边缘计算

边缘AI模组选型：把视频带宽、压缩和推理吞吐分别算清选边缘AI模组时，常见问题是“这块板能跑几路视频”。这个问法把采集、解码、推理、输出和网络混在了一起。同样的分辨率与帧率，输入格式、模型尺寸和输出策略不同，系统负担也可能不同。合理的选型应先画数据路径，再讨论芯片算力。

视程空间Edge工业边缘盒：给工业机器人装一颗耐造的“本地大脑“做工业机器人视觉这几年，被问得最多的一个问题是：模型都训好了，推理到底放哪？放在机器人控制器里？绝大多数六轴机械臂本体的控制器只够跑运动学插补，连一颗像样的 GPU 都没有。放在工控机里？一台标准 4U 工控机挂在控制柜侧面，夏天机柜里 50℃ 往上走，风扇一年一换，粉尘一多就蓝屏。放在云端？一个抓取动作要求视觉反馈在 50ms 以内回来，网络抖动一下节拍就乱了，更别提车间里那套动不动就丢包的工业 Wi-Fi。

鲁邦通物联网

工业现场多设备数据采集：边缘计算网关部署中的通信预算与故障域设计导语：工业现场有30台设备时，问“一台边缘计算网关能不能接完”并没有多少工程意义。30台低频仪表与30台需要高频读取大量变量的PLC完全不是同一种负荷。设备数量只是资产统计，部署设计真正需要计算的是一次扫描窗口里要完成多少通信事务，以及某个设备异常后会不会拖慢同一节点上的其他采集任务。

Windows Copilot+ PC本地AI开发：2026年NPU编程与模型部署实战指南对 Windows 开发者而言，Copilot+ PC 不再只是“能跑 AI 的电脑”，而是 2026 年端侧智能应用的基础设施。NPU 以极低功耗提供持续推理能力，使隐私敏感、低延迟或离线场景成为可能。然而，NPU 并非 GPU 的替代品——其架构专为 INT8/FP16 量化模型优化，对动态形状、自定义算子支持有限。盲目移植云端模型往往导致性能倒退甚至运行失败。本文聚焦可落地的 NPU 开发范式，将硬件算力转化为可靠的应用能力。

182X 模型转换详解：从 PC 模型到板端 NPU 运行全流程前几篇跑的都是现成模型：Qwen3、MobileNet、Model Zoo 里下载就有。但做自己的应用，迟早会遇到"我的模型怎么上板"——这篇讲模型转换：把 PyTorch / ONNX 模型转成 RK1828 能跑的 RKNN 格式。

边缘计算的“实时决策“：从数据回传到边端即时推理的决策升级边缘计算的真正价值，不是"省带宽"，而是"把决策做在数据产生的地方"。边缘计算的演进，正在从"数据回传云端"走向"边端实时决策"。传统的做法是把数据全部传回云端处理，虽然准，但慢、费带宽、还怕断网；今天的边缘计算要做的是把一部分决策能力下沉到边缘节点——在数据产生的现场就完成识别、判断与动作，让系统更快、更稳、更省。

鲁邦通物联网

PLC数据接入MES的边缘计算网关架构设计：别让MES直接理解控制变量导语： MES和PLC之间存在天然的职责差异。PLC关心的是扫描周期、联锁、动作和设备控制；MES关心的是工单、产量、设备状态和生产过程记录。如果让MES直接理解PLC内部变量，两套系统就会因地址、程序结构和刷新方式产生紧耦合。工程上更稳妥的做法，是在两者之间增加一个独立的数据层，由边缘计算网关负责完成采集、转换和交付。

具身智能系统概论——边缘计算和云端协调本章探讨具身智能的计算架构，提出“异构计算”范式：以NVIDIA Jetson/Orin为AI大脑（处理感知、规划），MCU（如STM32）为实时控制小脑（执行电机、安全监控）。通过高速通信与频率分界（500Hz）实现协同。进一步采用“瘦终端+强云端”架构，将大模型推理卸载至云端，结合5G/Wi-Fi7优化流媒体传输，并设计断网逃生机制保障鲁棒性。边缘侧则通过量化（INT8）、剪枝（结构化）与知识蒸馏压缩模型，实现高效部署。技术融合使机器人兼具智慧与稳健，迈向真正的具身智能。

基于边缘计算网关的 Modbus 与 DL/T 645 协议数据清洗与断网续传实现在公共空间、园区、楼宇的物联网项目中，底层设备协议繁杂：电表多为 DL/T 645，温湿度、氨气、液位等传感器多为 Modbus RTU，部分新设备又走 MQTT。现场网络还极不稳定，4G 波动、信号遮挡、断网是常态。如果所有协议解析、数据清洗都放在云端，不仅延迟高，断网期间数据还会永久丢失。本文从嵌入式实现角度，讨论如何在边缘计算网关本地完成多协议解析、数据清洗和断网续传。

边缘计算的“智能下沉“：从本地处理到边缘AI的推理加速边缘计算的"智能升级"：从本地处理到边缘AI的推理下沉边缘计算不只是"在本地处理数据"，更是"在本地跑AI"。当视频分析、行为识别、异常检测等AI推理下沉到边缘节点，园区才能获得毫秒级响应、低成本带宽和高隐私保护——这是云边协同的"最后一公里"。

182X 模型调用详解：像调云端 API 一样用 OpenAI 接口跑板端模型前一篇的九个 SKILL，背后都是模型在 RK182X NPU 上推理。SKILL 是封装好的用法，那平台本身的模型调用接口是什么样的？这篇讲清楚：M5-182X-A1 作为跑大模型的平台，给你三种调用方式——命令行测试、HTTP API、Web 界面。跑哪个模型不重要，接口是通用的；下文用 Model Zoo 里的 Qwen3-1.7B 和 MobileNet V2 做示例。

电力物联网中的边缘计算网关：从数据采集到边缘决策的架构实践在变电站、配电房、微电网这类场景里，数据如果全部上云处理，会面临三个现实问题：时延不可控（保护与联动要求毫秒级响应）、断网风险（弱信号区域）、带宽成本（一台设备一天能产生上百 MB 的原始波形数据）。

远程赋能水文测站，重构自动化测报运维体系随着水文行业自动化改造持续推进，大量传统人工值守水文测站升级为自动测报站点，实现水位、雨量、流量要素自动采集上报。但自动化不等于免运维，通信故障、供电波动、传感器失效、外部环境干扰等各类问题依旧频发。本文围绕自动化水文测站运维痛点，结合状态监测、本地存储、边缘计算技术，探讨“计划巡检+状态监测”双路径运维新模式，厘清无人值守真实内涵，为分散化、偏远化水文测站运维管理提供实践思路。

深圳市恒星物联科技有限公司

忽视排水管网监测的安全责任风险分析《城镇排水与污水处理条例》明确要求设施维护运营单位建立应急预案、定期巡查、安全生产管理制度，并鼓励通过信息化手段提升管理水平。这意味着排水监测不是“可做可不做的增值项”，而是法定管护义务的技术实现方式。当管理单位以“未建设监测系统”为由无法提供水位数据、处置记录、预警证据时，在司法实践中往往被认定为未充分履行管理职责。

AI你一生一世

Cloudflare OS：当边缘网络开始承载 Agent 运行时我是AI时代的无业游民，我游荡在现实与意念之间过去两年，Agent 类应用的部署形态发生了一个微妙但关键的变化：它们不再只是"一个后端服务 + 一个前端页面"，而是变成了一组需要长期驻留、频繁调度、按需唤醒的轻量工作单元。传统 IaaS 的虚拟机粒度太粗，Serverless 函数又太短命，容器编排则把运维复杂度重新还给了开发者。Cloudflare 在这个节点上抛出的 Cloudflare OS，本质上是在回答一个问题：当计算单元从"请求"变成"持续运行的智能体"，边缘平台该提供什么样的抽象层？

182X 端云协同方案详解：部署你的本地 AI Agent 主机前几篇把 M5-182X-A1 点亮、把开发环境逐项验收完了。环境就绪之后，这块板子能当什么用？答案写在 wiki 的开发指南里：它是一台 AI Agent 主机。板端跑着 OpenClaw——一个全功能的开源 Agent 框架，接上 QQ 就是一个随叫随到的机器人助手；ShiMetaPi 在它基础上做了 RK3588 + RK182X 平台适配，这套适配叫 ClawChips。这篇讲清楚它是什么、怎么配、怎么验证在跑。

工业网关数据全链路加密实战：从传输、静态数据到密钥轮工业网关承上启下：对下连接 PLC、逆变器、传感器和历史数据单元，对上连接云平台、运维系统和数据分析服务。数据一旦离开现场，就可能在设备、网关、代理、消息队列、云端数据库、备份和运维终端之间流转。只做一层的加密，往往只能保护链路中的一小段。

鲁邦通物联网

PLC远程监控系统怎么设计边缘计算网关：从状态机、心跳到异常恢复的工程方法导语：一个PLC远程监控POC通常很简单：读几个变量，上传平台，页面显示运行/停止。但真正投入生产后，问题会变得复杂。PLC可能在线但设备处于手动模式；网络可能短时抖动；报警位可能在几秒内频繁翻转；上层平台也可能临时不可用。要让远程监控结果真正可用于运维，必须把这些边界情况写进系统设计。

世界模型与智能体协同推理逻辑二、世界模型支撑下 “规划 - 模拟 - 评估 - 执行” 循环机制三、世界模型实现反事实推理的底层原理

工业边缘故障演练实战：从 GameDay 到混沌工程闭环工业边缘系统的应急能力不能只写在预案文档里。现场网络抖动、网关离线、消息重复、南向设备不可用、存储写满、证书过期、OTA 失败、数据库主从切换，都可能在真实故障中同时出现。如果团队没有演练过，很容易在事故中临场拼装命令、误判影响范围，甚至把小故障扩大成生产事故。