边缘AI退场？不，企业算力账越来越细才是真相

一句话结论

Token降价未降低企业AI总账单，边缘算力因隐私和实时性需求，成为混合计算架构中不可替代的一环。

关键要点

• 上下文规模快速扩张，导致即使每百万Token单价持续下降，企业实际AI账单也未必同步减少。
• 视源股份在课堂观察业务中，将涉及未成年人隐私的敏感数据全部在本地进行脱敏处理，本地算力需求稳定在 32—48 TOPS 左右。
• 成都派兹互连的核心算法和图形计算引擎被严格禁止接触外网，部分电子制造客户供应链数据严禁外传，迫使关键业务必须采用本地部署。
• 英特尔指出 Agent 部署过程中大量需要 CPU 承担操作，且物理AI场景同时要求低功耗、防尘及 7×24 小时连续稳定运行。
• 客户对 AI 的采购方式正从单纯直接购买硬件系统，逐渐向租赁、订阅及与业务实际效果挂钩的合作模式倾斜。

背景与事实

视源股份商用显示 BG 副总裁王玉龙指出，企业每月在 AI 上的实际开销极高，原因在于输出良好效果的上下文需求量快速增加。这构成了视源股份与英特尔合作推进边缘侧 AI 算力的核心驱动力。针对零售门店点餐和结算要求实时响应、课堂视频涉及未成年人隐私、制造企业核心算法与供应链数据不能出内网等硬性条件，这些业务即使面对更便宜的云端模型，也不适合将完整工作负载直接迁移至云端。

英特尔行业及解决方案业务部总经理王景佳表示，近年来端侧 AI 部署不仅牵涉成本，更需综合考量服务器资源、时延、响应速度与隐私安全。随着 AI 进入业务，商米科技执行董事陈桂鸿提到门店经营任务算力需求分化：点餐和结算需实时反馈，依赖云端易受网络波动影响；而“智慧店长”分析海量数据无需实时返回，可交由云端执行。这种任务拆解促使本地化部署在特定场景中重新获得经济价值。

在具体行业落地中，视源旗下希沃探索课堂观察时，将音视频采集、结构化提取及脱敏数据提取全部在本地完成，本地设备无需运行超大模型，32—48 TOPS 的算力即可满足。成都派兹互连则因业务涉及 EDA 仿真及图形计算，要求核心系统必须内部署，其最新发布的 AI EDA 一体机采用英特尔 Agent Box 方案，结合锐炫 Pro B70 GPU 实现软硬件整合。同时，派兹互连的客户在前端设计阶段已希望使用高线程数处理器，同步完成电热磁与装配协同仿真，将后端工作前置。

影响分析

对于中文开发者与企业从业者而言，AI 算力的配置逻辑正在发生深刻转变。过去基于单次 API 调用价格评估 AI 项目可行性的方法已失效，随着 Agent 持续执行任务，总成本必须结合调用次数、上下文规模及任务并发量进行核算。这意味着在实际开发架构时，不能默认将一切任务推给云端，而必须在系统设计中明确“哪些计算必须靠近现场，哪些可以上云”。此外，面对隐私合规与网络断联风险，开发者在接入通用模型前，必须预留本地算力用于数据脱敏与实时响应，这要求从业者不仅精通模型调用，还需具备端、边、云协同调度及硬件适配的工程能力。

适用边界

上述混合算力架构的结论高度依赖“强实时性要求”和“数据严格不出域”两大前提。对于网络覆盖良好、无敏感数据出境风险且对时延不敏感的通用文本生成、短剧创作等场景，单纯依赖云端低成本大模型依然具备绝对成本优势，边缘部署反而会显著增加企业的硬件采购与运维开销，此时将工作负载强制拆解至本地便不具备经济合理性。

孤本观察

行业内的核心矛盾已不再是能否获取算力，而是能否精准计算“隐私安全、实时响应”与“算力投入”的边际收益，从而在混合架构中设计出最优的算力调度边界。

来源：InfoQ 中文 AI