PG关注到，研华5月22日发布边缘AI指南，将模型部署到传感器、网关或现场计算机，作为减少远端往返的一种架构选择。本文重点观察本地推理与完整业务之间的差别，讨论网络变化时应如何理解系统状态。
模型在本地运行，并不意味着所有工作都已脱离外部条件。资料保存、用户登录、后台同步或后续决策仍可能依赖其他服务；因此，离线能力需要按实际任务说明，不能用一个标签概括整套应用。
先明确哪些步骤留在现场
官网介绍采集、预处理、推理与动作的流程，并列出设备资源和模型优化方向。原文中的固定延时、带宽比例与合规概括缺少具体条件，本文不引用为适用于所有项目的保证。
从独立工程观察看，架构资料应能画清输入到输出的路径。哪一步必须本地执行，哪一步需要远端确认，若没有分别标明，就难以解释断连以后系统究竟还能完成哪些操作。
本地模型也需要持续获得有效输入。摄像头、传感器或现场数据服务异常时，即使计算进程仍在运行，也可能没有可用信息。设备在线、模型在线与业务可用，应分别定义。
断连时要让未完成任务可见
当连接暂时不可用，系统可能继续产生本地结果，但后台尚未收到。界面应能区分已计算、待发送与已确认，避免使用者把某一步完成误认为全部流程已经结束。
独立分析认为，重新连接后的同步需要防止信息含义混乱。哪些记录来自断连期间、是否已经处理过、对应哪个时间点，都应保持关联。否则，恢复网络也可能带来重复或顺序不明的业务信息。
缓存与保留范围也需要按任务规划。设备能够保存多少待同步内容，达到边界时怎样提示，属于运行要求。不能只因为具备本地存储，就默认所有长度的断连都不会影响任务。
本地部署同样需要持续维护
模型与软件可能长期分散在多个地点。每个节点使用哪个版本、是否已完成更新，以及更新后状态是否符合预期，需要共同记录，否则集中平台很难解释不同设备为何产生不同结果。
设备运行环境变化时，也应复查输入条件。产品、光线或传感方式调整以后，原有模型是否仍适用，需要通过代表性数据判断；本地执行并不会自动避免这种变化带来的影响。
数据留在现场也不自动解决全部管理问题。保存范围、访问权限和维护入口仍需要定义，才能说明哪些信息由谁使用，以及何时可以删除。架构位置与治理流程是相互关联的不同事项。
验证可以覆盖正常联网、暂时断连和重新同步三种状态，并按具体任务检查结果。结论应注明输入和依赖条件，让团队知道系统已经验证了什么，而不是笼统宣称永远不受网络影响。
对需要远端授权或集中信息的任务，应坦诚保留依赖。清楚说明受限时可进行哪些操作、哪些必须等待，有助于使用者作出准确判断，也避免把局部自治误解为整套业务完全独立。
现场交接也需要让人员理解这些状态。即使暂时无法取得远程支持，值班人员仍应能够读懂哪些任务完成、哪些记录正在等待同步。
在PG看来，边缘AI的实用价值来自恰当分配任务。把本地处理、外部依赖与恢复流程讲清楚，再用真实状态验证，才能准确评价离线能力，而不是把位置变化直接写成无条件可用的承诺。