统一完善 云端 A 加速卡 终端智能处理器 P 乘院道连助说的，广五应用备美好指描 边缘 A 加速卡 云边端车 全面覆盖 生态运营 密切协同 Aic 智算中心 算力基础——寒武纪自主研发设计的人工智能芯片 寒武纪人工智能软件开发环境 采用端云一体的智能处理架构 可同时支持寒武纪端、边、云全系列产品 在云端 开发调试调优推理训练 口罩检测良品 鼻梁条缺失 异物、污点检测 耳带长度检测 工业制品检测 云端智能计算平台 边缘智能计算平台 电路板检测 终端用户 训练层 数据管理 用户管理 算法定制 推理层 模型管理 云端管理 算法商城 场景管理 边缘管理 应用层 中间层 管理层 整 体 框 图 AiC D 产业发展——工业视觉检测智能处理中 产业发展——智慧交通 三 X T R O T E C 中 科 逆 熵 [anDrIDT 寒武纪 矢 口 算 芸 处 理 器 当前，视频结构化系统已应用于多 个领域 ，我们基于云端智能处理卡，可实现 多路目标检测、追踪、结构化视频 等任务。 AiCD 产业发展——智慧交通视频结构化方案 三 XTROTEC 中 科 逆 熵 AiC○ 产业发展——智慧医疗

配率，实现通信网络全覆盖和信息实时交互，以连续获取准确、足够的数据 用于判断和决策，保障系统运转。设备部署呈循序渐进的模式，即路侧由重 点路口拓展至城市全域，车端根据商用/乘用及前装/后装分类进行装配。此 外，路侧/云端应持续优化感知、计算和体验：1）在城市关键路口增配感知 设备及边缘计算设备；2）打造兼具低时延和安全性的统一云控平台。根据 中国汽车工程学会等预测，到 2030 年我国车路云一体化产业将突破 2.5 亿元，其中路侧产值可达 4174 亿元，2026E-2030E 路侧产值 CAGR 达 80%。 地方试点陆续起步，关注整体方案商及领先终端/模组/MEC 提供商 随着试点城市车路云建设订单陆续发布，路侧/云端建设有望率先推进，我 们看好具备全栈技术能力的整体方案集成商和领先的终端、模组、MEC 提 供商。产业链相关公司包括：1）整体方案商：千方科技、万集科技、金溢 科技；2）路侧单元及车载终端：高新兴、移为通信、鸿泉物联、中兴通讯、 ............................................................................................. 12 云端：打造兼具低时延、安全性的云控平台 .................................................................................

边缘计算服务器：主导相关边缘应用如AI预测及本地 数据缓存等。相比云端计算，通过边缘计算器的搭建 可缩短故障报警的反应时间。 （ 可针对项目实际需求 和企业数据环境选择将本地计算移至云端）。 2. 软件：主要用于故障检测模型搭建及云端存储与处理 a) 模型搭建：通过特征提取、分析等识别特征向量，并进 行机器学习；随着加工数据的增加及过程数据的收 集，得以持续进行模型训练，最后借由云端服务进行 模型的迭代更新，不断提高模型精度。 模型的迭代更新，不断提高模型精度。 b) 云端服务：可提供批量的历史数据存储并进行数据可 视化， 如利用微软Azure云服务可使用Power BI进行 数据可视化，便于管理者进行相关分析。 优势三：实质成效显著 —— 预测性维护能助力运维服务的 降本增效，根据罗兰贝格的项目经验，预测性维护可减少 5-10%的MRO（维护、维修、运行）成本支出及5-10%的总体 维护成本；而在效能提升方面，预测性维护可提高10-20%

函数计算 节点管理 网络管理 雷达 蜂巢边缘系统 n 蜂巢边缘系统（ Hive Edge System ，简称 HES ） ， 是基于绿洲物联平台的云边协同操作系统，支持边缘 AI 应用从云端部署到边缘，提供边缘 AI 应用全生命周期 管 理 边缘智能网关 n 提供开放容器运行环境，集成“蜂巢边缘 Agent ” ， 按需部署行业边缘 AI 应用 n 内置强大 AI 智能交通 智能水利 智慧零 售 绿洲物联平台 蜂巢边缘系统： 云边协同操作系 统 绿洲 物联平台 蜂巢边缘计算框架 更新边缘 AI 应用，适应新需 求 通过云端镜像仓库和容器管理按需远程 集中管理镜像，远程安装应用 、管理容器 new 基于蜂巢边缘系统， 行业边缘应用按需部 署 边缘 AI 应用下发流 程 绿洲物联平台 蜂巢边缘计算框架 IG580 缓解带宽传输和云计算资源压力 提供开放容器运行环境和 AI 算力，支撑 AI 应用本地化部署，保障业务实时响应，缓 解 了传统云架构的带宽传输和云计算资源压力 云边协同， 提高行业边缘应用的交付效率 边缘应用从云端按需下发和升级 ，完全摆脱了传统“现场实施 、成本高 、周期长 、 风险大 ”低效模式，轻松支持行业应用迭代更新 AI oT 云边协同客户价 值 行业边缘智能实践： 智能交 通 融合感知 毫米波雷达

程师的工作效率。通过AI编程助手，减少了重复劳动，提 升了代码质量 编码助手 4.3 企业大模型的部署方式 本地/内网部署 云端部署 通过云厂商实现弹性扩展和成 本优化 通过本地数据中心实现数据完 全掌控 边缘部署 通过边缘节点实现低延迟和实 时处理 容器化/微服务部署 混合部署 通过本地和云端结合实现灵活 性和灾备需求 通过容器技术和微服务架构实 现敏捷开发和资源隔离 联邦部署 通过联邦协议和分布式架构实 DeepSeek大模型部署在公有云或私有云上，利用 云厂商的基础设施和资源。适用场景： n 弹性需求：需要根据负载动态调整资源 n 快速扩展：业务增长迅速，需快速扩展系统 n 成本优化：希望通过按需付费模式降低IT成本 云端部署 DeepSeek大模型部署在企业内部服务器或数据中 心，数据和应用完全在企业内网中运行。适用场景： n 数据敏感：对数据安全要求高，需完全掌控数据 n 合规要求：需满足特定行业或地区的合规要求 计算可减少数据上传 n 离线运行：需要在网络不稳定或离线时仍能正常 运行 边缘部署 结合云端和本地部署，DeepSeek大模型部分系统在云 端，部分在本地。适用场景： n 灵活需求：部分数据需本地处理，部分需云端处理 n 过渡阶段：从本地逐步迁移到云端时，混合部署可 作为过渡方案 n 灾备需求：本地和云端互为备份，提升系统可靠性 混合部署 4.3 企业大模型的部署方式 将DeepSeek大模型系统拆分为多个微服务，使用

4.1 远程医疗 在远程医疗场景中，分布式算力感知与调度技术可以打破地理与 机构壁垒。它整合从一线城市三甲医院高性能影像服务器，到县级医 疗中心边缘计算节点，乃至偏远乡镇卫生院轻量级终端及云端算力集 群，构建“广域医疗算力网”，让优质诊断能力和 AI 辅助分析能力 高效、安全、普惠地服务患者，为医疗资源公平可及提供技术支撑。 实现这一目标，需先精准感知网络内异构、分散的算力资源，形 等步骤的工作流，调度器评估子任务计算强度、时延阈值等，结合资 源视图与网络负载模型映射执行路径。如急诊影像分析这类超低时延 任务，会下沉到就近边缘节点并通过网络切片保障传输；常规体检图 像筛查等则优先上传至云端大规模集群处理，以获规模效益。 分布式算力感知与调度还天然支持隐私保护的协同推理与训练。 在联合推理模式下，患者原始影像块仅在本地进行 DICOM 去标识和压 缩编码，随后通过加密隧道传输特征张量至云推理服务器；对联邦学 可追溯与不可篡改。 在实际应用中，这一体系让放射科医生在高峰时段也能在 2–3 秒内获得 AI 辅助肺结节检出结果；同一时间，偏远乡镇卫生院通过 5G 专网将疑难病例的 MRI 切片拆分上传，云端完成分区推理与拼接 后把定量分析报告回传，仅耗时数十秒。大规模资源池的协同让设备 利用率提升 30-50%，而调度算法对时延违约率的持续压缩，使危急 重症的影像诊断平均响应时间缩短至传统单点部署的

边缘计算盒子、物联网设备等，而不仅仅依赖于远程的云服务器。边缘计算在成本、时 延、隐私上具有天然优势，也可以作为桥梁，预处理海量复杂需求，并将其导向大模型。 人工智能的未来既需要终端侧 AI，也需要云端 AI。在终端侧运行 AI 应用可提升成本效 益、增强隐私性、个性化并降低时延；与仅在 CPU 或 GPU 上进行 AI 工作负载处理比 较，骁龙平台集成专用的高通 AI 引擎，处理 AI 工作负载可以更加高效，让小巧轻薄的 为 35%、31%、27%、4%，合计占据中国智能音箱 97%的市场份额。 组装环节，国光电器 6 月 15 日在投资者互动平台表示，公司目前推出的搭载 Chat GPT 的智能音箱是依据云端的算力提供反馈内容的。未来，AI 音箱搭载的是大模型或 小模型，并需要匹配有不同的算力提供方案，公司针对各类型 AI 音箱均有研发、设计 方案。 芯片环节，目前市场上主流的智能音箱主控芯片主要来自：苹果、全志、晶晨、创 3.1.2. 安防解决方案正在向云+边缘的方案演进 AI 在视频监控领域的落地首先从云端开始，即在后端产品加入 AI 计算功能，实现 视频数据的智能化分析。随着摄像机的清晰度提高、可拍摄距离增大，分辨率提高，通 过网络回传的数据量也越来越大，将数据的结构化、处理与分析完全集中到云端会有网 络传输压力、实时性要求达不到、准确性降低等问题。 “云+边缘”的边缘计算解决方案，把 AI

现出指数级加速。 首款商用量子计 算机发布：加拿 大D-Wave公司 正式发布了全球 首款商用型量子 退火机“D- Wave One” ， 可应用于解决各 种组合优化问题。 IBM推出云端量子计 算服务：IBM推出了 云端量子计算服务 “Quantum Experience”。这 一服务允许用户通过 互联网访问IBM的量 子计算系统，并在上 面运行算法、操纵量 子比特、开发教学及 模拟实验等。

网络 边缘，更靠近数据源，而云计算，处理发生在数据中心。边缘计算是指在尽可能 靠近数据源或终端的地方捕获和处理数据。通过在数据源的物理位置附近放置服 务器或其他硬件来处理数据，在本地完成处理而不是在云端或集中式数据中心， 它能最大限度地减少延迟和数据传输成本，允许实时反馈和决策。 图14：边缘计算的应用场景 图15：云计算与边缘计算的区别 资料来源：NVIDIA，国信证券经济研究所整理 资料来 AI 模型在云端训练， 并部署在终端设备上。例如计算机视觉等高度数据密集型、低时延要求类的任务， 将 AI 模型部署在终端的优势包括： 1）更低的延迟：因为传感器和物联网设备产生的数据不再需要发送到集中式云进 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 12 行处理，可以实现更快的响应，获得结果的时间可能从几秒减少到几分之一秒。 2）减少带宽：当数据发送到云端时，它通过广域网传输，需要满足全球覆盖和高 用户身份。 5）高可靠性：去中心化和离线功能使边缘 AI 更加稳定，不受网络访问限制，这 是关键任务系统稳定运行的必要条件。 当边缘 AI 应用程序遇到它无法准确处理的数据时，它通常会将其上传到云端，以 便 AI 算法可以重新训练并从中学习。因此，模型在边缘运行的时间越长，模型就 会变得越准确，由于可以获得如此多的价值，企业正在迅速采用边缘计算。 Gartner 预测，到 2023 年底，50

临扩容 难、维护成本高等问题，难以满足大模型微调和推理不断增长的算力 需求。因此，通过企业本地算力与云端租赁算力之间的高效协同，以 满足企业算力资源灵活扩展需求，成为更高效、便捷且兼具性价比的 方案。云边协同训推方案基于 Split Learning 部署模式，将模型切分 到本地和云端算力资源池中并行处理，并结合输入、输出层的本地化 部署，保证样本数据不出园区，满足了金融、医疗等数据敏感客户的 11 数据安全要求。此外，该方案与 Prefill-Decode 分离式推理架构天然 适配，通过将可弹性扩展的 Prefill 和 Decode 分层部署在本地和云端， 显著提升推理效率、资源利用率和用户体验。 在此场景下，本地和云端算力池之间基于 RDMA 协议传递参数 面同步数据、KV Cache 等信息，要求网络在保证高吞吐、低时延的 前提下，具备 RDMA 无损传输能力，避免出现拥塞、丢包。同时， 力资源池之间的云边协同训练/推理，实现企业算力资源的弹性扩展， 云边协同训练/推理基于模型分割实现，这种方式既满足了企业推理/ 训练敏感数据不出园区的要求，又满足企业算力的灵活扩展按需租赁 云端算力的诉求。由于城域网需要支撑层间的参数面数据同步因此需 要具备 RDMA 无损传输与超高吞吐能力。该场景组网方案如图 7-4 所示。 图 7-4 云边协同分布式训推组网方案 算力城域网白皮书（2025