架构与工作原理。
接口、数据通路与部署拓扑。本页的信息密度刻意高于网站其余部分。
引擎ENGINE-01
昌智浦智能引擎 — 统一的三层架构
- 物理边缘层
- 经受高温、粉尘与振动考验的工业级传感器与边缘处理器。
- 智能核心层
- 实时 AI 与 RTOS 层，在边缘端完成零延迟决策。
- 数字云端层
- 可扩展的数据分析与模型训练，并将迭代后的模型回传至边缘端。
三层堆叠架构：由工业级传感器与边缘处理器构成的物理边缘层；运行实时 AI 与 RTOS 的智能核心层；以及承担分析与模型训练的数字云端层。数据自边缘上行至云端，训练完成的模型再回传至边缘，形成闭环。
- Layer 1 of 3: 物理边缘层. 经受高温、粉尘与振动考验的工业级传感器与边缘处理器。
- 传感器阵列 — 工作环境 高温、粉尘、振动
- 功率级
- 边缘处理器 — 职能 采集与控制
- 输入/输出接口
- 执行机构
- Layer 2 of 3: 智能核心层. 实时 AI 与 RTOS 层，在边缘端完成零延迟决策。
- 实时操作系统 RTOS — 调度 确定性
- 推理 — 决策点 在边缘端
- 控制回路
- Layer 3 of 3: 数字云端层. 可扩展的数据分析与模型训练，并将迭代后的模型回传至边缘端。
- 数据分析
- 模型训练 — 输出 迭代模型回传至边缘端
- 设备集群管理
Connections:
- 传感器阵列 delivers measurements to 边缘处理器.
- 边缘处理器 issues actuation commands to 输入/输出接口.
- 功率级 delivers drive current to 执行机构.
- 边缘处理器 passes data up to 实时操作系统 RTOS.
- 实时操作系统 RTOS schedules 推理.
- 推理 supplies setpoints to 控制回路.
- 推理 passes data up to 数据分析.
- 数据分析 supplies datasets to 模型训练.
- 控制回路 passes data up to 设备集群管理.
- 模型训练 returns trained models to 推理.
- 设备集群管理 returns updated operating policy to 控制回路.
层间接口
每一层边界上流经什么。
| 接口 | 传递内容 |
|---|---|
| 感知层至边缘处理器物理层 | 数据采集 |
| 边缘处理器至 RTOS向上 | 已调度的任务 |
| RTOS 至推理层层内 | 控制 |
| 推理层至分析层向上 | 数据 |
| 训练至推理回传 | 迭代后的模型 |
| 设备集群管理至控制回路回传 | 配置 |
层间接口及其传递的内容
- 感知层至边缘处理器物理层
- 数据采集
- 边缘处理器至 RTOS向上
- 已调度的任务
- RTOS 至推理层层内
- 控制
- 推理层至分析层向上
- 数据
- 训练至推理回传
- 迭代后的模型
- 设备集群管理至控制回路回传
- 配置
数据通路
每类决策在何处做出。
拓扑的关键问题不是数据流向何处，而是决策发生在何处。以下是本架构给出的确定答案。
| 决策 | 位置 |
|---|---|
| 实时控制决策 | 位于设备端 |
| 模型训练 | 云端 |
| 模型执行 | 位于设备端 |
| 设备集群汇总 | 云端 |
| 链路中断时的行为 | 边缘端不受影响 |
各类决策的做出位置
- 实时控制决策
- 位于设备端
- 模型训练
- 云端
- 模型执行
- 位于设备端
- 设备集群汇总
- 云端
- 链路中断时的行为
- 边缘端不受影响
部署拓扑
- 纯边缘部署
- 设备完全不依赖云端运行。系统的所有决策均在本地完成；云端层并非不可达，而是根本不存在。
- 边缘部署 + 上报
- 控制保持在本地，链路可用时上报遥测数据。链路中断只会降低可见性，而不影响功能——这正是现场真正重要的区别。
- 闭环部署
- 上报加回传：基于设备集群数据训练的模型被部署回设备。这是唯一一种能让已交付装机量在出厂后持续改进的拓扑。
系统集成
对接已经存在的系统。
多数项目并非从零开始。本引擎的规格设计使得每一层都可以独立采用，无需引入其他层。
- 现有控制器
- 引擎可与客户现有控制器并存而非取而代之，由引擎承担感知与推理，原有系统继续负责执行。
- 现有云平台
- 云端层是一种角色，而非某个供应商。若客户已有平台，回传路径即指向其自有平台。
- 现有认证
- 对于已获认证的产品，变更范围以“是否触发重新认证”来界定——这项约束属于架构阶段，而非收尾阶段。
