当前，AI的有效落地仍高度依赖于“云一边一端”的紧密协同，本报告将主要聚焦边缘端的市场发展变迁。
在云边端协同框架中，边缘端凭借低延迟、高可靠、本地化数据处理的特性，有效弥补了云端在实时性、带宽成本与数据隐私保护上的短板。今年DeepSeek等开源大模型，不仅大幅拓展了人工智能的应用边界，也为边缘应用发展带来颠性变革。
除市场应用带来变革之外，大模型也将对边缘计算领域的产品技术、产业生态和应用场景等方面进行重构。
自 2015年提出边缘计算概念到如今，历经十载春秋，产业已从技术概念走向落地深耕，正迈向从1到N的爆发，但当前边缘计算应用仍面临三大国境。随着大模型落地应用，特别是 2025 年大模型开源化，将推动边缘计算高速发展。
从硬件采购看，为满足不同场景对算力、存储及实时处理的严苛要求，企业需购置各类高性能设备，不仅价格昂贵且定制化成本不蘼:软件层面，适配边缘设备的操作系统、应用程序开发投入巨大，不同场景需量身打造软件，无法形成通用版本来分摊成本;运维方面，边缘设备分散各地，故障排查、软件更新维护难度大，需投入专业技术人员与大量时间，人力与时间成本高昂。
边缘计算项目普遍存在算法定制化需求高的问题，由于应用场景分散且项目周期偏长，企业需投入大量人力与资金进行适配开发;且当前算法精度不佳导致误报率过高，导致很多项目无法交付;从厂商角度来看，由于客户订单少，投入大量研发精力难以获取相应利润，陷入投入产出失衡困境，
边缘计算应用场景呈现出高度碎片化态势，从智能安防、智慧水务到智能建筑、智能制造等，边缘计算均有涉足，但每个细分场景的体量较小且需求不一。例如智慧交通中，智能交通信号灯可依车流动态调整颜色，而自动驾驶场景下，对边缘计算的低时延要求极高，二者虽同届交通领域，需求却大相径庭。如此一来，边缘计算难以形成统一、普适的解决方案，开发成本居高不下，严重阻碍规模化推广与应用。
