博鳌亚洲论坛释放新信号：AI从云端走向终端，企业如何重估数字经济布局？

【软盟资讯·新闻导读】博鳌亚洲论坛亚太区域合作圆桌会释放的一个重要观察是，人工智能的价值边界正在从云端模型能力，逐步延伸到终端设备、连接网络和具体业务现场。对企业而言，这并不意味着简单地把模型“搬到设备上”，而是需要重新评估算力部署、数据流动、设备协同、供应链合作与投入回报之间的关系。

从“云端调用”到“终端执行”，AI正在改变部署逻辑

过去一段时间，企业部署人工智能，通常围绕云端模型展开：数据上传至云平台，模型完成分析或生成，再将结果返回业务系统。这种模式便于集中管理，也有利于使用大规模模型能力，但它对网络稳定性、数据传输成本和隐私合规提出了较高要求。

当人工智能能力向终端迁移，处理环节会更多地发生在手机、电脑、汽车、工业设备、机器人、摄像头及其他边缘节点上。云端仍然承担模型训练、复杂推理、统一管理和跨设备协同等任务，但部分识别、控制和决策可以在本地完成。

这里的“端侧人工智能”并不是云计算的替代方案，而更接近一种新的计算分工：

• 云端负责大规模训练、复杂任务处理和全局知识管理；
• 边缘节点负责区域性数据处理和多设备协调；
• 终端负责低时延感知、即时响应和部分本地推理；
• 连接技术负责让不同层级之间保持稳定、安全和高效的数据交换。

因此，企业真正需要关注的不是“云端还是终端”二选一，而是不同业务环节应该采用怎样的算力组合。

论坛信号背后：终端智能需要连接技术配合

从博鳌亚洲论坛相关讨论所涉及的方向看，人工智能与先进连接技术的结合，正在成为观察数字经济下一阶段演进的重要切口。

单独看终端算力，设备能够处理更多任务，并不代表企业就能获得更高效率。设备之间是否能够互联，数据能否在授权范围内流动，网络是否能够支撑稳定响应，云端和终端之间能否进行统一更新，都会直接影响端侧智能的实际价值。

以制造、物流和能源等场景为例，终端设备需要持续采集环境和运行数据。如果所有信息都传输至云端处理，可能面临延迟、带宽和数据安全压力；如果全部在本地处理，又可能受到设备算力、模型更新和跨系统协同能力的限制。更现实的方案往往是分层处理：对需要即时响应的数据在本地完成判断，对复杂分析和长期优化任务交给云端完成。

这意味着，连接技术的作用也在发生变化。它不再只是“把设备接入网络”，而是需要支持设备身份识别、数据分级、任务调度、故障恢复和安全审计。对于企业来说，终端智能能否落地，往往取决于连接、算力、软件和业务系统是否形成闭环。

对企业数字化投入的三层传导

第一层：终端设备的价值从硬件性能转向综合能力

过去企业采购设备，重点可能是处理器性能、存储容量、传感器数量或网络规格。随着终端智能发展，设备的评价维度将更加复杂。

企业需要进一步考察：

• 设备是否具备本地推理能力；
• 是否支持模型更新和远程运维；
• 能否与现有业务系统及其他设备协同；
• 本地数据是否可以分级存储和授权调用；
• 在断网或弱网环境下是否仍能维持基本功能；
• 设备生命周期内的安全维护成本是否可控。

这意味着，单纯追求更高配置并不一定能够带来更高回报。终端设备的实际价值，取决于它是否能减少人工操作、降低响应延迟、提升现场判断质量，或者改善设备利用率。

第二层：连接技术成为数字化基础设施的一部分

在端侧人工智能体系中，连接能力不再只是信息传输的辅助条件，而是业务连续性的重要组成部分。

企业需要根据场景选择合适的连接方式，并明确哪些数据必须实时传输，哪些数据可以延迟同步，哪些数据只能在本地留存。对于跨区域、多设备和多组织协作的业务，还要考虑网络切换、设备认证、权限管理和数据追踪。

如果连接体系缺乏统一标准，企业可能出现设备之间“能够联网但不能协同”的情况。不同供应商的协议、接口和数据格式不一致，也会增加后续改造成本。因此，在采购终端设备时，企业不能只看单台设备的功能，还应评估其在整体技术架构中的兼容性。

第三层：供应链协作从采购关系走向系统合作

端侧智能通常涉及芯片、传感器、操作系统、模型、网络服务、设备制造和行业软件等多个环节。任何一个环节缺乏适配，都可能影响最终应用效果。

对企业而言，这会带来两个变化。

一是供应商评估需要从“产品能不能用”延伸到“能不能持续协作”。企业要关注接口开放程度、版本管理、售后支持、数据归属和安全责任边界。

二是大型企业可能需要建立更强的技术协同机制。终端设备厂商、软件服务商和业务部门不能各自建设孤立系统，而应围绕具体业务流程共同定义数据格式、设备标准和验收指标。

这也为产业链中的专业服务商提供了机会，包括端侧模型优化、设备管理、工业数据治理、连接安全和跨系统集成等。但机会并不等同于市场已经成熟，企业仍需通过真实场景验证需求强度。

企业是否需要调整算力与应用部署方式

答案通常不是全面迁移，而是基于任务特征进行重新分层。

企业可以先将业务任务划分为三类。

第一类是对实时性要求极高的任务，例如设备异常识别、现场安全预警、机器人动作控制。这些任务更适合在终端或边缘侧处理，以减少网络延迟和传输依赖。

第二类是涉及大量历史数据、复杂推理或跨业务分析的任务，例如经营分析、知识检索和长期预测。这类任务更适合利用云端集中算力。

第三类是同时需要即时响应和全局优化的任务，例如智能客服、供应链调度和能源管理。企业可以采用端云协同方式，让终端完成初步判断，云端负责复杂分析，再将策略下发至现场设备。

在部署过程中，企业不宜先购买大量设备，再寻找应用场景。更稳妥的顺序是：

1. 找出对时延、隐私或离线运行有明确要求的业务环节；
2. 测量当前流程中的人工成本、响应时间和错误率；
3. 判断哪些数据适合本地处理，哪些数据需要集中管理；
4. 设计端云协同架构和连接方案；
5. 通过小范围试点验证效果；
6. 根据可量化结果决定是否扩大投入。

如何评估端侧智能的实际价值

端侧人工智能的价值不能只用模型参数、设备算力或演示效果衡量。企业至少可以从四个方面建立评估框架。

看是否解决了现场问题

如果端侧模型只是增加了一个功能入口，却没有改变业务流程，那么它可能只是设备升级，而不是数字化价值提升。

企业应明确应用目标，例如减少巡检时间、降低误报率、缩短维修响应、改善库存准确率或提升设备利用率。目标越具体，越容易判断投入是否合理。

看是否降低了数据处理压力

当数据在本地完成初步筛选或分析后，企业可能减少不必要的数据传输和集中存储。但这并不意味着所有数据都应留在终端。企业需要在成本、合规、追溯和模型效果之间平衡。

看是否具备持续运营能力

端侧模型部署之后，还涉及模型更新、设备维护、权限管理、异常监控和安全补丁。一次性采购成本较低，并不代表长期运营成本低。

企业应在试点阶段就测算设备更换周期、网络费用、模型维护成本和人员培训成本，避免只看初期项目价格。

看能否形成规模化复制

一个场景试点成功，不代表可以直接复制到不同地区、不同工厂或不同设备。企业需要进一步检查数据质量、网络条件、设备型号和管理流程是否具有一致性。

如果每新增一个场景都需要重新开发，端侧智能可能难以形成规模效应。可复用的接口、模型管理能力和数据标准，往往比单个项目的演示效果更重要。

哪些产业环节可能受益，哪些环节承压

从产业传导机制看，受益机会可能集中在几类环节。

一是能够提供高可靠终端设备、边缘计算模块和智能传感器的企业。随着更多任务在现场完成，设备的计算、感知和安全能力可能成为新的竞争维度。

二是能够解决设备连接、协议适配和统一运维问题的服务商。企业不缺单点设备，真正稀缺的可能是跨设备、跨系统协同能力。

三是掌握具体行业数据和业务流程的应用开发者。端侧模型需要适应真实环境，通用能力只有嵌入生产、物流、医疗、能源或零售流程，才能转化为经营价值。

四是能够提供数据治理、模型压缩、安全防护和持续运营服务的技术公司。端侧部署对模型轻量化、权限控制和生命周期管理提出了新的需求。

与此同时，部分依赖单一硬件销售、封闭接口或一次性交付的业务模式可能承受压力。企业客户会更加关注系统兼容性、长期维护和综合运营成本，而不是单一设备参数。

数据安全与设备协同仍是主要约束

端侧智能把数据处理带到了更多设备上，也可能扩大攻击面。设备数量越多，身份管理、补丁更新、密钥保护和权限控制就越复杂。

企业需要明确几项基础规则：

• 哪些数据可以上传，哪些数据必须本地处理；
• 终端设备如何认证，人员如何分配权限；
• 模型和软件更新由谁负责；
• 出现数据泄露或设备异常时，责任如何界定；
• 设备退出使用后，数据如何清除和追溯。

设备协同同样存在现实难题。不同厂商可能采用不同协议和数据标准，老旧设备也未必支持新的智能能力。企业如果忽视存量系统，可能面临“新设备很智能、旧系统无法接入”的断层。

因此，企业在规划终端智能时，应优先建设统一的设备目录、数据标准、接口规范和安全管理机制。技术架构不必一步到位，但治理边界需要尽早明确。

【软盟观察】

人工智能从云端走向终端，是计算资源、数据处理和业务决策逐步下沉的表现，但它并不自动等于数字经济进入新的规模化阶段。论坛相关观点更适合作为观察方向，不能直接替代企业对具体场景、投入成本和合规风险的验证。

对企业管理者而言，真正值得重估的不是是否追逐“端侧AI”概念，而是现有数字化布局中，哪些任务必须靠近现场完成，哪些数据需要集中管理，哪些设备能够形成协同，以及项目能否在运营周期内持续产生价值。未来的竞争也可能不只发生在模型能力层面，还会发生在终端适配、连接质量、数据治理和产业协作能力上。企业应以小场景、可量化、可复制为原则，逐步建立云端、边缘和终端之间更适合自身业务的组合。

对于创业者和产业投资观察者来说，机会或许更多出现在“技术与行业流程的结合部”，而不是单纯追逐设备数量或模型参数。只有当端侧智能真正改善效率、降低风险或创造新的服务方式时，相关投入才可能转化为可持续的商业价值。