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。
