去年我们做了一批项目，天南地北的客户都有。做多了发现一个规律：客户真正想要的不是一个IoT平台，而是"数据到了之后，能自动做点什么"。
这篇文章不讲概念，讲三个真实的边缘智能落地案例——传感器数据怎么变成AI决策，决策又怎么变成设备动作，全在本地完成，不依赖云端。
核心架构：边缘智能怎么做
在讲案例之前，先简单说下架构，后面好理解。
温湿度/人体/能耗
LoRa/RS485/MQTT
分析+决策+建议
空调/灯光/门禁
核心逻辑就一句话：传感器采集 → 边缘网关汇集 → AI分身边缘分析 → 自动/半自动下发控制指令。整个过程不经过云端，数据不出客户内网，延迟控制在秒级以内。
办公室空调节能：AI学了一周，电费省了22%
场景：某企业办公区，一共6层楼，每层8间办公室。原来空调早上统一开、晚上统一关，不管有没有人。
痛点：周末加班的人也开整层空调、午休时间所有办公室空调全开但大部分没人、会议室预约了但没人去空调照开。物业电工说"我们也想省，但总不能每间房跑去关吧"。
方案：
- 每间办公室部署人体传感器 + 空调红外控制器（RLZ-AC.IR） + 智能空开（RLZ-MCB-63A）
- 边缘服务终端连接九鼎IoT平台，采集传感器数据
- AI分身学习一周的用能数据，建立"房间使用规律模型"
AI干的事：
- 识别出哪些办公室是常规工位（每天有人）、哪些是流动工位（不固定）、哪些是会议室（预约驱动）
- 常规工位：上班前15分钟自动开空调，午休自动调高2°C，下班后无人自动关闭
- 会议室：接入预约系统，会议开始前10分钟自动开，会议结束无人后15分钟自动关
- 流动工位：仅在有传感器触发时开启，无人超过30分钟自动关闭
结果：第一个月电费同比下降22%，客户说"相当于每层楼每年省了1.2万"。而且整个过程都是AI自动判断，不需要物业人员干预。
关键点：边缘端运行，断网后策略继续执行，不依赖云端AI服务。
校园智慧教室：AI看"有没有人"调设备和策略
场景：某国际学校，50间教室+12间多功能室。之前是每间教室的灯光、空调、多媒体设备由老师手动开关。经常发生"老师上完课走了，投影和空调开了一整晚"。
痛点：后勤处平均每天收到3-5个"教室设备没关"的报修。更麻烦的是不同老师用同一间教室，有人喜欢开窗通风、有人喜欢关窗开空调，设备设置每次都要重新调。
方案：
- 每间教室部署环境传感器（温度/湿度/光照/人体）+ 智能空开 + 空调控制器 + 中控屏
- AI分身接入九鼎IoT平台，采集所有教室的实时状态数据
- AI分身学习每个时间段教室的使用模式
AI干的事：
- 无人超过15分钟 → 自动关灯、关空调、关投影，能耗数据记录
- 有人进入 → 根据当前时间段（上午/下午/晚上）和季节（夏/冬），自动设置默认舒适温度
- 连续3天同一时段无人使用 → AI标记为"闲置时段"，策略调整为节能模式
- 生成每周的教室使用率报告，推送至后勤手机——哪间教室利用率高、哪间几乎没用、哪个时间段能耗异常
结果：教室能耗降低28%，"设备忘关"报修从日均3-5件降到几乎为零。后勤主管说："以前是追着老师关设备，现在是设备自己知道什么时候该关。"
关键点：AI分身不只是执行规则，它能"学习"使用模式并自动优化策略。
宿舍楼水电管理：AI预警比人工早3天发现问题
场景：某高校宿舍楼，6层楼，120间宿舍。每间宿舍安装了智能水表和无线空开，接入九鼎IoT平台。
痛点：水管跑冒滴漏、宿舍违规用电（大功率电器）是宿舍管理的老大难问题。以前靠学生报修或宿管巡查，发现问题时往往已经漏了一两天了。
方案：
- AI分身学习每间宿舍7天的日常用水用电基线数据
- 用水量超出基线150% → AI标记为"可疑泄漏" → 自动推送预警给宿管
- 用电负载突变（如突然接入大功率电器）→ AI标记为"异常用电" → 自动生成记录
- 连续3天用水量为零 → AI标记为"空宿舍" → 提醒核对住宿信息
AI干的事：
- 不是简单的阈值报警（超过X升报警），而是"基线学习+动态阈值"——每间宿舍的基线不一样，AI个性化学习
- 比如某宿舍平时日均用水0.5吨，某天突然变成2.3吨——AI判断为疑似漏水，自动推送预警
- 某宿舍平时晚上11点后用电趋于零，某天凌晨2点突然跳到3kW——AI判断为违规用电
结果：上线3个月内，提前发现水管微漏2起（宿管说"按以前的水费根本发现不了"）、违规用电预警7次。其中一起微漏，AI比学生报修早了3天发现，按每天漏0.5吨水算，少漏了1.5吨水。
关键点：AI的"基线学习"比固定阈值报警灵敏得多，能发现人工+传统系统都发现不了的问题。
复盘：边缘智能能跑通的关键
三个案例做完，总结了几点经验：
1. 边缘跑AI不是必须的，但"边缘能跑AI"很重要
很多场景其实简单的规则引擎就能解决（比如"无人15分钟关空调"）。但一旦涉及到"学习使用模式"、"动态基线"、"异常识别"——规则引擎就不够用了。AI分身放在边缘，意味着客户不需要把数据传到云端去做分析，数据安全、延迟、离线可用性都解决了。
2. 从"规则"到"AI"是渐进的过程
我们落地时发现一个规律：第一周先用规则引擎跑（如果...那么...），收集数据；第二周把数据喂给AI分身学习；第三周开始对比AI决策和规则决策的差异。客户看着AI的决策越来越准，信任感自然建立。没有人一开始就信任AI，但数据会说话。
3. 客户要的不是技术，是"少操心"
三个案例的客户最终满意不是因为"你们的AI真厉害"，而是"装了之后不用我操心了"。"不用操心"这四个字，其实比任何技术指标都值钱。
4. 边缘智能的下一步
目前做的是"单域智能"——空调只管空调、水电只管水电。下一步是"跨域联动"——比如教室AI发现今天下午2点有40人集中上课，自动通知空调AI提前20分钟预冷+通知灯光AI调整照度方案。AI分身和AI分身之间对话、协同，这才是边缘智能的完整形态。