本次查询：Edge Deployment
中文解释：边缘部署
常见场景：AI模型部署与边缘计算
一句话解释
Edge Deployment就是把AI模型从云端“搬”到手机、摄像头、路由器这类离用户很近的设备上运行，让设备自己就能做智能判断，不用每次都问云端。
为什么会被关注
传统AI依赖云端推理，但网络不稳定、延迟高、数据隐私风险大。随着物联网和5G普及，大量实时场景（如自动驾驶、智能安防）需要毫秒级响应，边缘部署成为刚需。
此外，算力芯片的进步（如NPU、TPU）让手机、嵌入式设备也能跑大模型，企业开始将推理能力下沉到边缘，降低成本的同时提升用户体验。
核心逻辑
边缘部署的核心是“就近计算”：模型在本地设备上加载并执行推理，只把必要的结果或异常数据上传云端。这要求模型经过压缩、量化、剪枝等优化，以适应边缘设备有限的算力和内存。
通常流程包括：云端训练 → 模型转换（如TensorFlow Lite、ONNX）→ 部署到边缘设备 → 本地推理 + 结果反馈。部署后还能通过OTA更新模型，保持能力持续进化。
常见场景
智能摄像头：在摄像头内完成人脸识别、车牌检测，只上传报警截图，节省带宽和存储。工业质检：在产线边缘盒子实时判断产品缺陷，延迟低于10毫秒。
手机AI应用：语音助手、实时翻译、拍照优化均在本地端侧运行，避免联网延迟。智能家居：音箱、门锁内置语音模型，离线也能响应指令。
容易混淆的点
Edge Deployment≠云计算边缘节点：前者指模型跑在终端设备上，后者指把计算放在靠近用户的服务器节点（如CDN），仍然属于云基础设施。
Edge Deployment≠联邦学习：联邦学习是在边缘设备上训练模型并聚合参数，重点在训练；边缘部署重点在推理。不过两者常结合，联邦学习可优化边缘模型。