展会第一天上午九点刚开馆，我站在飞凌嵌入式展台旁边的通道里，本来想先拍几张空镜，结果十分钟不到，AI视觉演示区前已经围了两层人。跟往年那种“扫码领资料就走”的流量不同，今年留下来的人几乎都会追着工程师问同一个问题：这套东西能不能直接上产线？
这是深圳国际物联网展（IOTE）上很典型的一幕。作为业内少有的把嵌入式核心板、整板方案和工业AI视觉场景放在同一个展区来展示的厂商，飞凌嵌入式这次带的内容很明确：一边是工规级核心板，覆盖瑞芯微、NXP等主流平台；另一边是一套可以直接跑目标检测、缺陷识别模型的边缘AI视觉演示方案。参观者的反应已经说明了一个趋势——嵌入式AI视觉不再只是PPT上的概念，而是物联网落地场景里真正被“点名要”的能力。
这篇文章我想抛开通稿式的“圆满成功”，站在一个在现场待了一整天的人的角度，聊聊展台为什么被围住，这套工业AI视觉方案里到底有哪些技术看点，以及现场工程师反复被问到的问题背后，藏着哪些行业共性需求。
1. 从现场人流看需求：深圳物联网展上被围住的不止是展位
1.1 第一天展台的真实场面，不是修图修出来的“人气爆棚”
我特意在上午、下午各观察了一段时间，飞凌嵌入式展台的AI视觉演示区几乎一直处于满负荷状态。展台上摆的是一套基于高性能核心板的边缘计算整机，通过屏幕实时显示摄像头捕捉到的画面，画面里的工件、元器件被画上识别框，旁边同时滚动着推理帧率、置信度、CPU占用率这些参数。就是这块屏幕，让很多原本只是路过的人停下了脚步。
跟纯展示性的Demo不同，现场这套演示是能用手去“干扰”的。有观众故意把手伸进画面里，系统仍然能稳定识别出目标物体；有人拿起旁边的零件挪动位置，识别框也实时跟着走。这种互动带来的说服力，比任何宣传册都强。我旁边一位做自动化设备的工程师跟他同事说了一句话，我印象很深：“这种才是看得见摸得着的AI，不是云端跑的那种玄学。”
展会现场的“人气爆棚”其实有另外一个层面：不少观众是带着具体项目需求来的。有人直接打开手机相册里的产线照片，问能不能检测出照片里的划痕和脏污；有人掏出PLC型号清单，问识别结果怎么给到上位机。这种咨询方式说明，大家关心的不是“AI能不能干这件事”，而是“这东西能不能嫁接到我现有的系统里”。
1.2 三类观众，三套完全不同的关注逻辑
在展台站了一天，我发现围观人群大致可以分成三类，每一类的问题方向都截然不同。
第一类是设备制造商和系统集成商。他们最关心的是核心板的供货稳定性、生命周期、宽温设计、工业接口资源，以及方案商能不能提供长期技术支持。对他们来说，AI视觉是产品增值点，但他们真正采购的是一块“能稳定跑AI的工业级板子”。
第二类是终端工厂的IT或自动化工程师。他们更关注部署成本、操作难度和现有产线的兼容性。常见的问题包括：“要不要重新布线”“能不能接我们现有的网络摄像头”“算法效果不好能不能自己重新训练”。这一类人往往是项目能否落地的关键决策者之一。
第三类则是做方案预研的研发人员。他们会问得很细，比如NPU支持哪些算子、模型量化后精度损失多少、多路视频流并发时帧率曲线怎么样。这些人通常不是当场下单，但对技术选型的影响力非常大。
三类人叠加在一起，展台自然会一直有人围着。飞凌嵌入式这次能吸引这么多人，本质上不是靠展位位置，而是因为“嵌入式+AI视觉+物联网”这三个关键词刚好同时命中了很多人的待办事项。
2. 工业AI视觉方案拆解：边缘算力、模型推理与产线部署链路
2.1 算力引擎选择：为什么嵌入式AI视觉绕不开NPU
现场很多人对“边缘AI”有个误解，以为随便拿一块四核Cortex-A72的开发板就能跑深度学习模型。实际上，在ARM平台用CPU跑YOLO这种目标检测网络，帧率往往只有个位数，根本没有工业实用价值。嵌入式AI视觉方案的核心引擎是NPU（神经网络处理单元）。
飞凌嵌入式在现场展示的方案，主要基于旗下搭载瑞芯微芯片的核心板。比如RK3568系列板载NPU算力约为1 TOPS，适合轻量级模型和单路视频分析；RK3588系列板载NPU算力可达6 TOPS，能同时处理多路视频流，跑YOLOv5s、YOLOv8s这类主流模型可以做到实时帧率。另外还有基于NXP i.MX 8M Plus的核心板，NPU算力为2.3 TOPS，在工业场景里因为芯片生命周期长、供货稳定，反而很受欢迎。
这套选型逻辑背后其实是算力、功耗、成本三者的平衡。工业现场有大量的点位需要部署视觉检测，每个点位都配一台带独立显卡的工控机，无论在成本、散热还是空间上都不可接受。而一块嵌入式核心板做成的小型边缘计算盒，功耗通常只有5到15瓦，却能完成以往需要GPU才能做的推理任务，这正是它在工业物联网场景里受欢迎的根本原因。
2.2 从摄像头到识别结果：一条完整的推理链路是如何打通的
很多人以为嵌入式AI视觉就是“板子插个摄像头，跑个模型”，实际上从物理世界到识别结果，中间要经过一长串处理环节。
首先是图像采集。现场演示用的是USB和MIPI-CSI接口的摄像头，针对工业场景还有GigE接口工业相机的接入方案。多路视频并发时，板卡端的ISP（图像信号处理器）能力非常关键，直接决定画面是否清晰、色彩是否准确、在强光或暗光环境下的适应性如何。
然后是推理引擎这一层。瑞芯微平台常用RKNN-Toolkit2把训练好的模型转换成RKNN格式，再通过RKNN Runtime在NPU上运行；NXP平台则对应使用eIQ推理框架。这里有个关键操作：模型转换时需要做量化处理，通常是从FP32转成INT8，以换取更高的推理速度。量化必然带来一定精度损失，但好的工程团队能通过校准数据集、混合量化、剪枝等手段把损失控制在1%到2%以内，这个精度水平在大多数缺陷检测场景里完全够用。
最后是业务逻辑层。推理结果不能只停留在画框层面，必须能触发实际动作或报警。现场演示的后端就通过Modbus TCP、串口、GPIO等方式输出结果，接到PLC、声光报警器或者MES系统上。也就是说，这套方案不只是一个“识别软件”，而是一个完整的从图像采集到决策输出的闭环。
2.3 比起“传统机器视觉”，嵌入式AI视觉真正赢在哪里
展台上有位做视觉检测设备的老工程师跟我说，他们现在用的还是“工业相机+工控机+算法软件”的传统架构，效果好是好，但一套下来成本高、体积大，中小工厂很难批量上。他专门来了解嵌入式方案，就是想把设备小型化、成本降下来。
传统机器视觉的优势在于高精度、高稳定性，适合在固定场景下做毫米级甚至微米级的测量和检测。但它也有明显的短板：对光照和环境变化敏感，换一个产品型号往往需要重新调整参数，整套系统成本很难下探到几千元这个大众区间。
嵌入式AI视觉的优势恰好互补。它基于深度学习模型，对光照变化、目标变形、复杂背景的容忍度更高；板卡形态小，可以直接嵌入到设备内部；成本结构更适合规模化部署。现场很多观众问完一圈之后，最常说的就是“原来一套工控机的预算，现在能覆盖三条产线了”。这正是嵌入式AI视觉的市场机会所在。
3. 演示很流畅，落地很难：现场交流中反复出现的三类现实问题
3.1 算法精度和现场光照环境的对抗
展台上的Demo是在室内稳定光源下运行的，画面干净、对比度高，识别自然流畅。但只要做过真实产线项目的人都知道，现场环境远没有那么友好：有的车间顶光直射造成反光，有的工件表面本身就有纹理干扰，有的是夜间弱光环境。
现场有好几位观众直接提出了类似问题。有位做食品包装检测的工程师说，他们产线上的包装膜反光非常严重，之前的视觉方案一到这个环节就误检率飙升，这也是他对AI视觉方案“又爱又怕”的原因。
我了解到，飞凌嵌入式这套方案在环境适配上是做了一些工程化处理的。一方面，IO接口和相机参数支持灵活调整，方便对接不同编码方式；另一方面，方案支持在部署现场用真实样本对模型进行二次训练和调优。这其实是嵌入式AI视觉落地中最重要的一环——不能指望实验室里训练好的模型到了现场就一劳永逸，必须建立“现场数据反馈-重训-更新”的循环机制。很多项目做不好，不是模型架构不行，而是没有建立这套机制。
3.2 算法结果到产线动作的“最后一公里”
现场咨询里有个高频词：PLC。做自动化产线的观众几乎都会问一句：“识别完之后，怎么通知PLC？”
这是个非常现实的问题。AI视觉方案识别出缺陷产品，如果只是屏幕上亮个红框，没有任何产线价值，必须把结果转成工业现场能识别的信号，去触发分拣机构、发出报警、或者记录到追溯系统里。
这就涉及到工业协议对接能力。飞凌嵌入式在展台上展示了Modbus TCP这种最常见的工业通信协议，识别结果可以实时写入PLC的寄存器，由PLC执行后续动作。除此之外，面向更复杂的工业现场，底层方案还支持EtherCAT、PROFINET等实时以太网协议，以及MQTT这种物联网云平台协议。把“AI输出的数据”翻译成“产线设备听得懂的命令”，这个看似不起眼的环节，其实是决定方案能否真正落地的关键。
有些观众在现场问，能不能用继电器直接输出信号来控制电磁阀？这也可以，核心板的GPIO引脚可以配置成开关量输出。但要提醒大家的是，直接用GPIO驱动工业电磁阀有安全隐患，最好通过中间继电器隔离，这是做工业方案的基本常识。
3.3 模型更新与后续运维，产线最容易被忽视的长期问题
还有一个被问得比较多的点，是模型更新。传统视觉设备出厂后基本不需要频繁调整，但AI模型的优势恰恰在于可以不断进化——今天能识别A类缺陷，明天收集了新的样本，就能学会识别B类缺陷。这种能力是好事，但如果更新流程设计得不好，也会变成运维噩梦。
展台工程师在交流中分享了一条可行的链路：通过OTA远程管理机制，把新模型推送到设备上，自动替换旧模型并重启服务。最终用户的无感升级、供应商远程更新，都能在其中实现。对于分布在多个厂区、几十上百个点位的部署场景，这套远程运维能力能省下大量跑现场的成本。
在现场，也有观众担心，模型更新后会不会导致原有功能“退化”。这种担心是对的。我在实际项目里见过更新了新模型后，原来识别得很好的目标，新模型反而漏检了。解决方法是引入灰度发布和数据回流机制：新模型先在部分设备上跑一段时间，对比误检率、漏检率指标，确认稳定后再全量推送。这套思路听起来像互联网公司做软件发布的流程，但在嵌入式AI视觉场景里同样适用。
4. 展台上被问到最多的六个问题，以及我们的判断
现场交流的信息量很大，我整理了被问得最多的六个问题，以及现场工程师给出的思路。这些问题有很强的代表性，基本反映了当前工业AI视觉落地时大家最关心的事情。
| 问题 | 高频出现的背景 | 现场给出的判断 |
|---|---|---|
| 能跑YOLOv8吗？ | 很多客户已经在用YOLO系列做算法验证 | 主流YOLO系列模型都能跑，瑞芯微平台通过RKNN转换，NXP平台通过eIQ转换，量化后保持实时推理 |
| 一颗板卡接几路相机？ | 想看多个工位的成本是否划算 | 取决于所选芯片型号，RK3588级别可支持多路视频流并发，单路模型推理和多路并发需要平衡分辨率与帧率 |
| 能接产线上现有的工业相机吗？ | 不想更换已有视觉硬件 | 支持USB、MIPI-CSI、GigE接口工业相机，关键是确认相机SDK和驱动是否适配对应平台 |
| 部署周期要多久？ | 项目有明确上线时间表 | 标准场景一周左右出Demo效果，含模型转换、调优和接口联调；复杂的多路并发或特种检测场景周期另算 |
| 不会写算法能搞定吗？ | 集成商自己有硬件客户，但没有AI算法团队 | 飞凌提供成熟模型方案和算法适配服务，集成商可以基于现成方案做二次开发，重点做场景适配和交付 |
| 小批量试产怎么合作？ | 先买一两套做验证 | 核心板和整机都有灵活起订量，可以先通过开发套件做技术验证，确认稳定后再谈批量供货 |
这六个问题背后其实反映的是同一个诉求：降低AI视觉的准入门槛。嵌入式AI视觉要走进千行百业，不能要求每个集成商都养一支算法团队。产品化程度越高的方案，把模型转换、接口适配、部署工具链这些环节做得越封装化，客户只需要专注于自己的业务场景做微调，这个方向才是嵌入式AI视觉大规模普及的路径。
4.1 关于“模型能不能自己训练”的进一步解答
现场有好几位研发背景的观众追问到这一步：方案方提供的模型效果如果不满足，有没有办法用自己的数据集重新训练？
这是完全可行的，但要做一定的工作分解。典型的流程是：用户准备标注好的数据集，在训练环境中用YOLO等框架训练模型，导出ONNX等中间格式，然后针对具体平台做模型转换和量化。工具链层面的RKNN-Toolkit2和eIQ都提供了相对完整的模型转换、验证和性能分析能力，开发者只需要在PC端安装工具链，按照流程操作即可。
现场有位观众的反馈很有代表性，他说：“最怕的是换个板子就要重新学一套工具链。”这话说得实在。所以嵌入式AI视觉选型，芯片平台的生态成熟度非常重要。瑞芯微和NXP的平台工具链文档、社区案例、第三方教程都相对丰富，遇到问题能搜到解决方案，这对开发团队来说可能比硬件本身更宝贵。
4.2 “功耗和散热”：区别工业级与消费级的分水岭
还有一个容易被忽略但非常关键的指标是功耗和散热。展台演示用的整机外壳摸上去只有温热感，这在工业现场是非常重要的优势。嵌入式计算方案通常采用无风扇设计，通过铝合金外壳被动散热，能在-40℃到85℃的宽温范围内工作（不同型号规格有差异），这跟普通商用电脑摆在车间里动不动就过热死机是完全不同的设计思路。
工业现场的粉尘、震动、湿度、电压波动等恶劣条件，对硬件设计提出了额外要求。飞凌方面在交流中也提到，核心板均经过严格的可靠性验证，整机方案也考虑了三防漆处理、电源保护等环节。这些细节虽然不如算力参数那么吸引眼球，但在实际产线上，往往恰恰是决定项目成败的关键因素。很多AI视觉项目试点跑得好好的，结果一上产线就频繁死机，问题基本都出在“工业适配”这个环节。
5. 从展区走完一圈的感受：嵌入式AI视觉正在变成物联网的基础设施
5.1 从“通用大模型”到“落地小模型”的回归
逛完整个展馆，我有一个很明显的感觉：今年大家聊AI的方式跟去年不一样了。去年很多展台聊的是“我们有AI能力”，今年大家都在聊“AI解决了哪个具体问题”。这种转变背后，是行业从概念狂热到理性落地的回归。
嵌入式AI视觉在工业物联网里的定位，不是去跟云端大模型比“谁更聪明”，而是比“谁更稳、谁更快、谁更省”。现场展示的单路或多路实时目标检测、缺陷分类这些能力，对应的都是工厂里真实存在的痛点：产品质量需要自动检测，安全隐患需要实时识别，工序动作需要自动记录。这些场景的共同特点是数据量大、实时性要求高、网络环境不一定稳定，最适合把AI推理放在边缘端完成，而不是把每一帧画面都传到云端。
从这个角度看，嵌入式AI视觉本质上就是物联网感知层的“眼睛”。物联网以前主要靠温度、湿度、振动这类传感器采集数据，但数据维度单一，很难反映“物体到底是什么样”。视觉传感器补上了这个空缺，而且是在边缘端直接完成理解，只把结果上送平台。这也解释了为什么在这个展会里，做嵌入式板卡的展台会围满做行业解决方案的人——大家缺的不是“联网”能力，而是“看懂世界”的能力。
5.2 边缘形态的多样化：从核心板到整机方案，正在走向标准化
另一个值得注意的现场细节是，观众对方案形态的需求也在分化。一部分客户希望直接采购核心板，自己做底板和整机，以便更好地集成到自有设备中；另一部分客户则希望直接拿到能跑的整机方案，开机即用，只需要配置相机和模型。
飞凌嵌入式这次同时展示核心板和整机方案，正是对应了这两类需求。做设备的企业更倾向于考核心板，因为可以把计算单元嵌入自研设备的电路板里；做系统集成的企业则更欢迎整机形态，拿到手就能部署，减少硬件层面的研发工作量。
这种产品形态的细化，说明嵌入式AI视觉正在从“定制项目制”走向“标准产品制”。只有当硬件平台、软件工具链、模型算法都被打包成标准化组件，下游集成商才能把主要精力放在自己擅长的行业know-how上。这是任何一个技术品类大规模普及的必经之路。
5.3 展会落幕后的几点提醒
在展馆待了一整天，除了看到行业热度，我也观察到一些值得保持清醒的地方。
首先是嵌入式AI视觉方案在演示阶段做到“能用”并不难，难的是在现场复杂环境里做到“好用”，这需要方案商有足够多的项目经验积累下来，了解每个行业的特殊场景。其次是很多观众关注成本，但单纯比价格其实是没意义的，真正的成本账应该算上部署成本、调试成本、运维成本和使用寿命。一块稳定跑五年不宕机的板卡，即使单价贵一些，摊到年化成本上反而更划算。
最后一点，也是我想给正在做技术选型的朋友们的一个个人建议：选择嵌入式AI视觉方案时，别只盯着NPU算力数字看。算力是起点，但不是全部。工具链的成熟度、开发文档的完整度、原厂和方案商的技术支持响应速度，这些指标对项目周期的影响往往比几个TOPS的差距更大。现场被围住的展台，技术参数只是敲门砖，真正留住观众的，是能回答各种实际问题的工程底气。
