工业AI的部署从来不是非此即彼的选择题，而是围绕任务特征、时延预算和成本约束做出的系统工程决策。端侧与云端的任务划分，本质上取决于三个维度的评估：数据敏感性与体量、推理实时性要求、以及算力与功耗的匹配度。
从任务属性看，端侧天然适合处理数据量大但价值密度低的预处理工作。例如振动信号的特征提取、视觉检测中的缺陷初筛、设备状态的实时监测，这类任务要求在毫秒级内做出响应，且数据上传成本远高于本地计算成本。云端则更擅长承担需要全局视野的复杂任务，如跨产线的调度优化、多源数据的融合分析、大模型的训练与迭代。判断标准可以简化为：如果任务必须在数据产生地点即刻给出结果，且结果不依赖全局上下文，优先放端侧；如果任务需要结合历史数据、关联多条产线或持续更新模型，则交给云端更合理。
时延预算是最硬性的约束。工业控制闭环中的任务，如运动控制、安全联锁、实时质量反馈，端到端时延要求通常在毫秒级，任何网络波动都可能导致产线异常，这类任务必须端侧闭环。而设备预测性维护、工艺参数优化这类分钟级甚至小时级的决策，对时延不敏感，云端处理完全可行。需要特别警惕的是那些“看起来实时、实际上可以分层”的任务，比如视觉质检，可以将图像采集与初检放在端侧，将疑难样本回传云端做二次判定，这种分层架构既保证了节拍，又提升了判定精度。
网络可靠性与数据主权决定了任务能否上云。工厂网络环境往往存在干扰、断连和带宽波动，如果核心业务依赖云端推理，就必须设计降级策略：网络中断时端侧能否以低精度模式继续运行，恢复后如何同步数据。同时，涉及工艺参数、配方数据、客户订单等敏感信息，很多企业受合规约束不能出园区，这类数据相关的推理任务只能本地部署。技术上的可行不等于业务上的可接受，数据治理边界往往比算力边界更早划定。
算力与功耗的匹配度则决定了端侧能承载多少任务。端侧AI芯片的算力提升很快，但工业现场对功耗、散热、防护等级有严格要求，高算力往往意味着高功耗和高成本。实际评估时不应只看峰值算力，而要关注在目标模型、实际负载和现场温度下的持续推理性能。如果模型参数量大、需要频繁更新，端侧硬件的生命周期管理成本会显著上升，此时将推理放在云端、端侧只做数据采集和结果执行，反而更经济。
最终的任务划分没有统一公式，建议企业以一条真实产线为试点，梳理出任务清单，逐一标注时延要求、数据敏感性、模型更新频率和失败代价，再决定每个任务落在端侧、云端还是分层处理。先跑通一个最小闭环，用实测数据修正划分逻辑，远比一开始追求完整的端云协同架构更稳妥。工业AI的价值不在于把多少任务放在端侧或云端，而在于每个任务是否被放到了它最该运行的地方。