边缘计算与制造业的结合，将提升制造业哪些场景的能力？

找准哪些边缘业务需要在边缘端执行，并可以容器化的场景，比如现在比较多的是 MES 系统，WMS 系统等，特别是 MES 这种将提升制造业的自动化管理能力，它可以通过区分小MES和大MES，小MES一般是和工业设备结合比较紧密的，实时的，所以需要在边缘端运行，大MES可以放云端。

另外，制造业一个很重要的场景是要监控设备的运行状态，比如通过 IOT 数采后，将数据上传到云端，最后进行数据分析后，形成设备云眼，这个就是所有边端设备的一个近实时的监控平台，而其中的IOT数采今后会越来越多的使用软件来代替硬件盒子实现，比如EMQ的neuron, emqx server, 甚至需要在边缘侧进行数据分析的 tdengine 等都是需要利用到边缘计算功能，这些软件的部署、升级，一般都是需要通过云端部署后，下发到边缘端的。

从行业发展来看，QA及质量将会是目前企业面临的一个很大的挑战，尤其在当今劳动成本的不断提升，传统目检工作越来越不被新一代工人所接受的前提下，计算机视觉可以起到一个很好降本增效的助推器，提到计算机视觉就不能忽视已经很成熟的机器视觉，其在测量，定位，识别等场景已经有超过10年的发展历程，并持续在帮助制造业提效降本，但是机器视觉始终无法解决相对复杂的视觉问题，譬如对缺陷程度的判定，更多缺陷种类的划分，高亮度甚至极小瑕疵的检测等等，伴随人工智能的发展，基于AI的计算机视觉被越来越关注，近年来，开始有越来越多的玩家，从BAT到众多的Startup公司，包括大型企业内部自身孵化，都可以看到这个方向活跃的参与者，目前提及很多的工业4.0或智能制造中，智能化的一个重要场景体现，也会在计算机视觉-工业检测这个场景中。反观整个工业检测，对于精密制程或高节拍的生产环节往往都是一个复杂的系统工程，会包括图像采集，光源，运动配合，预处理，数据准备，模型训练及迭代，模型推理，后处理追踪，MES集成等众多环节，AI算法只是其中很重要的一个部分，整个项目在企业内部也应该是一个从上到下，多部门协作的项目，包括生产制造对于AI的预期，譬如漏检率，过检率有一个充分的预期和沟通。从目前落地的情况看，半导体，面板，新能源，高端3C，汽车等行业接受和落地的程度 较好，特别是先进制程和精密制造方向，对于企业QA的提升和成本优化，都可以起到明显的提升，另外一个感受就是，解决方案的复制性不强，定制化内容居多， 这也是成本居高的一个原因。