边缘计算
边缘计算是一种分布式计算架构，将数据处理、存储和应用部署在靠近数据产生源头的网络边缘节点上，而非集中于远程云数据中心。其核心特征包括低延迟响应、减少骨干网带宽消耗及保障数据本地化处理。边缘计算广泛应用于物联网、自动驾驶、工业自动化等对实时性要求较高的场景，是云计算体系的重要补充。
核心事实
时间轴 (近 90 天)
边缘计算是将计算和数据存储能力部署在靠近数据产生源头的位置（如传感器、摄像头、机器人控制器或本地网关），而非全部集中到远程数据中心。
与云计算相比，边缘计算通常面临算力、存储和功耗的严格限制，这迫使物理AI系统在模型选择和部署策略上做出权衡。
生产环境建议采用边缘预处理加云端推理的混合架构，边缘侧负责视频抽帧、ROI裁剪和初步过滤，云端运行更重的检测模型并聚合多摄像头数据。
边缘计算将计算和数据存储推向网络边缘，与云计算互补，负责低延迟、本地实时处理和隐私敏感任务。
在AI系统中将部分计算下放到边缘节点、减少对中央控制的依赖，可能带来更好的实时性和鲁棒性。
城市级闭环的难点在于异构数据的融合与实时性保障，需要统一的数据治理层和边缘计算能力。
实现上下文感知需要多模态传感器融合与边缘计算，部分推理在设备本地完成以降低延迟并保护隐私，部分复杂计算协同云端。
0.3B 级别的模型适合资源受限的边缘环境或高并发场景。
在本文语境下，可观测性指通过告警、边缘请求、函数调用和错误率等运行时信号推断系统内部状态的能力，尤其适用于 Serverless 和边缘计算架构。
这种“边缘计算”式的架构能显著降低数据传输带宽压力，也让实时闭环干预成为可能。
还有 40 条时间轴事件
全部知识事实 (20)
端侧本地运行模型可以改善响应速度和数据安全性，避免云端数据上传的延迟与隐私问题
75%已验证边缘计算将运算能力部署在数据产生的源头附近，带来降低延迟和减少数据上云传输两个关键优势
75%已验证本地局域网内的指令执行延迟可低至5毫秒以内，远优于云端方案50-300毫秒的往返时延
75%已验证物理AI指让AI走出屏幕、进入现实世界并与物理环境交互的技术方向，典型落地场景包括机器人、自动化设备和边缘传感系统
65%已验证本地运行AI模型需要在隐私、成本和性能之间做权衡，本地模型能力可能不及顶级云端大模型
65%已验证边缘 AI 设备采用「瘦终端 + 厚后端」典型架构，终端负责数据采集和结果展示，大模型推理和工具调用在网关或云端完成
65%已验证语义缓存、小模型路由、Prompt压缩等技术可以显著降低AI Agent的运营成本
65%已验证Gartner预测到2025年将有超过75%的企业生成数据在传统数据中心或云之外被创建和处理
85%待验证消费级AI硬件的共性挑战是延迟、成本与体验的三角平衡
60%待验证边缘计算是将计算和数据存储能力部署在靠近数据产生源头的位置（如传感器、摄像头、机器人控制器或本地网关），而非全部集中到远程数据中心。
50%待验证与云计算相比，边缘计算通常面临算力、存储和功耗的严格限制，这迫使物理AI系统在模型选择和部署策略上做出权衡。
50%待验证生产环境建议采用边缘预处理加云端推理的混合架构，边缘侧负责视频抽帧、ROI裁剪和初步过滤，云端运行更重的检测模型并聚合多摄像头数据。
50%待验证边缘计算将计算和数据存储推向网络边缘，与云计算互补，负责低延迟、本地实时处理和隐私敏感任务。
50%待验证在AI系统中将部分计算下放到边缘节点、减少对中央控制的依赖，可能带来更好的实时性和鲁棒性。
50%待验证城市级闭环的难点在于异构数据的融合与实时性保障，需要统一的数据治理层和边缘计算能力。
50%待验证实现上下文感知需要多模态传感器融合与边缘计算，部分推理在设备本地完成以降低延迟并保护隐私，部分复杂计算协同云端。
50%待验证0.3B 级别的模型适合资源受限的边缘环境或高并发场景。
50%待验证在本文语境下，可观测性指通过告警、边缘请求、函数调用和错误率等运行时信号推断系统内部状态的能力，尤其适用于 Serverless 和边缘计算架构。
50%待验证这种“边缘计算”式的架构能显著降低数据传输带宽压力，也让实时闭环干预成为可能。
50%待验证LFM 系列是为边缘和端侧设计的小参数模型，1.2B 的体量决定了它只能靠推理路径的极致压缩来优化。
50%