算力放哪：边缘盒子、工控机还是服务器

「算力放哪」这个问题，多数工位级视觉 SOP 场景的答案是：推理放在工位侧，服务器只做集中管理与长期存储。工位端要的是「动作发生当下就报警」，这个延迟要求把小规模推理推向了边缘；而跨产线的配置下发、算法更新、数据汇总与追溯查询，天然适合放在服务器。只有在同时分析几十路视频、或需要频繁重训较大模型时，才值得把实时推理也收回服务器。还有一类常被忽略的中间形态：把推理放在车间级的边缘服务器上，物理上靠近产线但不进机房，兼顾延迟与统一管理，适合一条产线内工位集中的场合。判断依据主要是三个量：同时要看的相机路数、单路分辨率与帧率、允许的响应延迟。

先算三个量：路数、分辨率、延迟

一个工位通常配 1 到 2 台相机——一台看整体动作序列，一台看局部细节（比如螺丝是否到位）。一条 30 工位的产线，就是 30 到 60 路视频。这个数字是部署形态的分水岭：几路到十几路，边缘足够；几十路以上集中处理，带宽和单机算力都会开始吃紧。 分辨率的影响则不是线性的，像素翻倍意味着卷积计算量上升得更多。很多现场其实不需要 1080p：判断「手有没有伸到料盒里」这种大动作，720p 甚至更低就够；但要看清「螺丝头是否露在孔外」，就得提高分辨率并相应收紧视野。相机分辨率的取舍可以看工业相机怎么选。帧率同样容易被忽略：动作判定通常不需要 30 帧/秒——人的作业节奏决定了 10 到 15 帧/秒往往就足以捕捉关键动作，把帧率降下来能直接腾出算力，代价是要接受个别瞬间的漏拍。

延迟是最容易被低估的一项。工位端报警的价值在于「当场纠正」，所以从动作发生到给出提示，通常希望落在 1 秒以内，最好在数百毫秒级。集中式方案要多走一段「编码—传输—解码」的路，端到端延迟随之增加几十到几百毫秒。运动快的工位还会牵出快门类型的取舍，可参考全局快门与卷帘快门的区别。如果工位本身节拍很快（比如几秒一件），延迟预算会被进一步压缩，这也是这类工位优先放在边缘的另一个原因。

• 同时要看的相机有多少路？超过 15 路就要认真考虑算力收敛的问题。
• 单路需要多高的分辨率？只有大动作判定时通常可以降到 720p。
• 允许的延迟是多少？要求 1 秒内提示的，优先把推理放在边缘。

三种部署形态怎么选

什么时候反而应该集中到服务器

有三种情况，集中式更划算。一是模型需要频繁更新。 如果工艺变化快、模型每周都要重训，把所有算力集中在一处，更新一次就能覆盖全线，不必逐台升级边缘设备。二是路数少但模型大。 某些高精度检测（比如微小的外观缺陷）需要较大的模型，单台边缘设备跑不动，可以集中到一张服务器卡上。三是已有成熟的机房与运维体系。 如果工厂本来就有机房、有值守的 IT 人员，集中部署的运维成本反而更低。这几种情况下的分层方式，可以参考视觉 AI SOP 系统的能力说明。

成本量级与运维考虑

按常见配置估算，边缘盒子的单价在数千元级，工控机（含入门显卡）在万元级，GPU 服务器通常在数万元起，还不含机房、UPS 与网络改造。这里只是量级参考，具体取决于路数与模型规模。运维上的差别更值得提前想清楚：边缘方案要管的是「分散的 N 台设备」，远程升级、状态监控、故障替换的流程都要事先设计；集中方案只需盯一台服务器，但一旦它出问题影响面更大，通常需要冗余。两种形态各有取舍，没有一个普遍更优的答案。整体上线节奏可参考视觉SOP实施周期怎么排。还要考虑扩展性：边缘设备通常按工位数量线性增加投入，而集中方案在路数增长时可能只需加卡。如果产线未来会大幅扩张，集中式的边际成本反而更低。