2026年边缘AI技术演进与未来趋势

边缘AI已成为现代系统的结构基石。在工业、汽车和嵌入式平台中，越来越多的决策在本地做出，受限于严格的功耗、延迟和可靠性要求。其结果是明显转向优先考虑效率、自主性和控制而非原始规模的边缘原生架构。

到2030年，边缘AI将不再仅仅是“部署在设备上的模型”，而更像围绕本地智能设计的端到端系统。计算架构、压缩基础模型、连接性和治理正在共同发展。这种融合增加了工程复杂性，并为那些早期整合模型、硅和工具决策的团队扩展了设计空间。

这一转变由四重融合驱动：

1. 计算架构正在去中心化，将能力从集中式云端转移到异构边缘节点和本地服务器结构。

2. 生成式和基础模型正在被压缩、适配和重新设计，以在受限的功率、内存和热封套内运行。

3. 连接栈正在向超低延迟、协作推理模型演进。

4. 治理框架正在收紧，将安全、健壮性和可追溯性要求直接推入边缘部署。

这些力量共同增加了系统复杂性。但它们也扩展了机会空间。边缘AI正在扩展到推理加速和传感器分析之外，成为跨工业、移动、医疗和基础设施的适应性、自主性和情境感知系统的基质。

Wevolver与数据智能领导者Mapegy合作，对边缘相关领域的研究出版物、专利活动和新闻报道进行了纵向分析。这一分析为了解过去十年的发展提供了一个有用的视角，并为来年的前景提供了展望，以了解边缘AI保护伞下几种技术的潜力。

数据显示，边缘原生研发不再局限于一小部分半导体供应商或学术实验室。相反，活动正在扩展到汽车OEM、工业自动化参与者、机器人公司、基础设施提供商，以及一个不断增长的系统集成商和初创企业生态系统。

与早期边缘AI浪潮相比，未来五年的区别在于规模和方向性。设备正在从静态执行端点演变为协作代理，在紧密耦合的循环中感知、计算和行动。智能正在变得本地化、持久化，并越来越自主。

全球边缘AI星座：雷达图显示九个边缘AI技术领域相对于成熟度（TRL）和动量指标（研究和专利增长）

几个宏观信号脱颖而出：

• 设备端生成式AI显示出最强的研究活动加速，同比增长出版物增长显著超过其他领域。这反映了将基础模型能力本地化的广泛行业转变。

• 边缘基础设施技术正在快速加速专利，特别是为本地和校园规模部署设计的内存一致性异构服务器架构。

• 连接叙事正在加剧，与AI原生无线电和6G相关的研究相对于其当前部署基础获得了不成比例的关注。

• 市场机会很大但重叠。在检查的技术领域，2030年预测市场规模总计约1000-2000亿美元，机器人、感知、设备端AI和边缘基础设施之间存在显著重叠。

综合来看，这些信号表明边缘AI的下一阶段将更少由单一突破组件定义，而更多由系统级集成定义。正在获得动量的技术是那些使智能能够跨分布式物理环境移动、适应和协调的技术。

EDGE AI洞察：Edge Impulse

用Edge Impulse部署工业级视觉

Edge Impulse将其平台定位在最接近这些问题的人身边，使工厂工人和产品设计师能够在没有深厚ML背景的情况下构建和应用AI。该平台支持广泛的边缘AI工作负载，包括时间序列分析、音频分类和传感器融合，这对工业监控和控制系统至关重要。在更广泛的背景下，Edge Impulse将重点放在计算机视觉和YOLO-Pro的开发上，这是为工业环境和边缘硬件构建的新型目标检测架构，许可和行为专为长期商业部署而非基准竞赛而设计。

可移植性是这一努力的核心。每个工厂、相机和网关看起来都不同，每个硅供应商都以自己的方式展示加速。YOLO-Pro通过可配置架构解决这一问题，可从微控制器的 pico 和 nano 变体扩展到Linux网关和边缘服务器的更大模型。Edge Impulse将其与设计时工具联系起来，以便团队在投入生产线之前找到精度和占用空间之间的正确平衡。

Edge Impulse还提供必要的工具，以帮助在生成边缘AI模型时取得成功。其边缘优化神经（EON）调优器针对设备目标和RAM预算扫描分辨率、模型大小和超参数，自动发现可行的配置。然后EON编译器生成高效的硬件定制二进制文件；其RAM优化模式可在小型设备上节省高达60%的内存，这通常是“几乎运行”和“可以发货”之间的区别。

对于任何AI努力来说，数据收集仍然是最具挑战性的瓶颈之一。在生产线上收集标记图像既昂贵又干扰，许多团队面临先有鸡还是先有蛋的问题：他们需要数据来证明用例，但需要在承诺全面数据收集工作之前证明价值。Edge Impulse通过合成数据生成和增强来解决这个问题，因此客户可以用小型种子数据集测试可行性。类似于合成视觉数据，Edge Impulse引入了一种时间序列合成数据增强功能，用于振动等信号，在投资工厂采集之前，用真实变化扩展现有数据集，以便在实验室中验证概念。

在工厂层面，价值体现在需要一致性的简单重复工作中。故障识别和异常检测标记偏离正常的零件。装配验证检查每个组件在发货前是否到位。这些是一致性比判断更重要的任务，自动化可带来最大收益。

Edge Impulse实现了从数据收集、模型训练和优化到设备部署的无缝工作流程，将其转化为从桌面演示到生产的可重复路径。集成是务实的，管道中的每个阶段都可以通过容器化块交换，团队可以选择将自己的预训练模型编译成高效的设备库，插入现有的PLC、智能相机和网关。

合作伙伴关系将这种模式扩展到整个生态系统。与硅供应商和设备制造商的全球硬件生态系统战略合作扩大了支持硬件的范围并简化了部署。在Edge Impulse被高通收购后，与互补平台和服务提供商（如Foundries.io）的集成努力加强了大规模车队推广的渠道，而社区关注的硬件平台（如Arduino）保持了边缘AI的入口点，便于早期原型设计和实验。

展望未来，Edge Impulse期望提供更复杂和分层的边缘架构。一个新兴模式是使用模型级联，其中高效的检测器（如YOLO-Pro）持续运行以识别感兴趣的区域，并在需要时将选定的帧传递给更重的多模态或生成模型。

Mapegy的数据强调了塑造未来边缘格局的九个技术领域。这些领域处于成熟曲线的不同点，从短期扩展到长期研究押注。了解每个领域的加速情况及原因，有助于澄清边缘AI栈在未来五年可能如何演变。

设备端生成式AI是当前边缘AI周期中最明显的拐点。在所有分析的边缘相关领域中，它显示出最强的研究活动加速，反映了向在受限设备上直接执行生成模型的决定性转变，而不是将边缘视为薄推理层。

Mapegy的纵向分析将设备端生成式AI置于高技术就绪水平（TRL 7），影响时间窗口长达三年，2030年市场前景快速扩展。虽然与成熟的边缘领域相比，绝对活动水平仍然适度，但变化的速度和方向是明确的，标志着从可行性到早期商业部署的转变。

这一 momentum 与硬件和系统集成的进步密切相关。智能手机和SoC供应商已将神经处理单元提升为核心平台组件，实现语言、视觉和模型的持续设备端执行。最近来自高通、联发科和三星的旗舰平台将生成工作负载视为原生能力而非可选加速器。与此同时，苹果对其神经引擎的持续投资和据报道的设备端语言模型反映了更广泛的行业对隐私、延迟和离线健壮性的强调。参与范围广泛，超过125家成熟公司活跃在这一领域。

设备端生成式AI在硬件和软件集成方面进展迅速

在模型和软件层，重点已从扩大参数计数转向使生成模型在边缘约束下可行。研究活动越来越多地集中于激活感知量化、剪枝、蒸馏和内存高效注意力机制，以及KV缓存优化、推测解码和自适应层执行等技术。这些方法解决持续推理和内存压力，而非峰值基准性能。研究语料库反映了对实际部署的实践导向，包括NPU目标推理管道、混合设备和边缘辅助执行，以及缓解离线设置中泄漏和健壮性风险的机制。

运行时和工具生态系统也在相应发展。设备端推理引擎、轻量级向量数据库和硬件感知编译器实现了模型和部署目标之间的更紧密耦合，支持从移动处理器到嵌入式控制器和网关的一系列设备。这些工具还支持混合模式，在这种模式下，设备端模型在大多数交互中自主运行，同时有选择地与边缘服务器或云系统协调以处理更重的工作负载。Hailo等工业硅供应商说明了这些能力如何扩展到消费设备之外，进入视觉中心和工业边缘平台。

从战略上看，设备端生成式AI处于短期采用窗口，价值主张明确。核心用例包括设备端副驾驶、摘要和翻译、离线检索增强生成、嵌入式助手，以及跨移动、汽车、机器人和工业系统的多模态交互。这些应用直接受益于降低延迟、改善隐私和断开环境中的弹性。与此同时，风险依然存在。与大型云模型的质量差距持续存在，硬件碎片化使可移植性复杂化，在离线时强制执行安全和对齐仍然是一个开放挑战。

到2030年，生成能力预计将快速集成到智能手机、可穿戴设备、汽车、机器人和工业设备中。下一阶段将由更小和多模态模型、运行时和硅之间的更紧密耦合，以及在边缘约束和验证生成输出的更有条理的方法来塑造。

边缘感知正在决定性地超越单传感器管道。融合视觉、音频、惯性数据、雷达、激光雷达和新兴事件传感器的多模态栈正在成为自主系统实时感知和行动的基础。这一转变反映了一个日益增长的认知，即没有任何单一模态在现实世界的噪音、遮挡或环境变化下足够健壮。

Mapegy的纵向数据将多模态感知置于中等但加速的成熟阶段（TRL 6），影响时间窗口短，行业拉力强。在过去十年中，研究和专利活动一直保持一致地高，而最近新闻报道和专利增长的激增标志着从探索性融合研究向可部署、产品级感知栈的转变。相对于生成式AI，市场潜力仍然中等，但其战略重要性因其作为自主性先决条件的作用而过大。

多模态AI的增长说明了为什么不同模态的集成对AI应用越来越重要

这一领域的技术挑战已从传感转向集成。现代感知系统必须在严格的功率和延迟约束下同步具有不同时间分辨率、噪音特性和故障模式的异构数据流。时空融合、基于注意力的传感器加权和计算高效架构的进步，使感知管道即使在单个传感器退化时也能保持稳定。事件视觉就是这一趋势的例子。来自Prophesee的平台，通常与索尼图像传感器配对，展示了异步、低延迟视觉信号如何在高速度或低光条件下补充基于帧的相机。

这一演进在机器人和汽车栈中可见。雷达-相机融合正在成为先进驾驶员辅助系统的标准，而激光雷达-相机-IMU管道为无人机和移动机器人中的自主导航提供支持。Mobileye、华为和现代等公司在专利活动中表现突出，反映出对感知可靠性作为系统级约束而非算法功能的持续投资。同时，较小的初创公司正在探索专业融合引擎和领域特定栈，特别是在工业自动化和医疗机器人领域。

从战略上看，多模态感知处于关键的启用位置。它不能独立交付价值，但它决定了下游自主性、规划和控制的上限。核心用例跨越机器人导航、ADAS、无人机和AR/VR感知，其中健壮性和一致性比峰值精度更重要。这解释了为什么尽管技术就绪分数仅处于中等水平，但行业相关性很强。采用的驱动因素较少出于新奇，更多出于必要性。

风险仍然很大。多模态系统带来显著的数据和计算复杂性，增加成本和整合努力。隐私担忧加剧，因为更多传感器模式捕获敏感环境上下文。跨传感器和硅平台的工具碎片化继续减缓部署，特别是在汽车垂直领域之外。

到2030年，多模态感知预计将成为默认构建块而非差异化因素。随着融合框架稳定和硬件支持改善，感知栈将越来越多地被视为跨机器人、车辆和智能环境的共享基础设施。从这个意义上说，多模态感知在边缘的创新较少，而更多是使边缘自主性规模化可行。

神经形态计算在边缘AI领域占据独特位置。它是过去十年中研究最密集的领域之一，拥有大量的出版物的专利组合，但与大规模商业部署仍有一步之遥。Mapegy的数据反映了这种双重性，在低技术就绪和长影响时间预期的同时，保持着持续的学术和工业兴趣。

神经形态方法的吸引力很好理解。脉冲神经网络（SNN）、事件驱动计算和本地学习机制承诺在持续、始终在线的工作负载中实现数量级的能源效率提升。对于必须在极端功率约束下感知和适应的边缘系统，这一理论优势仍然令人信服。因此，神经形态计算继续吸引大量研究资金和专利活动，即使近期市场吸引力仍然有限。

最近的技术工作已从整体式神经形态处理器转向更实际的集成策略。研究越来越关注芯片学习、自适应突触、忆阻器和混合信号内存元件，以及将神经形态核心与传统数字处理器耦合的混合架构。神经形态组件不是取代GPU或NPU，而是被探索为稀疏传感、异常检测和自适应控制回路的专业协处理器。IBM、三星、BrainChip和Innatera等研究驱动的初创公司说明了这一模式，强调效率和响应能力而非通用性能。

从战略上看，神经形态计算仍是2026-2030年视野的长期研究向量。市场潜力真实但不在非常近的未来，商业化受限于不成熟的工具链、制造可变性和缺乏标准化编程模型。今天的用例仍然相对狭窄，集中在始终在线传感、超低功耗可穿戴设备，以及传统架构难以在功率预算内运行的探索性机器人应用。

展望未来，神经形态计算最好视为未来边缘效率的期权，而非短期平台转变。转折点更有可能在2020年代末和2030年代初出现，由模拟内存、混合数字-神经形态系统和更易访问的软件栈突破驱动。目前，它仍然是一个需要密切关注、选择性投资和谨慎整合到更广泛的边缘AI路线图中的领域。

传感器内和模拟AI解决了边缘系统中最基本的约束之一：移动数据的能源成本。通过直接在传感器内或模拟计算内存结构中执行计算，这些方法旨在将传感和推理折叠到单一物理层，最大限度地减少数据传输并显著降低功耗。

Mapegy的数据将这一领域置于成熟的早期阶段（TRL 3），影响时间窗口中等到长期。尽管商业就绪度有限，但近年来可见性和研究兴趣急剧增加，反映出对数字加速器 alone 难以克服的效率瓶颈的重新关注。与此同时，专利活动的下降表明围绕更少可行的架构路径进行整合，而不是广泛的探索性实验。

从技术上讲，进展跨越多个方面。像素内机器学习将轻量级推理直接集成到图像传感器中，在数据离开像素阵列之前实现早期过滤和特征提取。模拟计算内存方法，包括阻性交叉开关和混合信号MAC阵列，寻求在数据存储的地方执行矢量矩阵运算，完全绕过内存墙。来自IBM、三星电子、Synopsys和Intel等半导体和EDA玩家的作品反映了使这些概念可制造和可集成到现有设计流程中的日益增长的兴趣。

方法的多样性既是优势也是约束。模拟可变性、校准漂移和有限的可编程性使大规模部署变得复杂。工具链仍然碎片化，与数字控制逻辑的集成通常抵消了一些理论效率收益。因此，近期部署可能仍然是应用特定的，更适合严格约束的传感任务而非通用推理。

从战略上看，传感器内和模拟AI与更广泛地将智能更接近物理世界的推动高度一致。用例中心是智能传感器、早期视觉处理和传输原始数据不切实际或浪费的超低功耗检测任务。市场潜力是有意义的但不均衡，采用将严重依赖于工业和嵌入式环境中的验证周期。

到2030年，这一领域应被视为选择性启用器而非平台转变。2020年代末可能出现利基部署，随着稳定性和整合改善，随后在持续现场验证后更广泛地采用。对于边缘架构师，传感器内和模拟AI代表值得密切跟踪的高杠杆效率选项，但需要谨慎、针对性投资和现实的期望。

连接越来越多地成为智能栈的一部分，而非中性传输层。AI原生无线电架构的工作反映了这一转变，将无线系统重新定位为主动塑造分布式智能如何在边缘协调的适应性学习组件。

Mapegy的指标将这一领域牢固地置于早期定义阶段，技术就绪从实验测试台到预标准原型不等。绝对活动水平仍然较低，但研究和话语的增长率表明，部署时间表之前正在塑造基础架构决策。这一模式与必须在标准机构、硬件路线图和生态系统参与者之间协调的技术一致，然后再扩展。

从技术角度来看，当前的工作重点是将学习直接嵌入物理层和MAC层功能，包括波束形成、频道预测、干扰管理和联合通信传感。这些能力是分布式系统亚毫秒协调的先决条件，使车辆、机器人和基础设施之间的协作感知和共享态势感知成为可能。由爱立信、华为和诺基亚等公司领导的研究项目和现场试验说明了AI原生无线电概念如何与早期6G标准化工作并行探索。

从战略上看，AI原生无线电栈最好理解为长期启用器。其价值只有在6G部署、新调制解调器架构和设计利用超低延迟协调的边缘系统普及后才能实现。V2X传感、分布式推理和大规模协作感知等用例与网络演进和本地计算进步一样多。这种耦合解释了其强大的长期市场潜力和缓慢的盈利路径。

有意义的转折不太可能出现在2020年代末之前，更广泛的影响预计在2029-2032年左右，随着标准稳定和早期部署成熟。对于边缘系统设计师，近期相关性在于架构远见：构建能够适应AI原生连接范式出现的系统，而不是将无线视为固定约束。目前，这仍然是一个需要密切跟踪、选择性投资使能技术并随着6G试点过渡到运营网络而重新审视的领域。

CXL赋能边缘服务器是边缘栈中从架构意图到运营现实最明显的转变之一。专利活动和部署级产品的急剧增长反映了一个已经走出实验并进入扩展模式的生态系统，异构边缘系统解决内存瓶颈的需求推动。

这些平台支撑着越来越多被称为“厚边缘”的东西：聚合附近设备计算的同时保持独立于集中式云资源的本地基础设施。通过在CPU、GPU和加速器之间实现一致性内存池，CXL允许边缘运营商动态扩展容量、支持多模型工作负载并调整硬件组合，而无需重新架构系统。在工业园区、电信节点和智能基础设施中心，这有效地将边缘变成延迟优化的主权微云。

与许多前瞻性边缘技术不同，CXL受益于高技术就绪度和短影响时间。基于CXL 2.0的产品已经在发货，CXL 3.0将模型扩展到机架规模结构。英特尔、三星和研华等主要平台供应商的支持表明广泛的行业对齐，而用于内存池和编排的软件层开始稳定。

从战略上看，CXL赋能边缘服务器处于近期边缘AI扩展的核心。它们解决的是结构性约束而非增量优化，使其成为多加速器推理、共享KV缓存工作和自适应边缘数据中心的基础。风险仍然存在于互操作性和运营复杂性，但这些是执行挑战而非技术未知数。

展望未来，CXL有望成为高端边缘基础设施的默认架构假设。在这一视野中追踪的技术中，它因其时机、成熟度和市场拉动而脱颖而出，使这是一个需要立即采取行动而非推迟的领域。

代理和自监督机器人技术是边缘AI前沿中最大的近期市场机会，由强劲的商业兴趣和与现实世界部署距离的缩短所驱动。这一转变的核心是从脚本化工具到在日常环境中在自身闭环策略下感知、行动和适应的自主代理的转变。

2026年的定义趋势是物理AI的出现，机器人系统开始在实验室外展示，清晰的产品意图、行业合作伙伴关系和部署路线图。例如，在CES 2026年，以NVIDIA为中心的展示突出了广泛的代理机器人谱系，这些机器人具有设备端感知、控制和决策循环，显示出研究、工具和部署之间日益增长的一致性。例子包括——仅举几例——波士顿动力公司的Atlas向工业推广的转变，NEURA Robotics的通用任务人形平台，以及LG展示的消费者专注系统，体现 embodied 操作和交互。这些系统强调自主性、感知和设备端决策循环，而非远程控制或云依赖智能。

在技术层面，进展由自监督学习、基于模拟的训练和受约束的设备端策略适应驱动。这些方法减少了对标记数据集的依赖，同时使机器人能够适应新环境和任务。同时，有界自主性、安全层和可审计性仍然是中心设计要求，特别是对于工业和消费者部署。

Mapegy数据反映了这一 convergence。新闻活动同比增长超过900%，而研究输出增长约200%，将代理机器人置于0-5年影响时间窗口内。 momentum 反映了跨感知、控制、生成建模和边缘计算的实践集成，而非孤立的算法进步。

从战略上看，代理机器人技术正在成为系统级集成挑战和边缘AI价值创造的主要驱动力。近期用例包括自适应仓库自动化、检查和维护机器人，以及消费者服务机器人，随着平台成熟和安全框架稳定，预计到2030年将扩大规模。

光子边缘加速器解决了高级边缘工作负载中的基本扩展约束：计算吞吐量与数据移动之间日益增长的差距。通过使用光而非电子执行矩阵运算，光子架构为那些紧张数字加速器的工作负载承诺极端带宽和能源效率。

Mapegy的指标显示了一个具有大量累计研究、专利活动和近9亿美元启动资金 Signal 长期 conviction 的领域。新闻和专利增长保持强劲，反映了光学MAC阵列、光子张量核心和电光计算管道的积极实验。同时，技术就绪度仍然适中，将光子加速器牢固地置于中 long-term adopt 窗口。

行业参与跨越既有者和深科技初创公司。索尼集团、英特尔、IBM和台积电等既定玩家在硅光子研究和集成方面活跃，而Celestial AI（现为Marvell的一部分）、Black Semiconductor和OptiCore等初创公司专注于光学互连、光子计算结构和混合架构。这种组合反映了一个仍在探索形式因素和系统边界而非收敛于主导设计的领域。

硅光子学能否重塑硬件以将AI加速到前所未有的速度？

正在积极探索的用例包括高吞吐量推理、电信和信号处理，以及带宽密集型工业分析，在这些领域，光学数据路径提供了明显的理论优势。然而，实际约束仍然是决定性的。制造可扩展性、光子-电子集成、包装、热稳定性以及成熟软件工具链的缺乏继续限制除试点和特殊环境之外的部署。

从战略上看，光子边缘加速器代表了边缘计算领域中一个高上行但长周期的向量。近期影响可能仍然利基，混合电光系统和光子互连先于全光子计算核心。更有意义的转折点更可能在2030年之后，取决于集成、工具和跨硅、光子和软件的协同设计进展。

量子增强传感器处于成熟度曲线的极端。这些系统利用量子效应，如NV中心、冷原子和超导电路，以实现超越经典极限的灵敏度水平，通常需要低温控制电子来保持稳定性和超低噪音。

Mapegy的指标指向选择性但有意义的 momentum。新闻活动激增，主要由国防、航空航天和科学仪器项目驱动，而研究输出已经巩固而非扩展。这反映了一个从广泛学术探索转向重点、任务关键应用的领域。

近期内，这些技术不会影响主流边缘AI部署。其相关性在于精度、完整性和弹性胜过成本和可扩展性的领域，包括无GPS导航、高级医学成像、地球物理和安全传感。

对于2026-2035年视野，量子增强传感器应被视为具有长商业化周期和狭小但高价值市场的战略基础设施技术，而非通用边缘平台。

随着边缘AI系统变得更加自主和广泛部署，治理正在向上游转移到设计、部署和生命周期管理。在欧盟，AI法案引入了分阶段监管框架，对通用目的和高风险系统的义务在2025-2027年间逐步生效。对于受监管部门的边缘部署，这意味着对文档记录、日志记录、健壮性验证和上市后监控的具体要求。

同时，全球框架正在风险管理和系统健壮性方面收敛。NIST AI风险管理框架及其新兴网络安全配置提供了跨完整生命周期保护AI系统的指导，包括模型供应链、更新机制和运营控制。ISO/IEC 24029-2等标准正式化了评估神经网络在环境可变性和角落条件下健壮性的方法，与边缘感知和自治系统特别相关。

连接标准机构也在 laying 基础工作。在3GPP内，最近的版本强调了AI辅助和AI原生无线电架构的技术研究，Signal 通信、传感和推理可能共同演化为未来6G系统。

最后，环境 和治理压力正在引入对能源透明度的新期望。在推理层面测量和报告能源消耗正在成为不仅仅是优化的关注点，也是合规、可持续性报告和长期系统设计的关注点。

边缘AI正在成为2020年代末的定义性平台转变。智能正在向数据生成和决策制定的地方靠近，瓦解传感、计算和控制之间的传统边界。

Mapegy的数据显示了一致的轨迹。研究 momentum 正在集中在使本地生成、感知和适应的技术上的基础设施投资正在加速，因为它支持分布式、紧密集成的计算在边缘。同时，长期研究继续探索可能在一十年后重塑边缘系统的新效率前沿。

未来最有组织的组织不会孤立优化。他们将模型、硅、连接和治理视为单一系统，并相应设计。边缘AI的下一个突破不会作为整体平台到来。它们将通过分布式、超高效和自主的系统出现，构建在边缘。

参考资料：

https://www.wevolver.com/article/the-2026-edge-ai-technology-report/