1. 导论：工业数据主权危机与集中式AI范式的失效

当前，全球制造业的数字化转型正步入深水区，以汽车、半导体及消费电子供应链为代表的核心工业领域，其智能化升级的进程却遭遇了前所未有的结构性瓶颈。这一瓶颈并非源于算力不足或算法落后，而是根植于一个更为根本的矛盾：在数据成为核心生产要素的时代，工业数据的所有权、控制权与使用权之间的冲突日益尖锐，形成了深刻的“数据主权与信任危机”。这场危机直接导致了一种在工业界普遍存在却鲜少被公开讨论的困境——供应链上的企业，尤其是掌握核心工艺数据的供应商，宁愿承受AI模型性能低下（即所谓AI“智障”）的代价，也绝不愿交出包含商业机密与核心工艺的原始数据图纸。这种“囚徒困境”式的选择，使得依赖数据汇聚的传统集中式AI训练范式在工业场景中面临系统性失效的风险，成为制约产业整体智能化水平跃升的最大障碍。

1.1 危机成因：技术、商业与地缘政治的多维共振

工业数据主权危机的爆发，是技术架构滞后、商业利益博弈与地缘政治规则碎片化三者共振的结果。首先，数据孤岛现象是危机的物理基础。在复杂的供应链网络中，核心企业（链主）与各级供应商之间存在着天然的数据壁垒。调查显示，高达86%的供应链参与主体因缺乏可靠的安全保障而拒绝数据流通，担心核心工艺参数、生产缺陷图谱等敏感信息在共享过程中泄露，从而丧失竞争优势。这种对数据泄露的恐惧并非空穴来风，它直接源于传统集中式AI训练模式要求数据物理汇聚至云端或链主数据中心的基本逻辑。

其次，技术架构的代际滞后放大了系统性风险。工业互联网的推进使得智能设备激增，例如一辆智能网联汽车日均产生数据量可达10TB，涵盖轨迹、语音、车内外视频等高度敏感信息。然而，传统的基于网络边界的防护体系在应对高级持续性威胁（APT）和供应链攻击时已力不从心。更严峻的挑战在于硬件层，以英伟达为代表的芯片巨头因其硬件安全机制的不透明性而面临严格审查，这揭示了从芯片、操作系统到应用软件的整个技术栈都可能存在被外部势力植入后门的“暗门”风险，动摇了跨国供应链的底层信任根基。

最后，地缘政治驱动的法规割裂将危机推向全球化困境。为维护数字主权，各国纷纷出台严格的数据本地化法规。截至2023年初，全球已有40个经济体实施了96项数据本地化措施，其中近半数是在2015年后新增的。这些法规不仅要求数据存储于境内，更严格限制跨境流动。其深层目的之一是防止“算法殖民”，即通过掌控数据与算法来影响他国产业命脉。这种“规则巴尔干化”的局面，使得跨国企业几乎不可能建立一个统一、合规的全球数据池用于集中式AI训练，传统范式在法律层面已然走入了死胡同。

1.2 行业表征：信任崩塌的具象化与破坏性影响

数据主权危机在不同工业领域呈现出差异化的破坏形式，其影响已从虚拟空间的信息泄露，延伸至物理世界的运营瘫痪、安全事故与商业信誉的崩塌。

在汽车行业，网络安全事件呈现爆发式增长，2023年高影响大规模事件数量较上年翻倍。危机已超越数据窃取，直接威胁物理安全与生命。例如，美国主要汽车经销商遭遇勒索软件攻击，导致全美上万家4S店业务中断长达13天，凸显了供应链单一节点的脆弱性足以瘫痪整个销售网络。更为触目惊心的是，2025年3月小米SU7的致死事故，调查指向智能驾驶系统的道路标识识别失效与实时地图数据滞后，引发了公众对智能汽车数据可靠性及算法决策安全性的深度信任危机。这些事件表明，当数据无法在保障主权的前提下有效协同，AI系统的可靠性便无从谈起。

半导体行业的危机则聚焦于供应链的可追溯性与第三方协作风险。尽管行业广泛采用标识码进行追踪，但其易被篡改复制的特性无法杜绝灰色市场的芯片仿冒。与此同时，第三方合作伙伴成为数据泄露的重灾区。2025年的行业数据显示，至少30%的已报告数据泄露事件源于第三方，且这一比例持续上升，暴露出供应链协同中极其脆弱的信任链条。在高度依赖全球分工的半导体制造中，这种信任缺失直接阻碍了跨厂区的良率提升与缺陷根因分析。

消费电子领域的危机更多体现为算法伦理失范与产品质量信任断裂。“大数据杀熟”等算法歧视行为侵蚀了消费者信任，而繁琐的维权渠道加剧了不安全感。在供应链层面，罗马仕因电芯隔膜材料被供应商偷换，导致产品过热并最终引发资金链断裂，这深刻揭示了供应链透明度缺失所带来的毁灭性商业后果。

表1：2025-2026年三大工业领域数据主权危机典型表现

1.3 范式失效：集中式AI训练在工业场景的终结

上述多维危机共同指向一个结论：传统的“数据汇聚-云端训练”的集中式AI范式，在工业供应链场景中已遭遇根本性制约，其失效并非技术不成熟，而是源于与工业本质需求的根本性冲突。

首先，数据获取的物理与法律瓶颈日益收紧。 工业数据具有高价值、高敏感、高隐私的特点，其共享意愿极低。与此同时，用于训练AI的公共数据资源正在枯竭。生成式AI对数据的需求呈指数增长，而互联网公开内容的年增长率已不足10%，预计到2028年，可用于训练的公共文本数据将触及总量极限。法律层面，《纽约时报》诉OpenAI等标志性案件预示着未经授权使用数据将面临天价索赔，这为任何试图集中化处理多方数据的企业敲响了警钟。

其次，合规性困境导致集中式架构无法落地。 将分布在不同国家、受不同数据本地化法规约束的工业数据上传至单一中心进行训练，直接违反了GDPR、中国《数据安全法》《个人信息保护法》等法规中关于数据跨境流动的限制。随着全球监管版图的碎片化，构建一个全球统一的集中式工业AI训练平台已无可能。

最后，技术信任缺失彻底阻断了数据授权。 在集中式模式下，数据提供方一旦交出数据，便永久丧失了对数据的控制权。AI系统，特别是具备自主决策能力的AI代理，存在“权限漂移”的风险，即可能在训练或运行过程中超越初始授权范围使用数据。当前，仅20%的企业建立了成熟的AI治理模型，绝大多数数据持有方无法信任中心化平台会合规、有限地使用其核心资产。这种根深蒂固的不信任感，使得供应链各方宁愿忍受局部、低效的“智障”AI，也不愿为了一个全局优化但控制权旁落的“智能”模型而冒险。

综上所述，工业数据主权危机并非一个可以绕过的暂时性挑战，而是标志着工业智能化发展旧范式的终结。它清晰地揭示，在数据即权力的工业新时代，任何忽视数据所有权与控制权的技术方案都注定无法成功。这场危机也恰恰催生了变革的契机，迫使产业界寻找一条能够在尊重数据主权、重建信任基石的前提下，实现跨组织智能协同的全新路径——这正是工业联邦学习登上历史舞台的根本动因。

2. 破局之道：工业联邦学习（IFL）的核心架构与技术原理

面对第一章所揭示的“数据主权与信任危机”以及传统集中式AI训练范式的失效，工业界亟需一种能够在不移动原始数据的前提下实现协同智能的新范式。工业联邦学习（Industrial Federated Learning, IFL）正是这一破局的关键技术路径。其核心创新在于彻底重构了数据与模型的流动关系，从“数据动，模型不动”的集中式模式，转变为“数据不动，模型动”的分布式协作模式。这一根本性转变，使得供应链上的各方能够在确保数据主权和隐私安全的前提下，共同训练出更强大、更通用的AI模型，从而破解“宁要AI‘智障’，绝不交出图纸”的囚徒困境。

2.1 核心范式：“数据不动模型动”的运行机制

工业联邦学习的核心运行机制可概括为“数据不动模型动”。在这一机制下，参与联合训练的各方（如链主企业及其多个供应商）的原始生产数据，包括工艺参数、设备传感器时序、缺陷图像等，始终保留在各自的本地服务器或边缘设备中，无需上传至任何中心节点。取而代之的是，一个初始的全局机器学习模型（例如用于视觉质检的卷积神经网络）由协调服务器生成并分发给所有参与方。

各参与方利用本地私有数据，在本地完成模型的前向传播和反向传播计算，生成模型参数的更新量（即梯度）。随后，各方仅将加密后的模型更新（而非原始数据）上传至协调服务器。服务器通过特定的聚合算法（如联邦平均算法FedAvg）对所有接收到的安全更新进行融合，生成新一代的、性能得到改进的全局模型。此模型再次下发，开启新一轮的迭代训练。通过多轮这样的“本地训练-安全聚合”循环，最终得到一个汇聚了所有参与方数据特征与知识，但任何一方都未曾接触他方原始数据的全局模型。

这一机制的精妙之处在于实现了数据所有权与模型使用权的有效分离。数据提供方牢牢掌握数据主权，而模型的价值则通过加密参数的交换得以协同创造。这直接回应了工业场景中对数据隐私、商业机密保护和法规合规性的严苛要求，为跨企业协作奠定了信任基础。

2.2 系统架构：云-边-端协同的分布式设计

为适应工业现场复杂的网络环境、异构的计算设备及严苛的实时性要求，工业联邦学习通常采用分层、分布式的系统架构，主要包含协调层、边缘层和终端层三个核心层级。

协调层是联邦学习任务的大脑，通常部署在云端或链主企业的私有数据中心。它负责全局模型的初始化、版本管理、参与节点的选择与调度、安全聚合算法的执行以及整个训练过程的监控与收敛性判断。其高可用性和强大的计算能力是保障大规模联邦任务稳定运行的关键。

边缘层作为连接协调层与终端层的桥梁，通常由部署在工厂车间或厂区的边缘网关、工业PC或区域服务器构成。这一层承担了关键的协议转换、数据预处理、本地训练任务调度、模型/梯度的临时缓存与压缩，以及网络不稳定时的断点续传等功能。边缘层的存在有效缓解了终端设备资源受限和工业网络波动带来的挑战，提升了整个系统的鲁棒性。

终端层是数据的源头和本地计算的最前线，包括PLC、智能传感器、CNC机床、机器人控制器等。这些设备资源高度受限（算力、内存、功耗），但直接产生高价值的原始数据。在联邦学习框架下，它们负责执行轻量化的本地模型训练或推理任务。架构设计必须充分考虑终端设备的异构性和严苛的工作环境。

表2-1：工业联邦学习（IFL）分层系统架构核心功能

2.3 关键技术体系：隐私计算、通信优化与安全防御

工业联邦学习的成功落地，依赖于一套深度融合的隐私计算、高效通信和主动安全防御技术体系。

1. 隐私计算与加密算法
隐私保护是IFL的生命线，其技术核心是确保在参数交换过程中，任何一方都无法反推出他方的原始训练数据。主流技术路径包括：

实践中，为平衡安全、效率与精度，常采用混合架构。例如，在本地使用轻量级差分隐私添加噪声，在传输或聚合环节结合同态加密或MPC，形成分层防御。

2. 通信效率优化
工业现场网络带宽有限且不稳定，而深度学习模型参数量巨大，通信效率直接决定联邦学习的可行性。关键优化技术包括：

3. 安全防御机制
即使数据不离开本地，联邦学习系统仍面临新型安全威胁，必须构建主动防御体系：

2.4 核心挑战与局限性

尽管工业联邦学习提供了突破性的解决方案，但其在实际工业部署中仍面临一系列严峻挑战，这些挑战构成了技术从“可用”到“好用”必须跨越的鸿沟。

数据异构性（Non-IID）问题是最大的技术挑战。在工业供应链中，不同工厂、不同产线甚至不同批次的生产数据分布差异巨大（非独立同分布）。例如，A供应商主要生产某类缺陷的部件，而B供应商则生产另一类。这种数据分布的差异会导致本地训练出的模型更新方向各异，使得全局模型难以收敛，或收敛到一个对各方而言都非最优的平衡点，严重影响最终模型的性能。

系统异构性与资源约束同样不容忽视。参与联邦学习的设备在算力（从低功耗MCU到高性能工控机）、存储、网络条件上存在巨大差异。弱设备可能成为训练瓶颈（“木桶效应”），而频繁的模型下载/上传对工业网络的带宽和稳定性构成压力。此外，边缘设备有限的计算资源也限制了本地可训练的模型复杂度。

模型聚合与公平性的挑战在于设计出既能有效融合知识，又能公平体现各方贡献，并能抵御恶意行为的聚合算法。在数据质量和数量不均的情况下，如何分配各参与方在全局模型中的权重，关系到联盟的长期稳定性和积极性。

综上所述，工业联邦学习并非一个简单的“即插即用”技术，而是一个需要精心设计架构、综合运用多种前沿技术、并持续优化以适应复杂工业环境的系统工程。它通过“数据不动模型动”的范式创新，为破解工业数据主权危机提供了技术上的可能。然而，其最终能否成功，不仅取决于技术本身的成熟度，更取决于能否在下一章将探讨的商业模式、实施路径与信任体系构建上取得同等重要的突破。

3. 链主实践：工业联邦学习的应用案例、实施路径与关键成功因素

工业联邦学习（IFL）的理论架构与技术原理，为破解数据主权危机提供了清晰的路径。然而，其真正的价值在于能否在复杂的工业现场落地，并为企业带来可量化的效益。本章将聚焦于实践层面，深入剖析以链主企业为主导的工业联邦学习应用案例，系统梳理其从试点到规模化的实施路径，并提炼出驱动采纳率突破关键阈值的核心成功因素。市场数据显示，工业AI应用正经历爆发式增长，2025年中国工业企业应用大模型及智能体的比例已从2024年的9.6%跃升至47.5%。这一跨越表明，当关键条件得到满足时，工业联邦学习能够迅速从概念验证走向规模化应用。本章旨在为意图引领供应链智能化转型的链主企业，提供一份基于实证的路线图与决策框架。

3.1 典型案例深度剖析：中控技术“工业AI数据联盟”

在众多探索中，中控技术构建的“工业AI数据联盟”是目前最具代表性且公开细节较为丰富的落地案例。该案例清晰地展示了链主企业如何利用联邦学习架构，将技术潜力转化为实际的商业与运营价值。

案例背景与核心目标：中控技术作为流程工业自动化领域的链主企业，面对行业长期存在的数据孤岛痛点——龙头企业、设计院、总包商及设备服务商之间数据壁垒森严，无法协同优化。其核心目标是构建一个跨组织的协同智能生态，在不共享原始生产数据（如工艺参数、设备运行时序、故障记录）的前提下，共同训练出更精准、更通用的工业AI模型，以应用于预测性维护、能效优化、质量根因分析等场景。

核心架构与运作机制：该联盟采用了数据驱动的联邦学习（DD-FL）模式。各参与企业将数据保留在本地，通过部署边缘计算节点接入联盟网络。中控技术作为协调方，提供初始的全局模型（基于其时间序列大模型TPT 2并结合行业知识库）。各参与方利用本地数据进行模型训练，仅将加密后的模型参数更新上传至中央服务器进行安全聚合。聚合后的新一代全局模型再下发至各节点，如此迭代，使模型性能持续提升。这一过程严格遵循“数据可用不可见”原则，确保了各方的数据主权。

跨行业适用性启示：虽然此案例源于流程工业，但其“链主主导、生态协同、联邦架构、价值共享”的底层逻辑具有普适性。在汽车制造业，链主企业（整车厂）可联合数百家零部件供应商，在不共享各自缺陷图像和工艺参数的情况下，共同训练一个高精度的零部件全域质量检测模型。在半导体行业，晶圆厂可与设备商、封测厂合作，利用联邦学习优化缺陷分类与根因定位算法，同时保护各自的核心制程数据。这表明，工业联邦学习的成功实践遵循一个可复制的范式：由掌握行业话语权与核心场景的链主企业发起，通过解决生态内共性的高价值问题，吸引上下游伙伴加入。

3.2 四阶段实施路径：从数据治理到价值变现

从中控技术等先行者的实践中，可以归纳出一条从规划到规模化推广的清晰实施路径。该路径并非一蹴而就，而是分为四个循序渐进的阶段。

第一阶段：数据资产化与治理筑基。这是所有工作的起点，也是常被忽视却决定成败的关键。链主企业首先需对内外部数据资源进行盘点与治理，将非标准化、碎片化的生产数据转化为高质量、结构化的数据资产。这包括建立统一的数据标准、确权规则和元数据管理体系。没有高质量的数据输入，联邦学习只会产生低价值的模型输出。中控技术的成功，很大程度上得益于其三十余年积累的、覆盖全球3.7万多家客户的海量高价值工业数据资产。对于意图效仿的链主企业，若自身数据质量低下、治理混乱，应优先投资于此，而非急于部署联邦学习框架。

第二阶段：联邦框架部署与场景试点。在数据基础夯实后，链主企业需选择1-2个痛点明确、数据敏感度高且业务价值易衡量的场景进行试点。例如，在汽车供应链中选择“多源外观缺陷检测”，在半导体领域选择“设备早期故障预警”。在此阶段，技术部署的重点是验证“数据不出域”前提下联邦模型的性能是否显著优于各参与方独立训练的本地模型。同时，需建立初步的信任机制，如通过区块链记录参数交换日志，确保过程可审计。此阶段的目标是产出可验证的效益（如检测率提升、误报率下降），为后续推广积累“灯塔案例”。

第三阶段：模型迭代深化与生态扩展。在试点成功后，进入深化阶段。协调服务器基于更复杂的聚合算法和持续的工业知识注入，推动全局模型不断迭代优化。应用场景从单一的识别判断，扩展至根因定位、参数调优、预测性决策等更复杂的环节。同时，链主企业应基于试点成果，设计公平透明的价值贡献评估与利益分配机制，吸引更多生态伙伴加入联盟，形成网络效应。模型的泛化能力随着更多样化数据的加入而增强，从而创造更大的协同价值。

第四阶段：方案产品化与规模化价值变现。这是实现商业闭环的阶段。链主企业将经过充分验证的联邦学习模型、配套的软硬件及部署服务，打包成标准化的“场景解决方案”或“工业智能体”产品。例如，将协同训练好的质量检测模型固化为一个可独立销售的AI质检模块。通过这种产品化模式，成功的经验得以快速复制到行业内的其他企业，甚至跨行业输出，从而实现技术投入的商业回报，并巩固链主企业在产业生态中的核心地位。

3.3 关键成功因素（CSFs）与40%采纳率驱动机制

工业联邦学习能否跨越从早期采用者到早期大众的鸿沟，达到可观的行业采纳率（如资料中提及的40%阈值或47.5%的普及率），取决于以下四个相互关联的关键成功因素协同作用。

1. 高质量、高可信度的数据资产是价值基石。联邦学习的本质是“数据不动，价值动”。其产生的模型价值上限，由参与方数据资产的质量和独特性决定。链主企业必须自身拥有或能聚合生态内高价值、多维度的核心工业数据。中控技术案例中，超过1亿个I/O点的实时数据积累构成了无法复制的竞争优势。如果联盟内的数据同质化严重或质量低劣，联合训练将无法产生超越单点的效益，参与方的动力会迅速消退。因此，构建或接入高质量数据源，是联盟具有吸引力的首要前提。

2. 坚不可摧的隐私安全与合规机制是信任保障。这是打消合作伙伴顾虑的技术与制度基础。必须通过联邦学习、同态加密、差分隐私等组合技术，在工程上切实证明“数据不串门”的可实现性，并能防御梯度泄露、模型投毒等新型攻击。同时，方案必须严格符合《数据安全法》、GDPR等国内外数据法规对数据跨境、分类分级管理的要求。只有当供应商确信其核心工艺数据在物理和逻辑上都得到绝对保护，且合作完全合法合规时，他们才会愿意开放数据价值。

3. 深度融合的行业知识（Know-how）是效能核心。通用AI模型在复杂工业场景中往往水土不服。成功的联邦学习项目必须将领域知识（如物理机理、化学公式、设备特性、故障图谱）深度嵌入模型训练与优化过程中。例如，在训练预测性维护模型时，需结合设备退化机理模型，而不仅仅是时序数据关联。这种“AI+机理”的融合，使模型具备可解释性和因果推理能力，其产出的决策（如参数调整建议、维修策略）才具有高度的可信性与可操作性，从而直接驱动生产效率与质量提升。

4. 积极的政策引导与生态协同是外部加速器。宏观政策为技术普及扫清了障碍并注入了动力。中国“人工智能+”行动以及《推动工业互联网平台高质量发展行动方案（2026—2028年）》等政策，明确提出了智能体应用普及率目标，并通过资金、标准、试点示范等方式给予支持。这降低了企业的试错成本，创造了明确的市场需求。同时，链主企业主导的生态联盟模式，能够有效协调多方利益，制定共同标准，快速形成规模效应。政策红利与生态力量的结合，是推动采纳率在短期内实现跃升的关键催化剂。

关于“40%采纳率”的解读：现有资料虽未明确定义该阈值的具体统计口径，但结合2025年47.5%的企业应用率这一数据，可以推断40%代表着工业AI（联邦学习作为其关键实现方式）从“创新者/早期采用者”阶段进入“早期大众”阶段的临界分水岭。一旦跨越此门槛，意味着技术价值得到广泛验证，生态网络效应开始显现，采纳速度将显著加快，市场进入快速增长期。

3.4 量化效益与市场前景验证

工业联邦学习的价值最终需要通过可量化的经济效益来证明。尽管直接的联邦学习项目财务数据披露有限，但相关工业AI应用的效益指标提供了有力的佐证。

表3-1：工业AI（含联邦学习）应用关键效益指标与市场趋势

市场前景方面，工业大模型及关联市场预计将以46%的年复合增长率迅猛扩张，到2032年达到近900亿美元规模。中国规上制造企业AI技术应用普及率已超过30%，其中高端装备和新能源汽车领域的贡献率超过六成，这清晰地指明了技术密集型行业是工业联邦学习早期价值实现的核心区域。这些数据共同验证了工业联邦学习所处的赛道具备巨大的增长潜力，其规模化应用具备坚实的市场基础。

3.5 实施建议与风险提示

对于计划启动工业联邦学习项目的链主企业，我们提出以下行动建议与风险警示。

行动建议：

关键风险与证伪条件：
工业联邦学习的规模化之路并非坦途，若出现以下情况，可能导致项目失败或采纳停滞：

综上所述，工业联邦学习的成功实践是一场涉及技术、商业、组织与生态的全面变革。链主企业作为变革的发起者与主导者，不仅需要深刻理解其技术原理，更需精心规划实施路径，构建以信任与价值共享为核心的协作生态。唯有如此，才能将“数据不串门”的技术理念，转化为驱动整个供应链智能化升级的强劲引擎。

4. 硬件革命：边缘工控机从推理到微调训练的技术演进与产业影响

工业联邦学习（IFL）“数据不动模型动”的范式，不仅重构了软件层面的协作逻辑，更在硬件层面引发了一场深刻的革命。传统上，部署在工厂现场的边缘工控机（如工业PC、边缘网关）主要承担数据采集和轻量化模型推理的任务，其核心价值在于低延迟响应。然而，为了支持联邦学习所要求的本地模型训练与迭代，边缘工控机必须从“被动执行”的计算终端，进化为具备“主动进化”能力的智能节点，即在本地完成模型的微调训练（Fine-tuning）。这一从纯推理到“推理-训练一体化”的转变，是工业联邦学习得以落地的物理基石，也正在重塑边缘计算硬件的技术路线、性能标准与产业生态。

4.1 驱动因素：为何边缘必须走向“训练”？

边缘工控机向训练能力演进，是需求、技术与法规三重因素共同作用下的必然结果。

首要驱动力源于联邦学习架构的内在要求。正如第二章所述，IFL的核心是在数据源本地完成模型的前向与反向传播计算。这意味着，每个参与联邦的工厂节点都必须具备足够的算力，不仅能够运行训练好的模型进行实时推理（如缺陷识别），还必须能基于本地新产生的数据，对下发的全局模型进行多轮迭代训练，以生成高质量的梯度更新。若边缘设备仅能推理，则联邦学习将退化为简单的模型分发，无法实现基于数据反馈的持续优化与知识融合。

其次，对实时性、数据隐私与带宽的严苛工业要求，倒逼计算下沉。将数据上传至云端进行集中训练，面临网络延迟、带宽成本以及如前所述的隐私与合规风险。在预测性维护、实时工艺调优等场景中，分钟甚至秒级的延迟都可能导致生产损失或安全事故。在边缘进行模型的本地微调，能够利用实时数据快速适应产线的细微变化（如设备磨损、原料批次差异），实现闭环优化，同时确保敏感工艺数据永不离开工厂边界。

最后，AI模型复杂度的提升与专用硬件的发展提供了技术可行性。工业视觉检测、时序预测等任务越来越多地采用深度神经网络，其训练过程对算力需求激增。与此同时，专为边缘AI设计的异构计算