边缘人工智能（Edge AI）是指将人工智能算法和模型直接部署在本地的边缘设备上，例如传感器或物联网设备，从而实现实时的数据处理与分析，而不需要过度依赖云端。
简单来说，边缘AI就是把边缘计算与人工智能结合，让机器学习等任务直接在设备端完成。由于数据无需频繁传输到远程服务器，这种方式能在毫秒级内完成运算并反馈结果。
目前，自动驾驶汽车、可穿戴设备、安防摄像头和智能家居等技术，都已经大量应用边缘AI，以便在关键时刻即时为用户提供所需信息。
边缘AI的流行，源于它可以帮助企业优化流程、自动化业务，并推动创新。同时，它还能有效解决延迟、安全性和成本控制等问题。
边缘AI 与 分布式AI
边缘AI的核心优势在于支持本地即时决策，无需将数据来回传输到中央服务器再等待处理，从而大幅提升自动化效率。
不过，为了持续优化，边缘AI仍需要定期将数据上传到云端，以便重新训练和更新模型。
在大规模应用时，边缘AI会遇到一些挑战，比如：
- 数据量庞大
- 设备类型多样，环境异构
- 算力与存储资源有限
- 跨地域管理和扩展难度高
此时，可以借助分布式人工智能（DAI）来应对。
分布式AI能够协调多设备、多系统的运行，支持自动化的数据采集、模型管理和实时监控，并通过分布式处理来优化整体效率。它使得多个智能体能够在不同的系统和领域中协同完成复杂任务。
边缘AI 与 云端AI
目前，大多数机器学习模型的训练和部署依赖于云计算平台。而边缘AI则侧重在设备端完成预测分析、语音识别、异常检测等实时任务。
举个例子：
在自动驾驶中，车辆需要实时识别交通信号、车道变化、行人或障碍物。如果依赖云端处理，任何网络延迟都有可能造成危险。边缘AI能让车辆直接在本地完成决策，从而保障安全。
相比之下，云端AI的优势在于算力和存储资源更强大，能够训练和运行更复杂的模型。
因此，边缘AI更适合需要即时反馈的场景，而云端AI则更适合大规模训练和复杂计算。
二者的主要差异
- 计算能力：云端AI算力和存储更强，可运行更复杂模型；边缘AI受限于设备性能。
- 延迟：边缘AI直接在本地处理，延迟低；云端AI需要远程传输，延迟较高。
- 带宽：边缘AI本地处理数据，带宽消耗少；云端AI需要频繁传输，带宽需求大。
- 安全性：边缘AI可减少数据外传，隐私保护更好；云端AI涉及数据上传，存在被窃取或泄露的风险。