当大模型“长”在边缘，英特灵达揭秘智能协同破局之道
发布时间：
2025-08-21 09:30:47
【导语】随着人工智能大模型的迅猛发展，其与边缘计算的结合正悄然引领一场颠覆性的智能协同变革(gé)。英(yīng)特(tè)灵(líng)达(dá)，一(yī)家(jiā)以(yǐ)智(zhì)能(néng)视(shì)觉(jué)计(jì)算(suàn)与(yǔ)芯(xīn)片(piàn)设(shè)计(jì)为(wèi)核(hé)心(xīn)技(jì)术(shù)的(de)企(qǐ)业(yè)，正(zhèng)通(tōng)过(guò)深(shēn)耕(gēng)行(xíng)业(yè)大(dà)模(mó)型(xíng)与(yǔ)边(biān)云(yún)协(xié)同(tóng)推(tuī)理(lǐ)策(cè)略(è)，突(tū)破(pò)效(xiào)能(néng)瓶(píng)颈(jǐng)，为(wèi)千(qiān)行百业的智能化升级提供坚实支撑。8月27日，IOTE 2025深圳・边缘计算产业生态大会上，英特灵达CEO朱才志将分享前沿洞察与实践路径，共探智能物联的新未来。
当边缘计算遇上AI大模型，一场静默却具颠覆性的智能协同变革，正悄然在技术演进与产业落地的交融中逐步推进。
在当下这个科技日新月异的时代，人工智能（AI）正以一股强劲的势头席卷全球。其中，AI大模型凭借其强大的泛化能力、语言理解能力、生成能力以及多模态融合能力，正逐渐渗透到各行各业，成为驱动智能化转型的核(hé)心动力。
随着大模型技术进入爆发式增长阶段，其所面临的多维挑战也日益凸显：一方面，大模型的发展该如何在经济性、泛化性与专业性构成的“不可能三角”中寻求有效平衡；另一方面，在边缘终端侧落地时，大模型还须应对性能与精度难以兼得、能效限制严格、部署与升级复杂以及数据隐私安全等多重挑战。
面对“不可能三角”的约束，英特灵达CEO朱才志提出了一个重要突破路径，将技术路线从通用大模型转向深耕具体场景的行业大模型。在边端侧部署层面，公司力推“边云协同推理”策略，以此攻克效能瓶颈，实现高效能与高可控性的模型部署与运行。
英特灵达是一家以智能视觉计算与芯片设计为核心技术的人工智能企业，专注解决视觉AI赋能千行百业过程中的“看不清”与“看不懂”两大核心难题。公司构建了覆盖从成像底层的低照视频全彩，到语义高层的视觉AI行业算法的整相机系统技术底座，致力于为客户提供高质量的、以视觉AI算法为核心的软硬件一体解决方案，产品可广泛用于安防、交通、车载、工业等行业。
在技术能力方面，英特灵达已建立包括垂直大模型、视觉语言大模型、边端侧视觉AI算法、相机系统优化、芯片设计等多项基座能力。基于这些能力，公司能够为用户提供AI算法软件、智能IPC、智能边缘服务器、AI芯片等创新型产品和整体解决方案，全面助力用户实现智能化升级。
当前，英特灵达尤其注重在特定行业中打造具有显著优势的垂直大模型。以安防为例，英特灵达的垂直大模型能够对监控视频进行实时智能分析，精准识别异常行为（如人员聚集、非法入侵等），并及时触发告警，有效协助执法与安保人员快速响应，提升公共安全治理水平，维护社会安全稳定。
面向多模态认知任务的复杂需求，英特灵达正重点布局视觉语言大模型，并持续优化VLM模型在边端设备上的运行效率。通过蒸馏、小模型协同等技术方式式，公司大模型能力有效迁移至资源受限的边缘设备，保障其在终端环境中稳定、高效运行，为各类智能终(zhōng)端(duān)与(yǔ)机(jī)器(qì)人(rén)系(xì)统(tǒng)的(de)大(dà)规(guī)模(mó)应(yīng)用(yòng)提(tí)供(gōng)坚(jiān)实(shí)支(zhī)撑(chēng)。
当(dāng)大(dà)模(mó)型(xíng)开(kāi)始(shǐ)“长(zhǎng)”在(zài)边(biān)缘(yuán)，一(yī)场(chǎng)静(jìng)谧(mì)却(què)影(yǐng)响(xiǎng)深(shēn)远(yuǎn)的(de)产(chǎn)业(yè)革(gé)命(mìng)正(zhèng)在(zài)重(zhòng)塑(sù)千(qiān)行(xíng)百(bǎi)业(yè)的(de)智(zhì)能(néng)未来！无论您是技术开发者、企业决策者，还是投资者与创业者，敬请关注8月27日，一场汇聚行业精英、引领技术潮流的盛会——“IOTE 2025深圳・边缘计算产业生态大会”即将盛大启幕。
届时，英特灵达CEO朱才志将在大会上发表“物联未来：大模型驱动的边(biān)缘智能协同革命”主题演讲，为我们带来更多关于英特灵达在边缘侧大模型落地的前沿洞察、行业垂直化应用的实践路径，以及如何通过“边云协同”重构智能物联的效能边界与产业范式。
相关新闻
数据瓶颈的误判与系统效能的底层逻辑很多人以为，自动化装配系统的效能提升必然依赖海量数据输入，当系统抛出“没有更多数据了”的错误提示时，便判定其已触及性能天花板。其实不然——这一错误本质是数据流管理失效的表征，而非系统能力的物理极限。在工业4.0架构中，数据并非越多越好，其有效性取决于三个关键维度：数据粒度、时序同步性与决策链闭环性。案例：慕尼黑工业博览会上的“数据饥饿”陷阱2023年慕尼黑工业博览
数据孤岛效应下的系统熵增危机很多人以为自动化装配系统的数据阈值仅受硬件存储容量限制，其实不然。在德国斯图加特某汽车零部件制造商的案例中，其2023年投产的智能产线因传感器数据流超载，导致PLC控制单元在47分钟内产生23次非计划停机。该产线配置了128组力觉传感器与32组视觉检测模块，原始数据生成速率达每秒1.2TB，远超工业以太网协议规定的100Mbps有效带宽。底层逻辑是：现代装配系统普遍采用
数据阈值：自动化装配的隐形边界很多人以为，自动化装配的精度仅由机械臂的重复定位精度决定，其实不然。在工业4.0的语境下，数据阈值才是决定系统稳定性的关键变量。当传感器采集的原始数据超过预设阈值时，系统会触发容错机制，这种机制的本质是数学模型与物理现实的动态博弈。以某德系汽车零部件供应商的案例为例：其位于巴伐利亚州的工厂曾因传感器数据波动导致装配线停机率上升12%。问题根源并非机械故障，而是阈值设定
数据瓶颈的底层逻辑：并非“量”的终结，而是“质”的觉醒很多人以为，自动化装配的数据瓶颈源于数据采集的物理限制或存储容量的技术天花板，其实不然。当系统抛出“没有更多数据了”的报错时，真正的矛盾往往隐藏在数据维度单一性、标注效率低下或算法泛化能力不足的底层逻辑中。以汽车底盘焊接产线为例，某头部车企曾因依赖单一传感器数据源，导致装配误差率在0.3mm阈值处频繁波动——看似数据量充足，实则缺乏多模态数据融
当自动化装配系统遭遇数据瓶颈：解码“没有更多数据了”背后的技术真相
数据断流：自动化装配的“隐形刹车”很多人以为，自动化装配系统的效率瓶颈仅存在于机械臂的重复定位精度或PLC的响应速度，其实不然。当系统抛出"{"error":"没有更多数据了"}"的报错时，暴露的往往是数据流架构的深层缺陷——这并非简单的存储容量问题，而是工业物联网（IIoT）与数字孪生（Digital Twin）协同失效的典型症状。底层逻辑：数据供应链的断
深圳市物联网产业协会成功举办《24小时自助图书馆通用规范》团体标准评审会
【导语】2019 年深圳市物联网产业协会发布的《24 小时自助图书馆通用规范》部分指标落后且引用文件有更新，不利行业发展。为此协(xié)会(huì)于(yú) 2024 年(nián) 11 月(yuè)启(qǐ)动(dòng)修(xiū)订(dìng)立(lì)项(xiàng)，2025 年(nián) 10 月(yuè) 30 日(rì)召(zhào)开(kāi)评(píng)审(shěn)
全球智能视觉处理芯片龙头冲刺港交所：光环之下，何以冲破增长枷锁？
【导语】近日，智能视觉处理芯片龙头富瀚微递交港交所招股书，吹响“A+H”双上市号角。其虽在全球市场占据领先地位，但2022 - 2025年上半年营收、净利、毛利率均逐年下滑。不过，富瀚微注重研发创新，积极拓展AI新业务版图。此次赴港上市，能否助力其突破瓶颈、续写传奇，值得期待(dài)。 近(jìn)日(rì)，智(zhì)能视觉处理芯片龙头富瀚微正式向港交所递交了招股书，吹响“
国家发改委等五部门：探索推动具身智能机器人进社区、进家庭，到 2027 年底建成 50 个以上全域数字化转型城市
【导语】10月31日，国家发展改革委等五部门发布《深化智慧城市发展推进全域数字化转型行动计划》，提出到2027年底建成50个以上全域数(shù)字(zì)化(huà)转(zhuǎn)型(xíng)城(chéng)市(shì)，2035年(nián)涌(yǒng)现(xiàn)一(yī)批(pī)具(jù)有(yǒu)国(guó)际(jì)竞(jìng)争(zhēng)力(lì)的(de)现(xià
2025深圳安博会：大公博创揽三奖 低空安防技术引国内外媒体聚焦
【导语】2025年10月28日至31日，第二十届中国国际社会公共安全博览会在深圳启幕。成都大公博创信息技术有限(xiàn)公(gōng)司(sī)携(xié)全系(xì)列(liè)低(dī)空(kōng)安(ān)防(fáng)设(shè)备(bèi)参(cān)展(zhǎn)，凭(píng)借(jiè)三(sān)项(xiàng)权(quán)威(wēi)大(dà)奖(jiǎng)、全栈(zh
【导语】中国电信率先公开展示业内首个“北斗语音消息”服务，首创 AI 算法实现语音极速传输；与此同时，华为也在第四届北斗峰会上发布相关功能，其手(shǒu)表(biǎo)成(chéng)首(shǒu)款(kuǎn)支(zhī)持(chí)终(zhōng)端(duān)，北(běi)斗(dòu)应(yīng)用(yòng)再(zài)掀(xiān)新(xīn)篇(piān)。 据(jù