端侧AI是把部分推理任务放在终端、网关或其他靠近数据源的设备上执行。它与CRM云产品中的智能功能不是同一个概念。下面讨论端侧AI可能支持的十类业务需求及其适用条件；这些能力需要具体设备、模型和系统集成验证，不能只凭产品名称或宣传功能就视为已经具备。
1. 在现场完成初步识别
摄像头或传感设备可以在本地完成指定目标的识别，再上传结果。模型应使用真实场景中的光照、遮挡和噪声数据验证，并明确误检、漏检及人工复核方式。
2. 减少不必要的数据上传
本地筛选、压缩或提取特征可减少上传数据，但要保留故障定位和结果追溯需要的信息。带宽节省取决于采样频率、模型输出和日志策略，不能预设固定比例。
3. 缩短部分任务的响应链路
靠近数据源的推理可减少往返传输，但整体时延仍受采集、预处理、模型计算和执行动作影响。应在目标硬件上测量端到端时延，而不是只看模型推理时间。
4. 支持受限网络下的本地功能
部分功能可在断网时继续执行，前提是设备具备所需模型、规则与缓存。需说明断网时哪些功能仍可用、数据如何补传，以及云端配置过期时的处理办法。
5. 在设备附近处理敏感数据
本地处理可以减少原始数据外传，但不自动等于数据安全。仍需控制设备访问、日志内容、模型更新和上传结果，并根据实际数据类型评估隐私与合规要求。
6. 为现场人员提供辅助判断
终端可展示识别结果、异常趋势或操作提示。涉及安全、设备控制或业务批准时，应明确人工确认、权限和错误处置，不能把模型输出直接当最终决策。
7. 与设备状态监测配合
振动、温度或电流等数据可以用于发现异常线索，但是否能预测故障，取决于数据质量、故障样本和工况覆盖。缺少验证数据时，应先建立采集与反馈流程。
8. 向CRM或业务系统提供现场信息
经核验的设备事件可通过接口进入客户服务或工单系统。CRM中的销售预测、营销推荐或自然语言搜索通常还依赖服务端数据与具体产品能力，不能直接统称为端侧AI。
9. 按设备约束选择模型
模型应与设备内存、算力、功耗和温度要求匹配。量化、裁剪和更新可能改变结果质量，应保留版本与测试记录，比较精度、时延和能耗的实际取舍。
10. 建立可维护的端云协同
量产或长期运行还需要设备管理、模型版本、更新失败回退、告警和审计。应先用有限场景验证，再扩大部署；不能以一次演示成功代替持续运行验收。
端侧AI是否适合某项业务，取决于现场任务、数据来源、设备资源与可靠性要求。项目评估应把终端推理、云端分析和业务系统职责分开，并使用目标场景的测试结果作决定。
