从无人机到移动指挥中心，斯贝达如何搭建国产边缘AI底座？

近年来，AI开始赋能千行百业，也带来了诸多挑战。对于要求比较特殊的特种和工业电子领域而言，AI落地并不是简单把大模型、AI芯片或边缘盒子搬进装备系统。真正的挑战在于：设备能否在车载、野外、高低温、强振动、电磁干扰等复杂环境中稳定运行；国产芯片能否与操作系统、AI框架、应用软件完成全链路适配；AI智能体在具备自主执行能力之后，如何被限制在安全边界内。

在第十四届中国电子信息博览会（CITE 2026）的9号馆现场，深圳市斯贝达电子有限公司展示了一套面向特种和工业场景的全栈式AI算力方案。从技术路径看，斯贝达本届展会展示的方案主要以华为和鲲鹏计算平台为基础，覆盖核心模组、边缘算力盒子、手持操控终端和加固服务器等不同层级。其中，天工系列核心模组基于华为昇腾310B和310P芯片开发，面向特种客户的二次开发需求；深穹边缘盒子系列则基于核心模组做轻量化功能封装，主要面向车载和移动节点；磐岳系列手持终端强调人机交互，用于无人机、无人狗等装备的远程指控，对高亮度、低延迟、加固便携等指标有较高要求；深穹服务器系列则包括液冷加固便携机和液冷算力工作站，从两卡到八卡满足不同算力需求，面向移动指挥中心、科研院所的训练和推理场景。

在斯贝达的展台，斯贝达电子产品经理段治江接受了与非网记者的采访， 相比单纯介绍某一款硬件产品，他更强调斯贝达正在形成一套覆盖“云、边、端”的国产AI算力系统。按照他的说法，斯贝达正在从过去的硬件供应商，转向面向行业客户的平台级方案提供者。

不仅是介绍单品，而是提供完整产品链条

据介绍，斯贝达电子成立于2009年，总部位于深圳，在全国设有14家分公司及办事处，并在成都、郑州、长沙设立研发中心，主要面向科研院所、电力、通信、轨道交通等领域，提供AI智能产品、嵌入式整机和部件，以及产品定制开发服务。

本次CITE展，斯贝达的主要参展产品分为四类：

第一类是天工系列核心模组。该系列基于华为昇腾310B和310P芯片开发，是斯贝达全栈式AI算力方案的基础算力单元。对于特种行业客户而言，核心模组并不是面向终端用户的标准产品，而是供客户根据自身装备平台和任务场景进行二次开发。段治江提到，特种客户往往有非常明确的场景需求，例如无人系统、车载平台、移动节点、智能监控或现场指挥等。核心模组的价值在于，为这些不同场景提供可集成、可扩展的国产AI算力底座。

第二类是深穹边缘盒子系列。段治江解释，这类产品是在核心模组基础上增加底板，并将接口、结构和系统封装好，形成轻量化的边缘算力设备。相比直接交付模组，边缘盒子更接近“上电即可用”的交钥匙方案，适合部署在车载和移动节点等场景中。在特种和工业现场，客户往往没有足够时间重新做板级开发、接口适配和结构调试。深穹边缘盒子的意义在于，将底层硬件和系统适配工作前置到供应商端，让客户可以更快完成场景部署。

第三类是磐岳系列手持终端。段治江用“眼睛”来描述其在云边端架构中的作用：终端侧负责获取数据、采集图像、执行操控，并承担人机交互功能。这类产品主要用于无人机、无人狗等装备的远程指控，强调高亮度、低延迟、加固便携等特性。

第四类是深穹服务器系列，包括液冷加固便携机和液冷算力工作站，从两卡到八卡覆盖不同算力需求，主要面向移动指挥中心、科研院所的训练和推理任务。段治江提到，特种行业中的服务器并不一定部署在传统机房，也可能进入车载指挥车、移动计算中心等场景。这意味着服务器不仅要提供算力，还要面对结构加固、散热、电源、抗振、防冲击和系统稳定性等工程问题。

段治江强调，斯贝达本次展示的并不是单一硬件，而是一套从端侧采集、人机交互，到边缘推理、数据汇聚，再到中心侧训练和推理的完整产品链条。

特种行业需要怎样的AI？光堆算力不够

在消费级AI硬件市场，厂商往往强调体验、交互、参数和价格。但在特种行业，段治江认为客户最关心的是三类问题：可靠性与环境适应性、国产化要求，以及技术支持和售后响应。

首先是可靠性。特种行业设备通常部署在野外、车载、高空、舰载、应急现场等环境中，需要承受振动、冲击、高低温、电磁干扰等复杂条件。段治江表示，斯贝达在相关行业已经耕耘近20年，对不同院所、不同装备平台提出的环境适应性要求有长期积累。

第二是国产化要求。特种行业客户对国产化的理解，已经不再停留在“能不能用国产芯片”层面，而是要求系统从硬件、固件、操作系统、AI框架到上层应用具备完整可控性。段治江提到，斯贝达的产品能够满足特种行业对国产化的要求，这也是客户最核心的关注点之一。

第三是售前技术支持和售后响应。特种行业项目通常不是标准化采购，而是围绕具体平台、具体任务和具体环境展开定制部署。段治江介绍，斯贝达在全国设有14个办事处，并在多地设有研发中心，可以为客户提供从需求分析到部署调试的支持。对于设备部署后的问题，也需要快速响应。

这也解释了为什么特种行业评价AI硬件时，不能只看峰值算力。段治江在谈到AI智能体进入特种行业时说得更直接：“可靠性、安全性是排第一的，性能什么的都可以往后靠一靠，我们可以牺牲性能来保证可靠性、安全性。”

这句话背后，是特种行业与消费市场完全不同的工程优先级。在任务系统中，失效成本远高于性能不足。因此，边缘AI设备的竞争维度不是单一TOPS指标，而是算力、可靠性、安全性、环境适应性和可维护性的综合平衡。

OpenClaw要进入特种行业，需要解决哪些安全问题？

今年AI智能体热度很高，OpenClaw这类开源AI智能体框架也引发行业关注。段治江表示，OpenClaw的意义在于，它把大模型从对话工具升级为可以自主执行任务的“数字员工”。

在他看来，AI智能体具备长期记忆、自主行动、跨应用操作等能力，能够帮助行业客户快速验证AI应用场景。他把这类工具称为“AI走向智能的一个孵化器”，因为它降低了AI应用试错门槛，也可能帮助边缘AI企业发现更多过去没有被充分定义的场景。

但智能体进入特种行业，首先遇到的不是能力问题，而是安全问题。与传统软件不同，AI智能体具备自主执行能力，一旦接触核心权限、敏感数据或关键控制链路，风险会被迅速放大。

围绕这类风险，段治江提出了三层安全思路：

第一是权限隔离。核心权限不能向智能体开放，只能开放必要接口。他表示，必须“把核心的权限封锁起来”，不能让智能体接触不该接触的系统，因为“你不知道它会做什么样的事情”。

第二是数据闭环。特种行业的数据不能外流，智能体必须在本地私有化部署环境中运行。也就是说，数据采集、推理、处理和存储都应尽可能在本地设备或本地网络中完成。

第三是审计追溯。段治江提到，可以开发操作日志系统，把智能体所有活动记录下来，保证其行为“可以追溯、可以审计”。这意味着，智能体在高安全行业中的价值，不只取决于它能做什么，还取决于它是否能够被限制、被记录、被复盘。

这也是AI智能体从通用工具走向行业系统必须面对的工程问题。在开放环境中，智能体可以追求灵活调用、跨应用执行和自主规划；但在特种行业，系统首先要回答的是：它能访问什么，不能访问什么；它做了什么，谁能追溯；它处理的数据是否留在本地；一旦出现异常，是否可以快速切断权限。

边缘AI的优先落地场景？

在段治江看来，边缘AI进入特种行业，不能泛泛谈智能化，而要围绕明确目标客户和具体任务场景展开。“根据场景来进行定制，根据价值来进行决策”，是他对边缘AI落地方式的基本判断。

从斯贝达接触的客户需求看，边缘AI优先落地的场景主要包括无人系统、智能监控与预警、车载系统、应急指挥等。

无人系统是其中最重要的方向之一。段治江提到，无人车、无人机、舰载平台等场景，对端侧操控、边缘推理和实时响应都有需求。磐岳系列操控终端正是面向这类场景，用于获取现场数据、显示状态、下发指令，并与无人装备进行交互。

第二类场景是智能监控与预警。边缘盒子可以连接摄像头，在本地完成目标识别和预警分析。段治江举例说，这类系统可以监测人，也可以识别特定物体，例如工牌、头盔等，用于智能监测和预警。

第三类场景是应急指挥和车载计算。在这类场景中，设备部署环境更加复杂，既需要本地推理和快速响应，也需要较高环境适应性。对于斯贝达这样的企业而言，边缘AI的价值不只是“让模型跑起来”，而是让模型在真实任务系统中稳定运行。

这些场景有一个共同特征：数据采集、判断和响应都发生在现场，链路越短越有价值。也就是说，边缘AI真正优先落地的不是后台分析，而是“感知即决策”的任务闭环。

AI落地“云边端”该如何侧重？

在训练一体机、边缘算力盒子和AI操控终端之间，段治江对云边端的分工有清晰划分：云端主要负责大模型预训练，边侧负责数据汇聚和局部推理，端侧负责数据采集、指令执行和人机交互。

他将端侧比作“眼睛”，负责看、抓取数据和现场交互；边缘侧则承担数据汇聚和局部处理任务；云端或中心侧则用于训练、管理和更大规模计算。

这一架构的核心价值在于，将不同任务放到最合适的位置。大模型训练和复杂推理需要集中算力，适合放在云端或中心侧；视频、图像和传感器数据需要就近处理，适合放在边缘侧；现场指令输入、状态显示和人机交互则必须贴近端侧。

对于特种行业而言，这种架构还有两个额外意义：

一是数据安全。敏感数据可以在边缘侧或本地网络中处理，减少外传风险。

二是实时响应。现场任务不能完全依赖云端链路，边缘侧必须具备一定自主判断和处理能力。

这也是边缘AI和传统云计算模式的区别。它不是把云端模型简单缩小后搬到本地，而是根据任务实时性、数据敏感性、链路稳定性和部署环境重新划分计算边界。

国产化替代进入深水区，从换芯片到系统级替换

国产化替代是采访中另一个核心议题。段治江认为，国产化正在从过去的单点芯片替换，走向全链条适配。

所谓全链条适配，并不是把国外芯片换成国产芯片，而是从PCB板卡、BIOS固件、操作系统内核，到AI框架和应用软件全部打通。只有全链路国产化，才能真正实现自主可控，而不只是表面替换。

段治江的原话更形象。他认为，过去的单点替换只是“换一个零件”，而现在则要“从最底层的一颗元器件，到最上层的一行代码”，完成全方位国产化自主替代。

这一变化意味着，国产化竞争已经进入深水区。早期替代解决的是“有没有”的问题，今天真正要解决的是“好不好用、稳不稳定、能不能长期迭代”的问题。

在AI计算领域，这个问题尤其明显。客户从英伟达体系迁移到国产体系时，面对的不只是硬件替换，还包括开发框架、算子适配、模型部署、系统调用、性能调优和应用迁移等问题。段治江也坦言，全栈国产化过程中，硬件可靠性当然重要，但更难的往往是软件生态。

在他看来，国外方案的优势并不只在于单点硬件性能，更来自长期积累的开发者生态。国产化要真正走远，必须让芯片厂商、硬件厂商、系统厂商、算法公司和行业客户共同参与测试、适配和改进。

这也是国产AI硬件企业下一阶段最难的一关。硬件替代可以通过供应链和产品研发推进，但软件生态需要大量客户真实使用、反馈、优化和沉淀。没有应用牵引，生态很难凭空建立；没有生态支撑，国产硬件也很难释放完整价值。

总结：国产边缘AI的下一场竞争，是工程化交付能力竞争

过去几年，行业讨论国产AI硬件时，焦点多集中在芯片性能、算力规格、替代路径和供应链安全。但进入真实应用场景后，问题变得更加复杂：设备能不能在车载、野外、高低温、强振动环境中稳定运行？国产化是不是只换了一颗芯片，还是从底层硬件到上层应用都完成适配？AI智能体能否被限制在安全边界内？数据是否留在本地？系统出现问题后，供应商能不能快速响应？

这些问题共同指向一个趋势：国产边缘AI竞争的核心，正在从“硬件参数竞争”转向“工程化交付能力竞争”。

对斯贝达这样的企业而言，长期服务特种和工业电子市场带来的优势在于，它们更早理解可靠性、安全性、环境适应性和售后响应的重要性；但挑战也同样明显，AI时代的系统复杂度远高于传统加固计算设备。仅有硬件能力还不够，必须补齐软件生态、模型适配、应用协同和伙伴体系。

从更大的产业角度看，国产AI硬件要真正走出替代逻辑，不能只回答“能不能替换英伟达”这样的问题，而要回答“能不能在具体行业中稳定、可控、低成本地完成任务”。这也是从芯片替代走向系统替代、从单点产品走向平台能力的关键转折。

笔者认为，边缘AI进入特种行业后，最重要的竞争变量不再只是TOPS、显存或服务器卡数，而是系统能否在真实环境中跑得稳、用得久、管得住、追得回。谁能把国产算力、行业场景、系统适配和安全机制真正打通，谁才有机会从国产替代的参与者，变成下一代行业智能化基础设施的定义者。