在大疆 AI LINK 的体系中，边缘部署 和云端部署是两种不同的算力组织方式。边缘部署指的是把模型直接放在靠近数据源的地方，比如无人机机载计算单元、地面基站或就近的边缘服务器，让视频或传感器数据一到就能被处理。云端部署则把数据传输到远程的数据中心或公有云，由集中化的高性能集群完成分析。可以把这两者想成两类厨房：边缘像带着炉灶的房车，随时可以开火；云端更像一座设备齐全的大型中央厨房，适合精细的大餐，但食材需要运输、准备时间也更长。
两种模式在技术特性上有明显差别：
实时性：边缘处理延迟低，几乎是毫秒级的即时响应，但受限于机载或近端设备的算力，只能运行轻量化算法。
算力与模型复杂度：云端拥有充足的 GPU 和存储，可以支持复杂的深度模型与多模态数据融合，但需要经过网络传输，通常会有数百毫秒到数秒的延迟。
数据安全与带宽：边缘只需上传识别结果，带宽压力小、隐私风险低；云端则需上传原始影像或大规模数据，带来更高的带宽与安全要求。
运维与更新：云端模型更新与运维集中统一，边缘的更新需要分发到大量终端，管理难度更高。
在实际应用中，森林火情监测更适合云端部署 。无人机需要长时间采集高分辨率、多光谱乃至红外影像，这些数据量大且需要和气象、地形、历史火情等多源数据结合分析。火情预警的时间尺度以分钟计算，几秒钟的网络传输并不会影响监测效果。云端不仅能提供深度分析所需的算力，还便于长期积累火情数据并构建预测模型，这种集中化的处理为后续趋势分析和决策提供了条件。****【数据量大、多源数据、数据分析处理、辅助模型建立】
空中识别违停车辆更偏向边缘处理 。城市执法需要无人机在飞行中即时识别车牌和位置，毫秒级的响应能够及时把信息推送给执法人员。城市上空的网络环境并不稳定，如果依赖远程云端，延迟或断网都可能导致抓拍失败。车牌号属于敏感信息，在本地完成识别并只上传结果也能降低隐私泄露的风险。对于这一类强调即时反馈与隐私保护的任务，把模型放在无人机或附近的基站上（边缘）可以让整套流程更加稳妥。****【数据量小，即时传输，本地化，防止隐私向中心泄露】