中小制造企业的边缘AI落地是一种把AI模型部署在工厂本地（产线旁的AI盒子或端侧设备）而非云端的轻量化智能化路径，它通过"不重构产线、不依赖云端算力、不自建算法团队"三个不，把质检、设备监测等场景的AI门槛压到中小厂够得着的位置。公开案例给出的参考区间是：部署周期3-7天、单台盒子功耗12-15W、投资回收期最快4.2个月到6个月。小厂部署AI不一定要上云——对多数质检场景，一个边缘盒子先跑起来，比一套云平台规划书更务实。

案例速写

先看三组公开案例。其一，东莞滨海湾研究院的"工艺大脑"落在PCB行业：10条产线每年节省质检成本约300万元，质检人力减少50%；同一套系统用到光伏行业，产能和良品率均提升5%。（信源：万物纵横行业分析引述）其二，中国联通在美芝工厂部署的"AI+视觉大模型"边缘方案，仅需1-5个缺陷样本即可完成迁移训练，标注时间减少80%，开发成本降低66%。（信源：同上）其三，某东莞连接器厂商的实测复盘：3条试点产线7天完成部署、全程未停产，盒子内置经工业微调的多模态大模型，量化压缩到12GB本地运行，普通工人培训一天上手。（信源：大迈发《实测复盘：大模型边缘质检盒子》）

三个案例的共同点：都没有"上云做平台"，都是把AI塞进一个产线旁的盒子。

转型动因

中小厂为什么绕开云端？三笔账算下来很清楚。带宽账：视觉质检的图像流上云，单条产线一年带宽成本超2.5万元，产线一多就是持续失血。数据账：产品设计细节、工艺参数是中小厂仅有的护城河，图像出厂上云，老板心里就不踏实——这不是技术问题，是商业安全问题。人力账：一条产线5-6名质检员、人工成本年涨10%以上，而一名质检工月薪4000-6000元，3名质检工年人力成本超15万元——一台万元级的边缘盒子7×24小时不眨眼，这笔替换账中小厂老板都会算。

反过来，云端方案要求的"数据中台、专职算法团队、按年付费的平台订阅"，恰恰是中小厂最缺的三样东西。

技术嵌入

边缘AI落地目前有三种主流形态，按投入从低到高排列：

形态一：AI盒子（最常见）。一个巴掌大的工业级盒子（主流算力7-16TOPS@INT8，功耗12-15W，宽温防尘），直接接产线相机和PLC，模型在盒子里推理，毫秒级出结果。不改产线、即插即用，部署周期从周级压到天级甚至小时级。

形态二：端侧大模型。在盒子里跑经过量化压缩的多模态大模型（如AWQ量化把模型压到12GB），少样本就能识别传统AOI搞不定的长尾缺陷——微小污渍、引脚轻微偏移这类"样本太少、规则难写"的缺陷是它的主场。

形态三：云边协同。日常推理全在本地，云端只负责模型迭代训练和多厂区管理——数据分级：本地处理、边缘分析、云端决策。适合已有多个厂区、想统一管理的成长型企业，不是第一步。

能力单元分析 ★

用能力单元论看，边缘AI做的事情本质上是一次"质检能力单元"的分离与再部署。

传统模式下，质检能力粘在质检员身上——人、经验、判断标准三位一体，无法拆开，也无法复制：老师傅离职，能力单元就跟着走了。云端AI方案把这个能力单元分离出来了，但部署位置错了——它被搬到云上，每次调用都要过一遍网络，调用成本（带宽、延迟、数据风险）吃掉了分离的红利。

边缘AI的聪明之处在于：能力单元分离之后，就近部署、就地调用。质检能力被封装进盒子，部署在产线旁一米的位置，调用延迟毫秒级、调用成本趋近于零。而且这个单元变成了标准件——第一条产线调好的模型，复制到第二、三条产线的边际成本极低。这正是能力单元论的核心主张：能力单元的价值不仅在于分离，更在于部署位置与调用半径的匹配。质检是高频、低时延容忍、数据敏感的调用场景，它的能力单元就应该长在产线旁边，而不是云端。

组织变阵

人不是被裁掉，是被换了岗。公开案例的普遍走向：质检工转型"算法调参员""工艺优化员"——盒子报出的缺陷分布数据，反过来成了工艺改进的输入，形成"检测-分析-改进"的闭环。这是过去人工质检给不了的：人只能挑出坏品，盒子还能告诉你坏品集中在哪个班次、哪个模具、哪道工序。

对老板的组织要求也变了：不需要招算法工程师，但需要指定一个"懂产品缺陷的人"当盒子的主人——前期陪着标注样本、验收误报，后期盯着缺陷数据做工艺归因。没有这个人，盒子就会沦为"高级摄像头"。

ROI兑现与踩坑

公开数据的参考区间：投资回收期3-6个月（人力替代型场景），最快4.2个月（某电子代工厂100台盒子规模部署，带宽成本降92%、综合TCO降58%）；精度方面，轴承厂漏检率从15%降到1%以下、齿轮厂误废率从15%降至0.5%。

但要诚实地泼三盆冷水。第一，以上数字多来自厂商供稿或成功客户复盘，是"幸存者数据"——选型时应要求厂商用你自己的产品坏样本做POC实测，而不是看案例集。第二，长尾缺陷的少样本识别没有宣传的那么神：首次部署的实际准确率普遍需要2-4周的现场调优才能爬到可用水平，这段"磨合期"要预留人力陪跑。第三，边缘盒子救不了烂产线：来料波动大、工艺本身不稳定的产线，AI只会更快地报出更多的坏品——先把工艺稳住，再谈质检智能化。

可迁移方法论

用四则法收束边缘AI的落地路径：减法先行——不上平台、不买中台，砍掉一切"为了将来"的冗余投入，用一个盒子、一条产线、一个场景起步；除法是内核——把质检能力单元从人身上分离出来、封装成可复制的标准件；跑通之后做乘法——把调好的模型复制到同类产线，边际成本趋零；至于云边协同的加法，留给厂区多了、真有统一管理需求的那一天。

中小厂的AI落地，从来不是技术选型问题，而是投入节奏问题。边缘AI的价值，就是把"先跑起来"的门槛压到了一个车间主任就能拍板的位置。

本文为场景学社"AI制造"栏目2026年Q3系列。本栏目以能力单元论（王甲佳，2007）为分析轴，深读真实制造业AI转型案例。