在不久前的 RISC-V 中国峰会 2026 上，EMQ 与进迭时空联合展示了一套基于 RISC-V 边缘计算平台的工业质检方案。通过边缘视觉推理、产线控制闭环与 Device Agent 的协同，系统不仅能够完成磁瓦表面缺陷判定，还支持用户通过自然语言查询质检结果与历史报告，探索工业 AI 从单点算法走向可交互、可集成的设备智能。
工业 AI 的下一步，不只是让模型跑起来
工业 AI 正从单点算法应用走向多种智能技术协同。传统机理模型和规则系统擅长处理规律明确、要求可预测的工业任务；专用神经网络能够从数据中学习复杂特征，应用于视觉质检、设备状态识别等场景。随着边缘 AI 算力的发展，越来越多的模型可以直接部署在设备侧，实现本地推理，降低对云端连接的依赖。
与此同时，大语言模型（LLM）为工业应用带来了自然语言理解、复杂问题分析和工具调用能力，但并不适合替代所有实时算法。未来的工业 AI 将根据任务特点，让机理模型、专用神经网络和 LLM 各司其职，并通过工业数据连接与智能体实现协同。
EMQ × 进迭时空：基于 RISC-V K3 的工业 AI 落地实践
EMQ 与进迭时空一直在智能硬件领域保持着深入合作。在此次 10 月底举行的 RISC-V 中国峰会 2026 上，双方进一步将合作探索延伸至工业 AI 场景，联合展示了基于 RISC-V K3 平台的工业视觉质检方案，呈现出从底层算力芯片到上层智能应用的协同潜力。
该方案由视觉模型负责本地实时判定，工业系统负责产线精准控制，EMQ Device Agent 则充当设备能力与业务数据之间的桥梁，并赋予系统自然语言交互能力。
现场演示模拟了一条磁瓦表面质检产线：系统将视觉模型部署在 K3 边缘计算平台上，通过 EMQX 实现高效的设备连接与数据处理，借助 Device Agent 进行工作流编排与自然语言交互，流畅完成了从质检判定到产线动作执行，再到质检信息查询的全链路闭环。
一条模拟质检产线，如何形成智能闭环？
磁瓦是永磁电机的重要组成部分，其表面可能出现气孔、断裂、裂纹、磨损、凹凸不平等缺陷。传统人工目检容易受到经验和工作强度影响，而自动化视觉质检则能够提高检测效率，并为质量追溯提供更一致的数据基础。
在此次演示中，工件按照设定节拍进入检测位并停留约五秒。系统获取对应的图像，对磁瓦进行分类判定；判定结果随后写回 PLC，由产线控制逻辑决定工件放行或剔除。与此同时，检测结果被记录为设备数据，供后续查询和分析。
这条链路由三个部分协同完成。
- 边缘视觉负责快速判定。视觉模型运行在进迭时空的 RISC-V K3 平台上，利用其 AI 计算能力完成磁瓦表面图像分类。推理过程在设备本地完成，无须将原始图像上传云端处理。
- 工业数据链路负责连接现场设备。NeuronEX 通过 OPC UA 采集产线信号，并通过 MQTT 将相关事件和数据连接到设备侧服务。检测结果经由消息链路写回 PLC，使视觉判定能够进入现有的产线控制流程。
- Device Agent 负责工作流编排与自然语言交互。系统将工件到位定义为设备事件，由工作流触发检测、结果上报和判定码写回。检测历史成为可查询的设备数据，用户可以通过自然语言询问今天检测了多少件、最近一批工件的检测结果，以及某个工件序列号对应的质检情况。
这套设计并不是让大语言模型参与每一件工件的实时判定。固定、明确的分类任务由传统视觉模型完成；Device Agent 负责连接和编排业务流程，并在需要解释检测情况、查询历史数据或复核不确定结果时提供智能交互能力。
视觉模型负责判定，工业控制负责执行，Device Agent 负责让设备能力可编排、可查询、可交互。通过这样的分工，系统兼顾了确定性任务的执行效率和自然语言交互的灵活性。
RISC-V 边缘推理：让视觉 AI 更贴近生产现场
此次演示使用进迭时空 K3 RISC-V AI 处理器作为边缘运行平台。视觉模型的主干网络运行在芯片的 AI 核上，分类头在 CPU 上执行，从而完成六类磁瓦表面状态的判定。
在当前演示数据集和模型配置下，测试集分类准确率达到 92.24%，实时判定链路的端到端耗时中位数约为 30.29 毫秒。这些结果说明，在当前任务规模下，RISC-V 边缘平台能够支持轻量级工业视觉模型的本地推理。
将推理部署在边缘侧，还有两方面的实际意义：
- 原始图像可以留在本地，减少持续上传图像所需的网络带宽，也有助于满足工业现场对数据边界的要求。
- 视觉判定不再依赖云端推理的网络往返，可以更直接地响应本地业务流程。
需要强调的是，当前结果属于特定数据集和演示环境下的验证，并不代表模型已经满足所有真实产线的质量验收要求。实际部署仍需结合现场图像、设备工况、缺陷分布和误检漏检要求进行进一步验证。
从质检结果到设备智能：Device Agent 带来的变化
传统自动化系统可以完成检测和控制，但检测结果往往分散在设备数据、业务系统和专用看板中。现场人员若要了解某段时间的质检情况，通常需要查看专用界面或者通过定制程序查询和统计数据。
Device Agent 的价值在于，将设备事件、属性、命令和工作流组织成可被智能体理解和调用的设备能力。
在此次演示中，质检结果被记录为设备属性和历史事件，用户可以直接通过自然语言发起查询。例如：
- 今天一共检测了多少件磁瓦？合格品和缺陷品分别有多少？
- 最近 20 件工件的检测结果是什么？
- 指定序列号的工件被判定为什么缺陷？
- 对于置信度不足的检测结果，能否进一步查看图像并进行复核？
这些交互并不是简单地将一个聊天机器人接到产线上。其基础是先将设备数据、事件和操作能力标准化，再通过工作流和工具接口将它们连接起来。这样，智能体才能基于实际产生的设备数据回答问题，而不是仅凭语言模型生成看似合理的解释。
更重要的是，Device Agent 不需要替代现有的视觉模型、PLC 或工业通信系统。它可以建立在已有设备和数据链路之上，将原本独立的设备能力组织成可供上层应用使用的接口，为后续的设备运维、异常分析、质量追溯和自然语言交互提供基础。
走向更多工业 AI 场景
对于工业企业而言，边缘 AI 的价值不只在于把模型部署到一台设备上，而在于让推理结果能够进入真实业务流程，并进一步成为可追溯、可分析、可交互的数据与能力。
对于设备厂商、芯片厂商和工业软件生态伙伴而言，这也意味着新的合作空间：芯片和边缘计算平台提供本地 AI 运行能力，工业连接与数据平台负责打通现场系统，设备智能体则将底层能力组织成更容易集成和使用的应用接口。
未来，EMQ 将继续围绕 MQTT、工业数据连接与 Device Agent 探索设备智能化的落地方式，与芯片、硬件及工业生态伙伴共同推进从边缘计算到设备智能的实践，让 AI 不仅能够识别现场发生了什么，也能够连接设备、理解业务数据，并以更自然的方式服务工业应用。