很多人说"家庭AI在云端跑"，这句话在百家乐的架构里只对了三分之一。真正决定体验好坏的，往往不是云端模型有多大，而是一次判断到底应该发生在设备上、家里的边缘节点上，还是必须送到云端——这三层分工不清楚，要么响应慢到用户能明显感知延迟，要么隐私数据无谓地跑了一趟公网。

三层AI，分别在解决什么问题

设备端AI跑在摄像头、传感器、家电控制板这类算力有限的硬件上，负责图像识别、声音识别、传感器信号的初步处理——比如把一段振动波形判断成"洗衣机脱水"还是"异常抖动"，把摄像头画面里的一个轮廓判断成"人"还是"宠物"。家庭边缘AI跑在本地网关或家庭服务器上，负责隐私敏感数据的处理、需要毫秒级响应的实时控制，以及维护一份只属于这个家庭的"记忆"——谁的房间在哪、常用设备是什么、最近发生过什么事。云端大模型负责的是设备端和边缘都扛不动的部分：复杂的多步推理、跨知识领域的检索问答，以及模型本身的迭代更新。三层不是层层递进的"备份关系"，而是各自握着一部分对方替代不了的能力。举个具体对照：同样是"识别声音"，设备端做的是"这段声音的频谱特征偏离基线了吗"这种二元判断，边缘AI做的是"这段声音和这个家最近的运行记录比，算不算异常"，云端大模型做的才是"这类异响在同型号设备的故障样本里对应哪种可能原因"——三个问题看起来都叫"识别声音"，但需要的算力、数据范围和响应速度完全不是一回事，硬把它们塞进同一层处理，要么算力不够跑不动，要么响应速度拖垮体验。

设备端AI：先决定"值不值得往上传"

设备端AI的第一个工作，其实不是识别，而是过滤。一颗摄像头每秒产生的画面数据量远超过一个家庭网络需要传输的量，如果什么都原样上传，既浪费带宽也制造隐私风险。设备端模型的任务是先做一轮低功耗的粗筛：画面里有没有动态变化、声音里有没有超过阈值的异常频段、传感器读数有没有偏离基线。只有触发了预设条件，才会把一段简短的特征摘要（而不是原始画面或录音）传给上一层的边缘节点。这一步的价值经常被低估，但它决定了后面两层要处理的数据质量和数据量。举个容易被忽视的例子：如果设备端的粗筛阈值设得过于宽松，家里一台老旧冰箱压缩机启停时的正常噪声都会被当成异常事件反复上传，边缘AI每天要处理几十条无意义的告警，久而久之用户干脆把提醒功能关掉；阈值设得过严又可能漏掉真正的早期故障信号。这个平衡点没有统一答案，需要针对具体设备型号和运行环境去调，这也是设备端AI看似简单、实际调试成本很高的地方。

家庭边缘AI：实时控制和家庭记忆为什么必须留在本地

家庭边缘AI要处理两类事情，都对延迟或隐私特别敏感。第一类是实时控制，比如有人说"把灯调暗一点"，这类指令如果每次都要绕道云端一个来回，用户会明显感觉到卡顿，尤其在网络不稳定的时候体验更差，边缘节点需要能独立完成这类高频、低复杂度的任务。第二类是家庭记忆，也就是哪些信息该被AI持续记住——家庭成员的房间归属、常用设备偏好、最近几天的异常记录，这些数据涉及具体的人和具体的生活细节，边缘AI把它们留在本地，既减少了不必要的云端往返，也降低了敏感数据被不当收集的风险。端侧大模型能不能撑起这两类任务，很大程度上决定了一个家庭AI系统日常好不好用。

云端大模型能做，边缘AI做不到的事

边缘节点的算力和存储都有上限，遇到需要跨领域知识、长链条推理或者需要参照大量历史数据做判断的场景，还是要交给云端。比如用户问"这台空调用了三年，制冷效果变差正常吗"，这类问题需要检索同类设备的一般老化曲线、结合当前设备的历史运行数据做综合判断，超出了本地一个家庭数据量能支撑的范围。云端还承担另一个边缘做不到的工作：模型更新。边缘设备上的模型版本需要定期由云端下发新的参数或知识更新，但这个更新过程本身要谨慎，涉及的不只是效果变好，还包括会不会打乱用户已经习惯的行为模式，这也是为什么百家乐把模型更新单独作为一个技术话题在讨论，而不是简单当成"版本升级"处理。

网络断开的时候，这套分层会不会失效

三层协同有一个绕不开的前提：家庭网络和云端之间的连接是通的。一旦断网，云端大模型这一层就彻底失联，这时候系统不能表现得像什么都不能做了。离线状态下的端侧Agent要承担起临时兜底的角色——放弃需要复杂推理和大范围知识检索的任务，只保留基于本地规则和最近缓存数据能完成的判断，比如继续执行灯光、空调这类已经学习过的日常联动，但像"疑似压缩机轴承磨损"这种需要云端故障样本库支持的诊断，只能先标记为"待网络恢复后确认"，而不是勉强给出一个缺乏依据的结论。这种降级机制不算完美，但至少比网络一断整个系统全部瘫痪要现实得多，也更符合家庭场景里网络时断时续的真实情况。反过来说，一个只在演示视频里流畅、断网就彻底失灵的系统，说明它把太多本该留在本地的判断默认交给了云端，这也是评估一套家庭AI架构时容易被忽略、却相当关键的一项指标。

一次"异响"事件的完整调用链

以下为模拟场景，用来说明三层如何配合：凌晨两点，卧室空调外机发出一段不同于日常运行的异响。麦克风阵列这类设备端AI先捕捉到声音特征，本地推理判断这段声音和"正常压缩机运行"的基线模式偏差超过阈值，但设备端算力不足以确定具体是哪种故障，于是生成一段声纹特征摘要，连同设备型号、最近运行时长等元数据，发送给家庭边缘节点。边缘AI先检查当前是否有人在卧室（结合睡眠传感器和门磁状态），确认没有必要立刻唤醒用户，同时把这条事件和本地维护记录做比对，判断不属于近期已知的重复报警。由于边缘AI的知识库无法确定具体故障类型，事件被打包上传至云端大模型，云端结合更大范围的同型号设备异响样本库做二次判断，给出"疑似压缩机轴承轻微磨损，建议近期安排检修"的结论，置信度和判断依据一并返回边缘节点。边缘AI最终决定不在凌晨打扰用户，而是把这条建议存入次日的晨间提醒，用户起床后才在App里看到这条信息，而不是被半夜的异响警报吵醒。这条链路和预测维护系统的判断逻辑是同一套底层机制，只是触发点从"设备状态缓慢偏移"变成了"一次突发声音事件"。

协同不是"谁更聪明"，是"数据该停在哪一层"

把这三层放在一起看，会发现"哪个更智能"其实是个伪问题——设备端模型再小也有它必须完成的工作，云端模型再大也不该处理本该在本地完成的实时指令。真正决定系统好坏的，是架构设计者有没有想清楚每一类数据、每一种判断应该停在哪一层：能在设备端过滤掉的噪声，不该拖到边缘；能在边缘完成的实时响应和隐私处理，不该送上云端；只有云端才具备的知识检索和模型迭代能力，也不该勉强压缩到本地硬件上凑合。这种分层思路，其实也是数字孪生、AI Agent与智能家居整合为一套系统时必须遵守的同一条底层原则——层与层之间划清边界，系统才谈得上既反应快，又足够懂这个具体的家。观察一套家庭AI架构成不成熟，与其看它宣传里用了多少新名词，不如直接问一个更实际的问题：这次判断，到底是在哪一层做出来的，理由是不是站得住。