Said Ouissal 是 ZEDEDA 的 CEO 和创始人,ZEDEDA 是一家使边缘计算变得轻松、开放和内在安全的公司。拥有近 30 年的经验,Said 是边缘计算、AI 和区块链领域的远见领袖和企业家。
想象一下世界上最大的汽车制造商之一的 AI 启用的服务中心。该系统运行得非常好。每当一辆车开进维修站时,AI 机械师已经完成了其作业,浏览了大量的车辆数据以确定它需要的确切服务配置。这种优雅的边缘应用需要一支由工程师组成的团队花费三年时间开发。它在 10 个经销商处运行。当需要将其扩展到 12,000 个位置时,团队发现每个企业在部署边缘 AI 时最终都会学到的东西:构建应用程序是容易的部分。将其扩展到成千上万个位置需要大多数行业仍在尝试解决的基础设施。这就是当前 AI 面临的定义性挑战。它正在改变下一波技术投资的方向。云计算的赌注正在改变大约 20 年来,企业软件的剧本很简单:将一切搬到云端。集中数据和应用程序,并控制它们。它对管理工作流非常有效,投资者也对其进行了大量回报。但是经济学正在发生变化。 SaaS 收入倍数,在疫情期间达到 18-20 倍的峰值,已经下降到 2016 年以来的最低水平。截至 2025 年底,公开的 SaaS 公司的中位数收入增长率下降到大约 12%。投资者仍然没有失去对软件的兴趣,但他们开始问一个更难的问题:AI 实际上在哪里产生回报?越来越多的答案是:不在云端。智能陷阱全球...
如果你想看到人工智能的未来,请忘记弗吉尼亚州北部的服务器农场或旧金山的创业孵化器。去佛罗里达州劳德代尔堡郊外的一家洗车公司看看吧。这家公司的智能运营来自一家你可能没听说过的公司,除非你在洗车行业,否则他们是行业领袖——Sonny’s The CarWash Factory。Sonny’s 是世界上最大的输送式洗车设备制造商——这是一项传统上由刷子、肥皂和皮带定义的业务,但他们正在用计算机视觉取代几十年的声纳技术,以毫秒为单位来测量车辆大小,并使用车牌识别技术进行即时忠诚度注册,并在驾驶到自助服务亭时测试对话式人工智能。尽管数十亿美元正在追逐下一个类似 ChatGPT 的产品——许多分析师警告说,这些投资已经超过了实际的采用率——一场安静的革命正在停车场、工厂车间、海上船只和医院地下室发生。我们正在见证一场分裂。 一方面是消费者人工智能:华丽、补贴和运营昂贵。 另一方面是物理人工智能:不光彩、植根于硬性投资回报率,并且已经在无法容忍延迟或停机的行业中改变了运营。这种分裂将定义即将到来的十年。 如果 2010 年代是关于连接设备(物联网),2020 年代是关于在数据源自的地方处理数据(边缘计算),那么 2030 年代将是关于即时对数据采取行动。 这是边缘人工智能的时代。创新发生在意想不到的地方对于根植于物理商品的行业,云端往往太远——无论是字面上还是运营上。以零售市场为例。 每家商店都在与库存记录和现实之间的差距作斗争。 衣服被移动、试穿和误放,传统数据库在几分钟内就变得过时。 但是有些公司正在转向一种商店本身就是数据库的模式。 天花板上的 RFID 扫描器实时跟踪服装——识别进入试衣间的服装、未离开的服装和特定尺寸的服装最终落在哪里。 他们不仅更新记录;他们正在实时数字化物理空间——这只有本地处理才能实现。医疗保健行业也正在遵循类似的路径。 现代 CT 和...
当ChatGPT自信地声称拿破仑发明了微波炉时,我们会笑着置之。但当AI控制手术机器人、自动驾驶车辆或工业系统时,就没有任何“幻觉”的空间。准确性至关重要。这在重建我们构建和部署人工智能的方式上带来了真正的挑战。 大多数组织在接近物理AI时都犯了一个基本错误:他们将数字AI策略应用于物理AI挑战。这行不通。物理AI需要与我们以前构建的任何东西都不同的基础设施、时间表和商业模式。 我亲眼见证了这种转变,企业在从油田到零售店等各个领域部署AI。成功的公司不仅仅是在更换技术——他们正在以完全不同的关于部署的假设运作。 被忽视的基础设施现实 关于物理AI,很多人忽略的一点是:它不能在云端运行。它不能运行。 当机器人公司向我描述他们的架构时,图景经常让传统IT领导人感到惊讶。机器人处理基本功能,同一设施中的边缘计算机处理复杂决策,云端管理训练和更新。这是一种分布式方法,迫使公司从头开始重新思考基础设施。 洗车场不是传统的高科技企业,但一些经营者正在使用AI进行预测维护、计算机视觉进行车辆识别和对话式客户界面。这些系统需要本地处理和实时响应,因为云连接不够可靠。 NVIDIA的新Jetson Thor芯片展示了这一趋势——将数据中心级别的能力放入紧凑的边缘设备中。这不是一个方便的功能——这是让系统工作的关键。 新兴标准看起来更像三层:设备处理立即响应;本地边缘系统管理设备组的更重的决策;云端处理训练。多数组织仍然在思考云端优先——这种思维方式不会带他们走得很远。 为什么企业部署不同 数字AI专注于用户采用和准确性改进。物理AI需要管理分布式基础设施、确保安全合规并在传统IT支持可能不存在的环境中保持运营。 看看医疗保健部署的现实。生成式AI可以分析医疗扫描以很高的准确性,但由于HIPAA规则,患者数据不能离开医院。医疗成像文件通常是几十到几百GB大小,使得上传到云端进行处理不切实际。医院需要可以在本地处理敏感数据的系统,同时仍提供高级云级分析。 障碍不仅仅是技术性的。在我们的最近调查中,37%的企业CIO指出人才短缺是他们的首要挑战。这些不是通常的AI技能——它们需要在AI、边缘计算、安全和行业特定法规的交叉点处的专业知识。五年前这些技能不存在。 时间表是另一个区别。数字AI应用程序快速部署和迭代。物理AI系统需要广泛的测试、监管批准和安全验证。自动驾驶汽车已经开发超过十年了,但仍然只在有限的区域运行。 当AI控制物理系统时,失败不是关于糟糕的用户体验——它是关于安全、合规和稳定性。 超越“黑盒”问题 传统的企业AI通常涉及特定于供应商的硬件解决方案。一位零售技术高管将其描述为“黑盒子,它们做自己的神奇小工具”。结果是:当公司处理不同的AI应用程序时,每个应用程序都有自己的硬件和安全挑战时,管理头痛就会出现。 领先的企业正在转向平台方法,在统一的边缘系统上运行多个AI工作负载。他们不是为每个AI用例购买新的设备,而是将模型作为应用程序部署在共享的基础设施上。 零售商立即看到了这种方法的吸引力。他们可能需要计算机视觉进行库存管理、预测分析进行HVAC和制冷系统的维护以及AI驱动的客户服务。他们不需要运行三个独立的系统——他们在共享的基础设施上整合一切,具有集中管理。 IT领导者看到了这种区别——管理应用程序胜过处理盒子。 投资现实检查 尽管人们对AI的热情很高,但大多数AI投资仍然难以衡量ROI。数字AI应用程序(如生成式AI)面临着一个特殊的挑战:虽然它们相对容易部署,但衡量其对知识工作者生产力的影响仍然很难。 物理AI呈现出不同的价值主张。部署障碍更高——需要分布式基础设施、安全验证和监管合规性——但潜在的回报更为具体。供应链优化、设备正常运行时间和工人安全改进可以用运营和财务术语直接衡量。 这种可衡量性的差异可能解释了为什么企业预算正在转变。2025年,90%的组织报告增加了边缘计算投资,其中近三分之一的投资增加了25%以上。这些投资反映了人们对物理AI的认识——尽管其复杂性,但它提供了更清晰的商业影响路径。 竞争窗口正在关闭...