从终端智能到业务落地，睿思智联打造 AI 走向现场的算力底座

近日，2026人工智能终端产业高质量发展研讨会在北京亦庄举行。会议以“软硬协同筑基·端侧智能跃迁”为主题，汇聚华为、科大讯飞、智源研究院及睿思智联等产业伙伴。中国软件评测中心介绍了终端智能化分级评测体系，相关重点实验室展示了“赛迪智鉴”测试平台，推动行业更加关注真实任务能力。

在大会圆桌交流环节，睿思智联解决方案总监傅帅与产业伙伴围绕AI终端如何走进真实业务场景展开深入探讨，共同探索智能终端从技术验证走向规模化应用的可行路径。

让AI真正走进业务现场，不仅需要强大的模型能力，更离不开高效、兼容、可靠的算力底座。

▲ 睿思智联解决方案总监傅帅参与圆桌交流

从“模型能跑”到“业务能用”，现场智能面临三道考题

在圆桌交流中，傅帅从任务效果、响应速度与离线运行能力出发，分享了对 AI 终端工程化落地的思考：现场智能不只看硬件性能，更看业务能否稳定运行。

第一道考题：边缘算力有限，如何兼顾效果与成本？

工业质检、设备巡检常需并行运行多种算法，但边缘设备受显存、功耗和散热限制。压缩模型可能影响精度，单独配卡又容易闲置。通过资源切分与共享，才能兼顾关键任务性能和投入成本。

第二道考题：芯片品牌不同，如何避免重复开发？

国产与非国产 GPU/NPU 并存，驱动和运行环境各异。如果每增加一种硬件就重建平台，成本与周期都会增加。统一管理框架能够降低适配复杂度，让新增设备更易接入。

第三道考题：设备分布广、网络不稳定，如何持续运转？

分散场站不能让识别、告警完全依赖云端连接。网络中断时，本地推理服务应能持续运行；恢复后再同步状态。同时，模型更新和故障排查也应从“逐台上门”转向远程批量运维。

这三道考题背后，其实是同一个问题：AI 从单点部署走向规模化应用，需要一套高效、兼容、可持续运营的算力底座。真正的工程能力，不是让所有设备采用同一种方案，而是在差异化现场中保持统一的管理方式与交付标准。

从中心到边缘，打通 AI 落地的关键环节

围绕“算力怎么管、资源怎么分、应用怎么落”，睿思智联以 Rise VAST、Rise CAMP、Rise Edge 构建从中心到边缘的能力体系。

Rise VAST：让异构算力“聚得全、管得清”

Rise VAST 统一纳管不同品牌、架构和集群的加速卡，提供资源监控、故障告警与全链路可观测能力，减少算力孤岛和重复运维。

依托异构 GPU 共享与虚拟化技术，睿思智联已完成10+国产芯片厂商适配认证，并作为 CNCF Incubating（孵化级）开源项目 HAMi 的核心贡献者之一，持续参与异构算力共享与调度生态建设，为企业信创建设和多芯片协同提供支撑。

Rise CAMP：让有限算力“切得细、用得准”

Rise CAMP 通过 vGPU 细粒度切分、资源隔离，以及拓扑、优先级、负载和资源感知调度，使训练、推理及多团队任务按需共享算力，减少整卡独占造成的浪费。

睿思智联官网披露，在适用的共享与调度场景中，GPU 利用率可由30%提升至70%以上。关键不是盲目满载，而是让现有硬件承载更多有效任务。

Rise Edge：让 AI 在现场“落得下、运得稳”

Rise Edge 把云端管理能力延伸至工厂、园区及分布式边缘节点，支持异构设备纳管、应用与模型统一分发、灰度升级、OTA 更新和版本管理。

在具备本地运行条件时，边缘节点可在断网期间持续推理，恢复连接后再同步。总部统一运维、现场就近响应，帮助企业从单点试验走向多场站部署。

从中心算力池到现场边缘节点，睿思智联希望交付的不只是软件工具，而是一套可管理、可调度、可扩展的 AI 运行体系。

真实项目验证：让算力价值看得见

算力底座的价值，要用真实业务验证。睿思智联在金融、政企场景中积累了异构资源管理与动态调度实践。

案例一｜某股份制银行：两地三机房，算力统一调度

该银行的国产与非国产 GPU 分布在北京和珠海多个机房，整卡分配造成资源碎片，多团队协同时缺少统一视图。

睿思智联基于 Rise CAMP 建设异构智算底座，统一纳管两地三机房，支持跨集群管理与细粒度资源分配；在适用硬件条件下，可实现 1%算力、1MiB显存级切分，帮助业务按需申请和使用算力。

项目成效：GPU整体利用率提升30%以上，实现两地三机房统一纳管与运维。算力从各自为战走向统一供给，更好支撑多团队并发业务。

案例二｜某能源行业头部企业：弱网下的边缘算力

几十个井场分散在数个省份，每个井场就是一座孤岛：一台服务器、一两块 GPU，网络时断时续。模型要更新，工程师得驱车到现场；一张卡又常被一个小模型占满，想再叠加一个应用，就得再添一台机器。

RiseEdge 把这些孤岛连成一张网：虚拟集群同时纳管 OpenYurt 与 KubeEdge，总部一个入口看清全部省公司、井场的节点与应用；边缘侧用 VAST 把一张 GPU 切成 5—6 份，让几类小模型共用一张卡；模型与镜像在节点组内互传，用断点续传、传完校验，弱网断了接着传；发布按业务优先级分批推进，随时可回滚；本地扛不住时，新请求按规则转到边缘云接管。

于是运维从“跑现场”变成“点一下”，模型从“一站一份”变成“一次分发、就近复用”。平台在模拟压测中支撑 1,000 个边缘节点、20,000 个 Pod，创建成功率 100%，稳定运行超 10 小时。这些验证的是边缘侧的切分、交付与运维能力；切分和断网整机重启后的算力恢复，仍需按具体卡型与网络做现场验证。

两个案例来自不同场景,却指向同一目标:让算力不仅"建得起来",更能"调得动、用得好",把硬件投入真正转化为业务生产力。这些成果主要验证中心侧算力池化与调度能力;在边缘现场,还需要结合具体芯片、模型和网络条件完成适配验证。

让算力像水电一样随取随用

从工厂中的算法到场站里的告警，AI 规模化落地不仅依赖芯片与模型，也离不开长期可靠的基础设施。睿思智联将持续深耕异构算力管理、国产芯片适配和云边协同。

从一张算力卡到一座算力池，从一个智能终端到分布式业务现场，睿思智联始终关注同一件事：让复杂算力变得高效、可控、易于使用，让 AI 从“能够运行”走向“持续创造价值”。

未来，睿思智联将继续携手产业链伙伴，推进异构算力池化、智能调度与云边协同创新，为千行百业打造更加开放、高效、可靠的 AI 算力底座。