数今年风向明显变了。在祥承科技的展台前我看到的是一整面墙的工业级手持终端、平板和穿戴设备每一台都在强调“现场智能”这个关键词。这不只是换了个营销说法而是AI落地的思路真的变了一个方向与其把问题传回云端不如把智能直接搬到现场。做工业物联网和边缘计算这么多年我见过太多“AI项目死在POC阶段”的案例。模型在实验室里跑得再好一到灰尘满天、气温忽高忽低的车间就失灵网络稍微抖一下识别结果半天回不来工人嫌设备重、按半天没反应干脆不用了。这些坑凡是做过现场项目的人都会懂。所以这篇文章我想借着IOTE 2026上的见闻把“现场智能”这个概念拆开揉碎聊聊AI到底是怎么一步步走进一线工作现场的以及如果你想在自己的项目里落地这一套关键环节应该怎么做。1. 现场智能到底是什么AI落地一线的最后一公里1.1 云端AI的尴尬算力很远现场很近前几年做AI解决方案大家的标准架构基本是“端侧采集 云端推理”。摄像头拍到画面通过网络传到机房GPU服务器跑完模型再把结果返回前端。这套架构在带宽充足、网络稳定、时延要求不高的场景里没问题比如工厂的质量抽检、园区的安防监控。可一旦把场景挪到真正的“一线”问题就全冒出来了。我去年跟进过一个化工园区的巡检项目。现场要求每隔两小时巡检一次识别管道有没有跑冒滴漏、仪表读数是否异常。按原来设计巡检员拿着手机拍照图片上传云端等模型返回结果。结果实测下来最常见的情况是巡检员走到装置区深处4G信号时有时无一张照片转圈传不上不去。就算传上去了识别结果也要等好几秒才回来。巡检员等得不耐烦后来干脆凭经验目测AI成了摆设。这就是云端AI在一线现场的尴尬算力离现场太远网络一抖、延迟一高整个闭环就断了。而“现场智能”解决的正是这个“最后一公里”问题。它的核心思路是把推理能力前置到边缘设备和终端上让数据采集、计算、决策在本地完成云端只负责模型更新和远程运维。说白了就是把AI从机房搬到了工人的手里和机器的边上。1.2 现场智能的三个关键词边缘、终端、场景闭环现场智能不是单一的技术而是一套组合拳。我在展会上跟祥承科技的工程师聊了很久总结下来有三个关键词最核心。第一个是边缘。算力一定要下沉。不管是手持终端里的NPU还是车间机柜里部署的边缘计算盒子总之推理不能再依赖远端服务器。边缘计算的好处不只是降低时延更重要的是确定性。网络断了、云端挂了现场设备照样能跑这对生产连续性要求极高的场景至关重要。第二个是终端。现场智能必须落到具体的硬件形态上而且这些硬件要比普通消费电子产品皮实得多。工业手持机要防摔防水防尘屏幕要在强光下看得清电池要能扛住一个班次的连续使用按键要戴着手套也能按。展会上祥承科技那排终端设备IP67防护等级是标配很多还通过了1.5米以上的跌落测试。这些参数看着不起眼但在工厂、仓库、矿山这些环境里就是设备能不能活过一年的分水岭。第三个是场景闭环。现场智能一定要跑通“感知—识别—决策—执行”的完整链路。以巡检场景为例终端拍到仪表照片本地模型识别读数一旦发现异常系统自动在屏幕上弹窗警示同时把告警记录同步到管理后台。整个过程不需要人工拍脑袋判断也不依赖网络畅通这才是真正的闭环。如果只做了识别没有联动后续动作那就还停留在“演示”阶段。1.3 在IOTE 2026现场看到的趋势这次在IOTE 2026上我能明显感觉到“现场智能”正在从概念走向产品化。以前各家展示AI能力PPT上都是架构图这次祥承科技直接把场景搬到了展台上现场搭了一条微型产线观众可以拿着它们的手持终端扫条码、识别物料、模拟入库。现场智能的落地还带来一个明显变化硬件厂商开始下场做算法。过去算法公司只卖模型硬件厂商只卖壳子两边要拼装在一起才能干活。现在头部厂商直接把模型预装进终端里开箱即用对用户来说门槛低了很多。这个趋势对大企业未必有吸引力但对大量中小型制造企业来说是好事。2. 现场智能的核心技术拆解算力、终端与算法怎么配合2.1 边缘算力的选型NPU、GPU、CPU到底怎么权衡聊到现场智能绕不开的一个问题就是边缘设备上的算力到底怎么选。展会上有个观众问得特别直接“我这个场景跑一个人脸识别加一个安全帽检测是买带NPU的芯片还是直接上GPU”这个问题很典型搞明白它的逻辑其他场景就能触类旁通。我的看法是优先看功耗和散热约束。一线现场的终端设备多数是电池供电就算插电也往往对散热有严格限制。GPU单卡功耗动辄两三百瓦塞进手持设备根本不现实就算放在机柜里车间没有空调的情况下也会热得掉性能。所以绝大多数现场终端尤其是在手持设备上走的都是NPU路线。NPU这种专用芯片对CNN类算法特别友好比如YOLO系列目标检测、人脸识别、OCR这些常见任务跑起来又省电又快。我见过一颗功耗只有5瓦左右的边缘芯片跑一个轻量化的YOLOv5s模型帧率能到二三十FPS这个性能在巡检和安防场景里完全够用。当然如果场景要跑较大的大语言模型或者做多模态推理单靠端侧NPU还是吃力。这时候我一般建议采用“端侧初筛 云端大模型兜底”的混合架构。端侧先快速过滤掉99%的正常画面只把疑似异常的数据传到云端做深度分析带宽和算力成本都省了体验也流畅。这个思路在合规上也更稳妥很多场景的数据压根不允许全部上传到外部。2.2 终端形态怎么定手持、穿戴、固定与车载现场智能的终端形态直接决定了工人愿不愿意用它。这个道理说起来简单实际项目里却经常被忽视。我给好几个客户做过终端选型每次都要反复强调不是参数越强越好而是越适合操作习惯越好。手持终端是当前出货量最大的形态适合巡检、盘点、出入库这类需要人工逐点确认的场景。选型时我重点看三个点握持手感、屏幕可读性、扫码性能。工业手持机因为要兼顾防护机身普遍偏重单手握持长时间操作容易疲劳最好选带人体工学倒角的机型。屏幕在户外或强光车间里一定要看得清很多低端机器的屏幕一晒太阳就黑乎乎一片这在室内演示时根本发现不了。扫码是另一个易踩坑的地方普通手机扫码识别污损条码很吃力而工业手持机专用的扫描引擎面对磨损、褶皱、反光的条码往往能一次扫过这个差距直接反映在作业效率上。穿戴设备则是这两年兴起的新方向适合双手被占用的场景。比如仓库拣货员戴上智能指环或腕带扫一下货架条码屏幕上自动弹出拣货数量整个过程不用掏手机效率提升非常明显。还有一类是AI视觉头盔最早从电力巡检、煤矿这类特种行业火起来现在越来越多制造业客户也来问因为头盔上的摄像头可以把老师傅的视野实时共享给远程专家两边看着同一个画面沟通效率完全不同。固定式设备则更适合无人值守的场景比如闸机口的安全帽识别、厂房门口的车辆识别。这类设备不用太纠结体积和重量但一定要关注环境适应性室外要防水防尘低温环境要考虑是否要加加热模块。车载终端是物流场景的主流主要分前装和后装两类核心要求是抗震、耐高低温以及能够对接车辆CAN总线。选型前一定要想清楚你的作业流里工人是什么姿态、手是否空闲、现场有没有电源这些因素比芯片跑分重要得多。2.3 模型下沉的实操路线量化、剪枝与蒸馏有了硬件还得让模型能在这些低功耗设备上跑起来。很多团队在PC上跑模型性能很好一部署到边缘设备就卡顿原因多半是模型压根没做过“瘦身”。模型下沉到现场我一般按三个步骤做优化量化、剪枝、蒸馏。量化是首选的优化手段也是效果最显著的一步。原理很简单把模型里32位浮点参数变成8位整数甚至更低位宽模型体积直接缩到四分之一左右推理速度大幅提升。代价是精度会有轻微损失但以我实操的经验对于检测识别类任务用INT8量化后平均精度下降通常控制在1个百分点以内现场完全可接受。现在主流推理框架都支持训练后量化比如TensorRT、OpenVINO、ONNX Runtime都有现成的工具链门槛并不高。剪枝则是把模型里对输出贡献很小的神经元和连接去掉相当于给模型做“减脂”。这一步对场景特别敏感同一个模型在不同数据集上剪枝最优比例差别很大。我的建议是先从30%的稀疏率试起逐步加码每一步都跑一遍验证集一旦精度掉得多了就往回退。蒸馏则是用一个大的、精度高的模型去“教”一个小模型让小的去逼近大模型的输出。这个训练成本最高一般用在大模型向端侧迁移的场景比如把桌面级检测模型蒸馏成手机端能跑的超轻量模型。这三招怎么配合使用我的经验是先把原始模型做浮点训练的验证确认精度达标后先量化看精度损失情况如果量化后精度掉得不多那就直接用如果掉了先做剪枝再量化最后再用蒸馏兜底。顺序别搞反了好多人一上来就蒸馏成本高不说未必能解决量化的损失问题。3. 一线场景的落地路径从试点到规模化3.1 工业巡检把老师傅的经验变成算法参数工业巡检是现场智能最典型的应用场景之一也是我接触最多的项目类型。为什么说“最典型的”因为巡检天然符合现场智能的特征点位分散、环境复杂、网络条件差、结果要求即时。做巡检AI最困难的地方不是训练模型而是如何定义“异常”。一个经验丰富的老师傅通过听声音、摸温度、看颜色就能判断设备是不是要出问题。但这些经验怎么变成算法的判断标准我踩过不少坑之后总结出的方法是分两步走。第一步把巡检项结构化。不要一开始就做“大规模异常检测”先聚焦可量化的单点识别比如表盘读数识别、指示灯状态识别、阀门开合状态识别。这些任务有清晰的标准答案模型训练和验收都容易。第二步再在结构化的基础上做联动推理。比如读数超过阈值的同时设备温度异常这时候系统给出更高的风险等级。这个联动逻辑在边缘端做规则引擎完全可行不必非要大模型。部署形态上我推荐“手持终端 边缘基站”的组合。巡检员手持终端负责近距离拍照识别车间关键点位部署固定式摄像头做24小时监测两者数据在同一个边缘节点汇聚。这样既覆盖了人的灵活性又兼顾了设备的连续性。3.2 仓储与供应链订单、库存、设备的现场协同仓储物流是我认为现场智能ROI最明显的领域。为什么因为仓储里每一单操作的效率都可以被准确量化AI带来的提升能直接换算成成本节省。举个我们做过的项目一个电商仓库日均出库几万单原来拣货员靠记忆和纸质单子找货新员工头一个月效率只有老员工的一半。后来给每个拣货员配了一台手持终端系统按拣货路径排序下发任务终端上直接显示货架位和拣货数量理货员扫一下条码做确认。这套系统没有用太复杂的AI技术主要靠终端、车载IoT和后台系统的协同就把人均拣货效率提升了百分之四十以上。AI在里面扮演什么角色角色很关键但也很隐形。比如纸箱上缠绕膜破损导致扫码失败AI增强的解码算法能快速识别污损条码再比如货架上的商品被放错位置终端拍照后AI能直接识别出异常在错放造成严重后果前就发出提醒。设备协同这块叉车加装防碰撞AI模块也很有价值。通过视觉识别叉车在接近人员或障碍物时自动减速报警。这类模块直接嵌入车载终端不依赖网络响应在毫秒级和传统雷达方案互为补充可以说是我见过最实用的现场智能应用之一。3.3 门店安全与服务现场智能的轻量切入制造业之外我观察到一个快速增长的领域是零售门店。这里的现场智能更轻量但离消费者更近落地也更快。门店的典型需求是安全合规和运营提效。安全方面最常做的就是明厨亮灶AI通过固定摄像头识别后厨未戴帽子、未穿工作服、吸烟等行为实时提醒。运营方面通过客流统计和热区分析门店可以知道哪个货架前停留的人最多、哪个时段进店率最高这些数据直接指导陈列和排班。门店场景和前两个场景有个明显不同业主普遍没有专门的IT团队设备好不好用、部署复不复杂直接决定了项目能不能签下来。我建议非专业团队优先选择“摄像头 智能边缘盒子”的一体化方案开箱即用厂商远程配置好模型本地只要通电连网就能跑。另一个实用技巧是先从最轻的合规场景切入比如只做后厨穿戴识别这类需求考核标准明确、客户感知快项目成功率高后续再从单点扩展到多场景。4. 选型与部署实操给要上现场智能的团队一份避坑清单4.1 看参数不如看场景算力与功耗的平衡不少团队选边缘设备喜欢直接对比TOPS每秒万亿次操作这个指标。TOPS重要但绝不是唯一的指标而且这个数据的水分比很多人想象的要多。我在展会上看到两台设备标称算力相同但实际跑同一个模型一台的帧率比另一台高出一大截。差距出在哪里主要是芯片底层对模型算子的支持程度不同有的芯片对某些卷积算子做了极致优化有的则完全靠通用计算硬扛效率差了可能好几倍。正确的选型方式应该是把你自己场景的模型拿到目标设备上做实测跑同一份数据集记录帧率、单次推理延迟、稳定运行后的芯片温度这几个关键指标用真实数据说话别只看宣传页上的TOPS。另外功耗和散热同样是硬指标工业场景常常是密闭机柜或露天环境没有空调如果设备连续跑一个小时就过热降频推理速度会断崖式下跌项目根本没法上线。4.2 现场网络的真实约束离线、弱网与延迟我做过一个露天矿山的项目充分领教了弱网环境的威力。矿坑里基站覆盖不全设备经常长时间处于离线状态。好消息是现场智能的核心优势恰恰是离线可用但前提是架构设计时就要把离线场景考虑进去。具体来说有三条经验值得参考。第一条终端本地要有缓存机制。离线期间采集的数据先存在本地网络恢复后再自动补传保证数据的完整性。第二条模型更新要做增量包和断点续传。现场带宽有限整个模型几十上百MB网络一波动就断掉没有断点续传机制基本就废了。第三条设备要具备本地时间校准能力。如果设备长时间离线系统时间可能漂移导致数据时间戳错乱后面做数据分析会非常痛苦。解决的办法是定期从GPS或基站信号校准时间NTP在完全离线的环境里是靠不住的。4.3 部署流程中容易踩的三个坑部署现场智能设备听起来就是把设备交到用户手里。做过的人都知道真正的坑往往在那些不起眼的细节里。第一个坑是电源适配性。工业现场的插座标准和民用不完全一样有些老厂房甚至没有合适的地线。我第一次做项目时发了一批设备过去结果现场电源口不匹配只能临时买转换头耽误了整整一天工期。现在我的习惯是部署前先发一张现场环境确认表让用户提前拍好电源接口、安装位置的实景照片对清楚再发货。同理安装位置也要提前确认尤其是有没有网络覆盖死角、会不会被雨淋。第二个坑是外设兼容性。很多场景需要连接扫码枪、标签打印机、蓝牙耳机这类外设但不同品牌之间的兼容性是个大坑尤其是蓝牙协议栈各自为政经常出现连不上的情况。我的建议是在采购硬件时直接跟厂商要一份经过验证的外设兼容列表千万别指望所有设备都天然互通。第三个坑是人员培训被忽略。再智能的设备没人会用就等于零。我见过太多项目设备发下去操作手册往车间一扔就没人管了。结果工人不会用觉得难用慢慢设备就闲置了。现在我做交付一定会安排至少两轮现场培训第一轮讲基础操作第二轮隔一周再讲专门解答实际使用中遇到的问题。第三轮是让工人演示确认他们真的会用而不是培训的时候点头回头就忘。5. 常见问题与排查实录一线现场AI的疑难杂症5.1 识别精度在白天晚上差异大怎么办有朋友跟我反馈他们部署的AI摄像头白天识别率很高到了晚上就频频误报。这个现象非常典型多半是训练数据分布和现场环境不一致导致的。你拿到手的模型可能大部分训练样本是白天的夜间的样本很少甚至没有模型自然学不好夜间的特征。解决思路有几个层次。最简单粗暴的是补充夜间的数据重新训练或微调模型这是最彻底的方法。如果暂时没有数据补充可以尝试在预处理环节做文章比如开启设备的红外补光、调整图像增强算法。另外许多设备支持自动切换白天模式和夜间模式但切换阈值设置不合理会导致黄昏时段模型在两种模式之间反复横跳识别结果自然不稳定。建议把切换阈值调得保守一些用“迟滞”的方法避免频繁切换。5.2 设备发热降频导致推理变慢很多边缘设备用着用着速度就变慢了重启之后又恢复过一段时间又慢下来这是典型的“过热降频”现象。工业现场如果设备在户外暴晒或者在密闭机柜里问题会更明显。排查思路很简单用厂商提供的工具监控芯片温度曲线看温度是不是在稳定上升后保持在某个高位同时伴随推理帧率同步下降。如果确认是过热降频优先从物理散热入手比如加装散热片、风扇或者把设备移到通风更好的位置。如果物理条件改不了再从软件层面做降级策略比如动态调整帧率在高温时自动跳帧或者切换到轻量级模型保证不彻底罢工。这个策略在部署时需要提前和客户沟通好让他们理解在某些极端环境下设备会以降低帧率的方式保证可用性。5.3 模型更新机制怎么设计AI模型上线后不是一劳永逸的现场数据一直在变化模型需要持续迭代。我见过不少团队模型更新靠工程师抱着笔记本到现场一台台刷机费时费力还容易出错。更糟糕的是一旦中途断电设备可能变成“砖头”。现在正规的做法是通过OTA远程更新。要想OTA稳定落地有几个要点一是模型版本管理要做扎实回滚机制必不可少新模型出问题时要能一秒回退到旧版本二是更新包要做校验防止传输过程中数据损坏三是建议先在少量试点设备上灰度发布验证没问题了再全量推送。另外千万不要忽略设备和云端的时间同步如果设备系统时间不正确所有版本的先后顺序可能错乱真到排查问题的时候会相当头疼。写在最后的一点体会说实话这次IOTE 2026逛下来我最深的感触不是某项技术多惊艳而是越来越多团队开始正视一线现场的真实约束网络会断、环境很恶劣、工人会疲惫。祥承科技喊出“现场智能”本质上就是把AI从高高在上的云端拉回到地面让它去适应现场而不是让现场去迁就AI。我个人在实际项目中的体会是凡是能跑起来、用起来、产生价值的AI从来都不是参数最大、模型最花哨的那一个而是最懂现场、最皮实耐用、最能把一个小闭环走完的那一套。如果你正准备在自己的工厂、仓库或者门店尝试现场智能我的建议很简单别贪大找一个最痛的点用最稳的设备先跑三个月数据会告诉你下一步该往哪里走。