在当前人工智能（AI）技术快速发展的背景下，制造业作为国民经济的重要支柱，正逐步引入AI技术以提升生产效率、优化资源配置和增强产品质量。然而，随着AI在制造业中的深入应用，一个关键问题逐渐浮出水面：制造业使用AI是否必须依赖网络？当网络中断时，AI系统能否继续运行？

一、AI在制造业中的典型应用场景

首先，我们需要明确AI在制造业中主要应用于哪些方面。当前，AI在制造业的应用主要包括：

1. 质量检测与缺陷识别：通过视觉识别技术，AI可以在流水线上实时检测产品是否存在缺陷，大幅提高检测效率和准确率。
2. 预测性维护：AI可以分析设备运行数据，提前预测设备故障，从而避免非计划停机。
3. 生产流程优化：AI通过对历史数据的学习，优化排产计划、物料调度等，提升整体生产效率。
4. 智能机器人控制：AI驱动的工业机器人可以执行更复杂的任务，如柔性装配、搬运等。

这些应用大多依赖于大量的数据输入和模型推理，因此很多人会认为AI在制造业中运行必须依赖互联网。

二、AI运行是否必须联网？

实际上，AI在制造业中的部署可以分为云端AI和边缘AI两种模式，它们对网络的依赖程度有所不同。

1. 云端AI：依赖网络连接

云端AI指的是将数据上传至云服务器进行处理和分析，再将结果反馈给制造系统。这种模式的优点在于可以利用强大的云计算资源进行复杂模型训练和大规模数据分析。然而，它对网络的依赖性较强，一旦断网，可能导致数据传输中断、延迟增加，甚至整个AI系统无法正常运行。

适用于云端AI的场景包括：需要持续模型更新、数据量极大、对计算能力要求高的任务。

2. 边缘AI：可脱网运行

边缘AI是指在本地设备（如工业电脑、边缘服务器）上部署AI模型，直接在设备端进行数据处理和决策。这种方式无需持续联网，能够在断网情况下继续运行，具有更高的实时性和稳定性。

边缘AI的优势在于：

• 低延迟：数据处理在本地完成，响应速度快。
• 高可靠性：即使断网也能继续运行。
• 数据隐私保护：数据无需上传至云端，降低泄露风险。

因此，对于制造业而言，边缘AI是一种更为稳妥的部署方式，尤其适合对实时性要求高、网络环境不稳定的生产场景。

三、断网时AI系统如何应对？

在制造业的实际运行中，网络中断是可能发生的状况，例如由于网络设备故障、电力中断或外部干扰。此时，AI系统的稳定性显得尤为重要。

1. 本地缓存与模型部署

在边缘计算架构下，AI模型可以提前部署在本地设备中，即使断网，也可以继续使用已加载的模型进行推理和决策。同时，数据采集和处理功能可以继续运行，并将数据暂存在本地存储中，待网络恢复后上传至云端进行后续分析。

2. 模型轻量化与离线训练

为了适应断网情况，AI模型通常需要进行轻量化处理，使其能够在本地设备上高效运行。此外，部分模型可以在网络状况良好时进行周期性训练和更新，确保在断网期间模型仍保持较高的准确性。

3. 网络冗余与备份机制

对于关键任务，制造业还可以采用网络冗余设计，例如双网卡、多运营商接入、4G/5G备份等方式，以提高网络的可用性和容错能力。这样即使主网络中断，系统也能自动切换至备用网络，保障AI系统的连续运行。

四、AI与工业互联网的融合趋势

尽管边缘AI在断网情况下具有明显优势，但未来AI在制造业的发展方向仍然是云端与边缘协同。通过工业互联网平台，企业可以实现远程监控、集中管理、统一调度等功能，提升整体智能化水平。

在这种融合架构中，边缘AI负责实时处理和本地决策，而云端则负责大数据分析、模型训练和全局优化。两者相辅相成，既能保障系统的稳定性，又能充分发挥AI的潜力。

五、未来展望

随着5G、物联网和AI技术的进一步融合，制造业的智能化水平将持续提升。未来的AI系统将更加智能、灵活和自主，不仅能够在断网情况下继续运行，还能通过自学习机制不断优化自身性能。

不过，企业在部署AI系统时，仍需根据自身的网络条件、业务需求和成本预算，选择合适的部署方式。对于网络条件较差或对实时性要求较高的场景，优先考虑边缘AI方案；而对于需要大数据分析和远程管理的场景，则可以采用云端AI或混合架构。

总之，AI在制造业中的应用并不一定需要持续联网，尤其是在边缘计算的支持下，AI系统完全可以在断网情况下稳定运行。这种能力不仅提升了系统的可靠性，也为制造业的智能化转型提供了更坚实的技术基础。