企业边缘端与云端AI算力合理分配方案

近年来，随着企业将AI技术深度融入机器人、工业设备及物理基础设施，一个关键挑战日益凸显：AI在计算需求方面与传统边缘应用存在根本性区别。部分决策必须在设备端本地即时完成，而AI模型本身则持续在云端进行学习与迭代——这如同人体的反射弧与大脑认知的关系，一个追求速度，一个注重深度。

Luminous Robotics与先正达（Syngenta）这两家行业领军企业的实践，生动展现了边缘-云端架构在实际场景中的落地路径。在这些场景中，网络连接质量、时延要求以及物理运营需求，共同决定了AI的具体部署形态。

AWS生成式AI创新中心为Luminous Robotics等企业提供从模型构建到性能优化的全栈技术支持。AWS新兴技术与物理AI负责人Alla Simoneau在近期召开的AWS峰会上指出，企业可以在该平台上构建大型基础模型或世界模型，也可以基于开源模型进行适配，从而有效提升作业效率与模型精度。

Simoneau强调，CIO们在边缘端与云端之间进行工作负载分配时，需要在模型类型选择及基础设施建设方面做出几项关键判断。

“作为企业CIO，我们正经历一个根本性转变——从过去依赖大语言模型、智能体等纯数字化工具，转向全面重塑企业的运营可能。这意味着CIO必须思考：我们究竟需要构建哪类模型？又需要什么样的基础设施来支撑？”

Luminous 边缘端与云端连接的AI管理实践

Luminous 已部署大规模机器人团队，专门用于太阳能农场的能源基础设施建设。据CEO Jay Wong介绍，这些太阳能农场占地面积可达15英里，机器人需要将重达100磅的太阳能板搬运并安装到支架上。

对于工业场景中的IT负责人来说，如何有效规避云端与物理AI系统之间的延迟，是一项核心挑战。Simoneau指出，Luminous机器人的AI系统运行在两个截然不同的时间维度上：机器人在本地实时做出决策，而指导这些决策的AI模型则在更长的时间跨度内于云端完成训练与更新。

“模型的所有训练成果都必须在本地设备上实时运行，但这些信息的完整序列会被上传至云端，用于训练那个持续演进的更大模型。”

数据上传至云端的频率从每隔数小时一次到每班次结束时不等。这些数据随后被用于对模型进行持续微调，更新后的模型再重新部署回机器人。Wong提到，机器人每秒能做出10次决策，但模型微调或新行为推送到机器人上则需要数天或数个班次。

Luminous机器人整合了蜂窝网络与卫星连接，模型在部署前会提前推送至本地。因此，机器人在边缘端做决策时，并不需要时刻保持与云端的连接。物理AI高级副总裁Krishna Gopalakrishnan表示：“机器人不需要持续的卫星或网络连接，只在有信号时按需进行通信，连接状态不会对正常运营产生任何影响。”

机器人持续上传GPS定位、实时遥测数据及其他运营信息，Luminous利用这些数据优化算法、微调模型并提升运营效率。Wong说：“我们正开始利用这些数据，更深入地理解施工现场的实际建设进展，构建站点数字孪生，并对施工进度进行精细化标注。”

Luminous 机器人如何采集太阳能农场的感知信息

Gopalakrishnan 提到，机器人自主下达太阳能板的搬运与安装指令，而AWS的AI模型训练与数据管理能力则提供了关键基础设施，支撑整个机器人队伍的协同调度。

Simoneau解释称，这些机器人采用了视觉-语言-动作融合模型，将视觉感知、自然语言理解与物理运动控制整合为一体。这类多功能模型适应性极强，无论是协助机器人搬运100磅还是500磅的太阳能板，都能快速响应。

“这就像一个具备动态推理能力的大脑，类似于智能体，但在物理AI场景下，它是运行于边缘端的模型。这个模型本身就是一个在边缘运行的智能体，同时可以通过智能体叠加不同指令，形成抽象化的控制层。”

Luminous机器人以每秒15帧的频率采集高分辨率图像，同时整合深度传感器、GPS、轮式里程计以及机器人七轴工业机械臂的数据。

与传统企业数据不同，用于训练物理AI的感知数据必须在自主系统实际运行的真实环境中采集。这类数据无法直接从网络获取，必须亲自采集或构建——可以是真实数据，也可以是仿真数据，或者将两者以合成的方式结合起来。

先正达利用AI 赋能农作物保护与决策支持

对于总部位于瑞士的农业科技巨头先正达而言，其核心挑战之一是如何有效保护农作物免受病虫害和杂草的威胁。集团首席信息与数字官Feroz Sheikh表示，企业的目标是利用数据与AI来优化种植决策、预判大宗商品价格走势。

先正达由阿斯利康与诺华于2000年合并组建，现为中国中化控股有限责任公司旗下企业，在90多个国家拥有约5万名员工，年营收达284亿美元。

先正达的Cropwise农场管理平台汇聚全场景数据，生成作物保护建议，驾驶拖拉机和机器人随后依据这些数据采取精确行动。

“可以把云端的计算农学系统理解为大脑，而传感器则是它的眼睛和耳朵，不断向大脑反馈田间动态。某些情况下，计算在边缘端完成，但大多数情况下，这些AI模型运行在云端。”

该平台整合了多维度数据来源，涵盖土壤质地、土壤湿度、温度、降雨量、pH值及种子遗传信息。此外，还接入了低轨卫星图像、近地飞行无人机影像，以及安装在拖拉机上的摄像头采集的图像，用于实时监测作物状态、识别干旱或病害等问题。

“在不同的监测层级，你可以获得不同视角和分辨率的信息。”

AI系统帮助农民应对约150项关键决策，涵盖种子选择、播种时机、灌溉方式及预防性农药施用等环节，还可根据土壤条件、气候状况和市场行情推荐最优种植方案。终极目标是帮助农民基于数据做出更明智的决策，从而优化产量、提升单位面积产出，同时兼顾土壤养护，持续改善土壤生产力。

AI技术还显著增强了智能拖拉机和播种机的数据采集能力，这些设备在作业过程中采集海拔高度、土壤质地和土壤样本信息，并将数据发送至实验室进行分析。先正达的设备通过卫星、4G或低功耗蓝牙将田间数据传输至仓库或自有设备，再上传至云端。

先正达的整体架构运行在AWS之上，并使用Amazon Bedrock构建生成式AI智能体，边缘AI系统的推荐结果通过云端API进行下发。

边缘AI 部署中人工监督的不可或缺性

即便工业自动化与机器人技术已高度发展，在农作物管理、太阳能板安装等涉及重大影响的关键决策中，人工监督依然是不可或缺的关键环节。

目前，Luminous在各太阳能农场现场均配有操作人员，但公司正在逐步提升机器人的自主程度。随着自主化水平不断提高，操作人员会始终保留，但最终目标是希望操作员不必亲临现场，可以在远端对这些机器人进行实时监控。

Simoneau表示，Luminous机器人在距离人员或障碍物2至3英寸时会自动停机，以确保安全。

Wong将Luminous机器人比作早期的Waymo自动驾驶汽车——后者依赖“安全员”辅助运营。他补充道，Luminous与施工现场的工会紧密合作，因此人工监督仍是现场运营的重要组成部分。

“我们的初衷并非消除人力，而是赋能现有的现场团队，让每个人都能更高效地工作，同时让整体作业更加安全。”

随着企业将AI部署至实体环境，CIO们还必须统筹设计支撑这些系统运行的安全与治理架构。作为CIO，如何与法律和安全团队协作，共同规划业务的未来形态以及与客户的交互方式？又该如何构建运营韧性？

对于先正达而言，引入人工审核环节有助于确保AI建议的合理性与安全性。因为涉及实体操作——不同于软件错误仅消耗一些内存或CPU资源，农民如果决策失误，将直接造成产量损失，甚至可能导致作物物理损伤。

Sheikh表示，对于CIO来说，首要任务是明确目标——无论是提升生产力、改善产出质量，还是开发种子中的新功能分子。如果不聚焦于想要实现的输出或成果，就会在大量工作和高额投入上空耗资源，却无法产生真正有意义的影响。

Q&A

Q1：Luminous 机器人如何实现边缘端与云端的AI算力分配？

A：Luminous机器人在两个时间维度上运行AI系统。实时决策在本地设备上完成，每秒可做出10次判断，无需持续连接云端；而采集的GPS位置、遥测等数据则会定期上传至云端（每隔数小时或每班次结束时），用于微调模型。更新后的模型再重新推送至机器人，整个周期通常需要数天或数个班次。

Q2：先正达的Cropwise 平台如何通过AI 辅助农民进行种植决策？

A：Cropwise平台整合了土壤质地、土壤湿度、温度、降雨量、pH值、种子遗传信息，以及来自卫星、无人机和拖拉机摄像头的图像数据，通过云端AI模型为农民提供约150项决策支持，涵盖种子选择、播种时机、灌溉方案、农药施用及作物种植推荐，目标是在保护土壤的前提下优化产量。

Q3：在物理AI和工业机器人部署中，为什么仍需强调人工监督的重要性？

A：因为物理AI的决策失误会带来真实的物理损失，不同于软件错误仅消耗算力资源。Luminous机器人目前仍配有现场操作人员，并在距人员2至3英寸时自动停机；先正达也要求农艺师在AI建议执行前进行审核，以防止因错误决策导致作物减产或物理损伤。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：企业边缘端与云端AI算力合理分配方案要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题