一条产线上，摄像头发现产品表面的划痕，厂区服务器汇总多条产线的异常，机械臂根据检测结果调整抓取动作。
这套系统里，三个词都可能成立：
摄像头在本地识别，属于端侧AI；
厂区服务器在数据产生现场附近处理信息，属于边缘AI；
机械臂根据感知结果采取动作，并继续接收新的反馈，属于物理AI。
它们描述的不是同一件事。
物理AI说的是AI怎样与现实世界互动；端侧AI和边缘AI说的是模型在哪里运行。理解这层区别，再把推理和训练分开，很多术语争论就容易厘清。
Part.01
物理AI，看AI动不动手
"物理AI"还不是边界完全统一的标准术语。作为一种稳妥的理解，可以看一个判据：AI的输出是否驱动执行器，改变现实环境，并影响下一轮感知。
比如机械臂看见零件后调整夹爪位置，电机执行动作，摄像头和力传感器再反馈抓取结果。感知、决策、执行、反馈连在一起，形成闭环。工厂机器人、自动驾驶车辆都可能是物理AI系统。
纯视频分析则不同。摄像头识别出有人经过，系统只生成一条告警，没有控制门、机械臂或其他设备，也没有动作改变环境，就不属于这里所说的物理AI。它可以是边缘AI，也可以运行在云端，关键看计算位置。
闭环带来一类新的难题。感知延迟可能让机械臂抓空；力控不当会压坏物体；光线变化可能引发误判；遇到意外干扰，系统还可能不知道怎样恢复。
所以评测物理AI，不能只看任务成功率，也要看它失败后能否恢复，以及安全边界在哪里。
一句话记住，物理AI看AI动不动手。
Part.02
端侧AI，模型在不在终端上
**端侧AI看模型是不是在终端设备本身运行。**手机、智能摄像头、车载控制器、工业传感器，都可以是"端"。
手机在本地识别语音，摄像头在设备内判断产品是否有明显划痕，这些都属于端侧AI。模型在本地处理数据，可以减少数据上传，也能让部分功能在断网时继续工作。对于需要快速反应的任务，本地处理还少了一段数据往返云端的时间。
端侧部署的难点往往不在"能不能跑"，而在"跑得稳、跑得省，换设备还能不能跑"。量化能缩小模型、降低计算和存储开销，但精度影响取决于模型、量化方法和任务，不能保证毫无损失。不同设备的NPU、DSP和软件栈对算子支持有差异，同一模型换到另一款芯片上，可能需要重新转换、调优或适配。运行大模型时，内存容量和带宽也可能先于理论算力成为瓶颈。
因此，端侧AI不等于所有模型都能轻松塞进终端。手机上的AI功能即使有时本地运行、有时调用云服务，也仍可包含端侧AI。
一句话记住，端侧AI看模型在不在终端身上。
Part.03
边缘AI，计算离数据源多近
**边缘AI看AI计算是否靠近数据产生的位置。**终端本身可以算边缘节点，工厂网关、现场服务器、基站附近的计算设施也可以算。
所以端侧AI和边缘AI有重合。判断一个项目时，可以按节点位置来分：计算就在终端设备上，属于端侧AI，也属于广义边缘AI；计算不在终端上，但部署在数据源附近，属于边缘AI；计算节点远离现场、集中在云端，则属于云端AI。
摄像头自己识别划痕，是端侧AI，也属于广义边缘AI。摄像头把数据交给厂区服务器，由服务器汇总多条产线的异常，这属于边缘AI，通常不称为端侧AI。
边缘计算可以缩短数据传输距离，但它不会自动消除延迟。边缘服务器仍受算力、内存、任务排队和网络状态影响。
一句话记住，边缘AI看计算离数据近不近。
Part.04
边缘AI之下，再问一句：推理还是训练
谈边缘AI时，最好先问清楚，说的是推理还是训练。
**边缘推理是主流形态。**模型通常在云端或企业机房训练完成，再部署到边缘节点处理新数据。摄像头用已经训练好的模型识别划痕，就是边缘推理。美国国家标准与技术研究院对边缘AI的分层描述中，基础层就包括边缘节点使用在别处创建的AI功能。
**边缘训练则让本地数据参与模型更新。**联邦学习是常见思路之一，各设备或节点在本地训练，再交换模型更新或相关参数，由中心或其他节点聚合。它能减少原始数据集中传输的需要，但不等于天然保证隐私，也不代表部署起来简单。
不同设备的数据分布可能差异很大，通信可能成为瓶颈，模型更新如何聚合也会影响效果。设备算力和在线状况不一，同样会增加工程难度。NIST提到的边缘学习，指的正是边缘节点利用本地数据参与模型构建的更高层次。
因此，**说"边缘AI"时，先问是边缘推理还是边缘训练，两者的难度和成熟度差别很大。**模型部署在边缘，不等于模型也在边缘训练。
Part.05
常见误读
- "端侧AI就是完全不联网。"
- 不对。端侧AI描述模型在哪里运行。设备可以本地处理简单任务，同时把复杂任务交给云端。
- "边缘AI就是终端AI。"
- 窄义上不完全相同。边缘AI还包括靠近终端的网关和服务器；宽义上，终端也属于网络边缘。
- "物理AI一定是机器人。"
- 形态不是判据。重点看AI输出是否驱动执行器，形成感知与行动的反馈闭环。
- "用了边缘计算就没有延迟问题。"
- 边缘节点离数据源更近，可能减少传输时间，但本地算力不足、任务排队或设备响应不及时，仍会带来延迟。
还有一个反例可以帮助划清边界：一项图像分类服务在云端训练、云端推理，只给图片打标签，不控制任何硬件。按本文的区分，它既不是端侧AI，也不是边缘AI；因为没有动作闭环，也不属于物理AI。
Part.06
一张图记住区别
判断一个项目，可以先看计算节点是不是终端本身：是，属于端侧，也属于广义边缘；不是，但在数据源附近，属于边缘；两者都不是，通常属于云端。随后再问AI有没有驱动物理动作，以及边缘节点是在推理还是参与训练。