一家年营收数十亿美元的杂货零售商，每年因“损耗”——偷窃、员工失误、供应链差错和管理疏漏——损失数千万美元，其中自助结账通道尤为突出。传统方案要么增加人手盯着屏幕，要么部署昂贵的专用服务器并回传海量视频到云端。前者抵消了自助设备的成本优势，后者则把延迟、网络带宽和顾客隐私暴露在新风险中。
这就是伦敦边缘 AI 基础设施公司 Edgify 试图切进的裂缝。2026 年 8 月，该公司宣布完成 900 万美元 A+ 轮融资，资金将用于把一套硬件无关、数据不离店的 AI 平台从大型杂货商推向更广阔的实体零售和工业场景。从账面上看，这只是一个早期公司完成了又一笔900万美元的融资；但如果将其产品和商业路径放回真实的产业链约束里观察，它正在试探一个更深层的问题：在物理世界的 AI 部署中，我们到底还需要云端做什么。
| 字段 | 内容 |
|---|---|
| 公司 | Edgify |
| 轮次 | A+ 轮 |
| 金额 | 900 万美元 |
| 投资方 | Rank Ventures、Mangrove Capital Partners |
| 总部 | 英国伦敦 |
| 创始人 | 未披露 |
| 官网 | https://www.edgify.ai/ |
| 成立时间 | 2019 年 |
| 累计融资 | 2,500 万美元 |
| 已披露合作伙伴 | Zebra Technologies、Bizerba |
| 自报运营数据 | 覆盖 2,042 家门店，连接 9,437 台设备，处理超 4 亿条样本，部署于 12 个国家，超 8,000 台终端处于运行状态 |
不做设备生意的”店内部署者”，把算法训练留在摄像头、扫码枪和秤里
Edgify 提供的不是某一款智能摄像头或收银终端，而是一个可以跨设备运行和编排的软件平台。它的核心理念是：利用零售门店已经部署的自助结账机、扫码枪、悬挂摄像头、电子秤和 POS 系统，在这些计算资源充足但彼此孤立的本机设备上直接完成 AI 模型的训练、推理、更新与协作。这些设备不需要将原始图像或交易数据上传到中心化云端，也不需要门店增设昂贵的本地 GPU 机柜。
从技术栈来看，这实际上是一个面向实体店的边缘侧 MLOps 工具集。Edgify 通过 API 接入既有 POS 系统和自助设备，计算机视觉模型可以运行在标准 USB 摄像头、条形码扫描器和计价秤的处理器上。在损失预防这一主打应用中，系统能够识别顾客是否故意遮盖条码、将高价商品替换为低价条码录入，或者在购物车底部隐藏商品不扫描便直接装入袋中。同时，水果、蔬菜等无条形码的生鲜商品也可以被模型直接辨识，不需要员工额外干预。
这套架构的实质是把一间门店转化为一个分布式的本地智能集群。每个设备既执行推理任务，也贡献本地数据参与模型训练，但所有原始数据始终留在店内。这与当下依赖专用服务器的竞品方案形成了鲜明对照。Edgify 在公开表述中多次指出，市面上部分竞争对手需要在店内安装昂贵的计算设备，整个部署周期可能需要数月时间，导致解决方案对多数标准门店变得不切实际。该公司 CEO 兼联合创始人在融资声明中说：”大多数 AI 系统依赖重型基础设施、持续连接和集中式控制，这在真实世界无法规模化。Edgify 的做法不同，我们的技术直接在边缘设备上运行和学习。”这一判断有其现实基础——实体零售业极度分散，每家门店的施工窗口和资本开支极为有限，任何需要额外架设服务器机房的技术方案都天然面临规模化阻力。
需要指出的是，Edgify 对自身”硬件无关”的界定，并不意味着它可以完全脱离硬件生态。公司已公开的合作伙伴包括 Zebra Technologies 和 Bizerba 这类设备制造商，其软件必须运行在这些厂商的零售终端、扫码器和电子秤之上。这意味着 Edgify 的商业化进程在相当程度上受制于合作伙伴的设备更迭周期和市场策略。如果未来 Zebra 或 Bizerba 选择在其硬件中预装更多本地 AI 功能，Edgify 可能需要重新论证其独立软件层的不可替代性。
2000 家店、9000 台设备、4 亿条样本：自报数字背后的转化漏斗
Edgify 在融资新闻中披露了部分业务数据：平台已连接 2,042 家门店和 9,437 台设备，累计处理超过 4 亿条样本，超过 8,000 台终端正处于运行状态，覆盖 12 个国家。这些数字全部为 Edgify 自报，投资人并未对外提供验证口径。
即便完全采信这些运营指标，分析师仍然可以从中反向推敲出一些信号：如果以 2,042 家店对应近 9,500 台设备计算，每家门店的平均连接终端数约 4.6 台。这个数字在大型杂货商数百平方米的卖场里只是一个起点，远未达到对全场智能设备实现全覆盖的程度。考虑到一家大中型超市仅自助结账通道就可能有六到十二条，再加上悬挂摄像头、人工收银台、后台秤重设备和进出货闸口，潜在可连接的智能终端数量远高于当前实际部署密度。这从侧面说明，Edgify 乃至整个边缘 AI 赛道在商超场景中仍处于单店单应用切进的初期阶段，并未实现全店级的铺设。
从客户拓展的角度看，2,042 家门店覆盖 12 个国家意味着平均每国约 170 家门店。考虑到美国和欧洲领先杂货零售商往往拥有数百甚至数千家门店的体量，这一数字可能指向两种情形：Edgify 与大型连锁客户签订了局部试点合约，仅覆盖其少量门店；或者其客户构成中包含区域性中小规模零售商，这些零售商的门店总数本身就有限。两种情形对客单价和收入结构的含义截然不同。如果以大型连锁试点为主，那么 Edgify 当前的收入可能较低，关键在于后续能否将单店试用转化为全店乃至全链的推广，即能否突破零售行业常见的”试点死亡谷”。若以中小零售商为主，则意味着其销售与客户成功团队需要同时管理大量分散的小型账户，这对于一家融资总额仅 2,500 万美元的早期公司而言，可能带来较高的服务成本和复购压力。
Edgify 宣称与”美国和欧洲领先的杂货零售商以及技术伙伴”合作，但未公布任何一家客户的名字。考虑到零售行业在供应商信息披露上的保守惯例，这并不罕见。然而缺乏具名客户意味着外界无法独立评估其单店的经济账，比如每店每年因损失预防挽回多少金额，以及客户为此支付的年度合约费用。这直接关系到其商业模式的可持续性论证。
投资方把赌注押在”物理 AI 扩张”而非”新零售叙事”上
本轮融资由 Rank Ventures 和 Mangrove Capital Partners 共同参与，后者曾于 2020 年领投 Edgify 的种子轮。按照 Edgify 披露的口径，此轮完成后，公司自 2019 年创立以来的融资总额达到 2,500 万美元。
值得关注的是资本结构中的老股东持续加码。Mangrove Capital Partners 在 2020 年种子轮进入，六年后的 A+ 轮继续跟投，意味着这一最早的外部投资者对企业至今的增长轨迹至少持有阶段性认可。但与此同时，A+ 轮 900 万美元的规模也反向透露出在前序 A 轮之后、当前节点的估值故事可能并不宏大。一家已经服务超过 2,000 家门店且覆盖欧美的企业，在此轮融资级别上仍没有把账面金额推高到其核心市场潜力所对应的估值天花板，这在当前生成式 AI 基础设施动辄数千万甚至上亿美元的轮次对比中显得节制。一种可能的解释是：投资人正在区分”边缘 AI 做零售”和”边缘 AI 做泛工业”这两层不同的叙事，并仅仅在后者还未验证的窗口期以较低成本入场。换句话说，这笔资金可能被视作用来打样泛工业场景的探索性资本，而非对既有零售业务的充分定价。
Edgify 宣称，全球边缘 AI 市场到 2034 年预计将从 360 亿美元增长至 3,860 亿美元。另一信息来源 Tech.eu 将该市场预测数据直接归因于 Edgify 所引用的第三方研究。目前无法核实该数据的出处及测算模型，但即便以保守估算，实体零售计算机视觉市场规模约为 158 亿美元，足以支撑多家十亿美元级别的公司。关键问题在于，这个市场有多大比例属于不需要云端参与即可完成推理和训练的”纯边缘”场景——Edgify 试图定义的、与云端完全无关的那一层。如果这个子市场的规模远小于整体边缘 AI 市场，那么其估值上限可能会受到结构性制约。
资金用途显示商业路径正在从”反盗损”走向”设备全生命周期管理”
Edgify 详细列出了一张资金用途清单：加速物理零售端平台部署，进入便利店、快餐连锁、配送中心、服装零售这四个明确的垂直领域，同时在更长周期内涉足运输、物流、制造和仓储。公司还表示将扩大团队，并着手将平台发展为一个面向分布式设备的全生命周期管理基础设施层，覆盖模型的部署、监控和更新。
从用途反推产品战略，Edgify 试图复用的核心资产并不是某一场景的 AI 模型本身，而是面向”设备集群”的统一编排能力。在零售场景里，这个集群是一间门店内的所有视觉与交易设备；在快餐连锁场景中，它可能变成烤箱、炸锅摄像头、取餐口感应器和订单屏幕；在配送中心，则对应传送带分拣摄像机、扫码枪和自动包装机。公司 CEO 将门店定义为一个”可以看见、决定并共同学习的机器舰队”，并借融资公告刻意将商业版图往泛工业方向延伸。这是一个典型的 B 轮前叙事手法——用跨行业可迁移的平台属性来说服投资人，创始团队贩卖的不是行业解决方案，而是操作系统级的工具。
但可迁移性存在一个朴素却刚性的约束：快餐店、服装店和物流仓库之间，共享的也许只是硬件形态，而不是模型语义。在杂货店识别一根香蕉被漏扫的知识，几乎不能迁移到服装门店识别翻牌挂标的行为上。如果新行业的模型必须从头训练，那么每进入一个新垂直就相当于重做一次客户教育、模型适配和设备集成。公司声明的资金用途涵盖了至少四个新垂直领域，但 900 万美元的融资额度在同时支撑零售部署加速、团队扩张和跨行业拓荒的背景下，分配到每个新行业上的资源可能相当有限。这意味着其扩张节奏很可能采取”轻进入、试转化”的策略，先在个别新行业签约一两个标杆客户建立参照案例，再决定后续资源的倾斜方向。这种策略成败的关键在于，第一批跨行业客户是否愿意在 Edgify 尚不具备本行业参考案例的阶段就承担共同开发的风险。
联邦学习中的“非独立同分布”问题显露规模化瓶颈
Edgify 团队曾探索过一个技术细节：边缘设备上的联邦学习如何处理“非独立同分布”数据。在真实零售场景中，不同门店的顾客结构、光照条件、商品组合、摄像头安装角度和行为模式存在显著差异。如果每个门店各自用本店的数据做局部训练，模型参数更新很容易在门店之间发生分歧，不再指向同一个全局最优解。Edgify 的研究方向是在不额外增加隐私风险、也不显著加重设备间通信压力的前提下，引导各地局部模型向一个共享的收敛点逼近。
这不是学术界悬空的议题，而是直接决定 Edgify 能否从几千台设备扩展到几十万甚至上百万台。维持模型一致性所需要的通信开销如果不能被有效控制，那么随着终端规模膨胀，边缘协作带来的额外复杂度就可能蚕食其宣称去中心化所节省的成本。举例来说，如果每增加 1,000 台设备，联邦学习框架就需要成比例地增加门店之间的参数交换频次以维持一致性，那么边缘部署所节省的云端传输成本可能被门店间通信成本部分对冲——尤其是在不同门店可能使用不同网络基础设施的现实条件下。目前 Edgify 在商业资料中尚未公布其联邦学习框架在实际部署中的通信效率、模型收敛速度以及跨门店模型一致性的量化指标。对于一家以去中心化学习和设备协同为核心技术卖点的公司而言，这些指标的缺失使得其规模化主张在技术层面仍存在一个待填补的空白。
另一个值得注意的技术动态是模型复杂度的演进趋势。当前的计算机视觉模型可以直接在扫码枪处理器或摄像头模块上运行推理，但随着零售应用对精度和功能的要求提升——例如从简单的物品分类扩展到复杂的行为意图预测——模型规模可能在边缘设备固有的算力约束下成为瓶颈。Edgify 必须持续优化其模型的轻量化程度和联邦训练效率，否则可能陷入“部署得越广，维持一致性越难”的规模不经济。这构成了其技术路线图中一个尚未在商业资料中得到充分回应的长期挑战。
不做云、不替硬件、躲开巨头主场的一场侧翼战
将 Edgify 放入整个 AI 基础设施的竞争版图中观察，它的站位有意避开了云端巨头的势力范围。AWS、Google Cloud 和 Microsoft Azure 都在推动各自的边缘 AI 解决方案，但这些方案大多假定边缘设备是云的一个延伸节点，数据最终仍会被聚合到中心化基础设施上进行分析或二次训练。Edgify 的方案在商业逻辑上反其道而行：将云视为完全不参与数据路径的旁观者。这在一定程度上制造了一个排他性的数据管理承诺，尤其适用于欧洲受到 GDPR 约束或面临投资人隐私合规压力的零售商。对于这些客户而言，“数据不出店”不仅仅是一个技术特征，而是可以直接写入供应商合规条款的硬性要求——这在 Edgify 与大型零售商的初期谈判中，可能构成一个有别于云厂商方案的切入点。
在硬件生态一侧，Edgify 将自己定位为彻底的硬件无关方，合作伙伴包括 Zebra Technologies 和 Bizerba 等设备大厂。其技术可以跑在多家制造商的既有设备上，不需要独家绑定。这一策略有利有弊：一方面避免卷进硬件制造商的专利和供应链战争，另一方面也使得它缺乏像 Nvidia 在数据中心场景中那种由芯片锁定带来的强客户粘性。零售商的 AI 决策者将来若更换设备品牌，软件层的迁移成本可能远低于硬件层的切换成本，这意味着 Edgify 需要持续通过模型质量、管理工具的用户体验和客户成功服务来维持客户的续费意愿，而非依赖技术锁定的结构性壁垒。
还需要观察的一个变量是零售商自身 IT 能力的分化。大型连锁超市可能拥有自行搭建边缘 MLOps 工具的内部团队，只是尚未将这项工作排上优先级。若未来两到三年内，头部零售商决定以内部团队或开源项目来构建设备协同层，Edgify 可能面临客户从“购买独立平台”转向“自建加外购”的采购模式变化。这一风险在当前阶段可能尚未凸显，但从平台被定义为“基础设施层”的那一刻起，就不可避免地需要回答：为什么客户不能或不会自己来做这一层。
待验证假设：损失预防能否单独支撑一个基础设施公司
Edgify 当前商业落地的支点几乎完全建立在损失预防这个单一用例上。杂货零售商对损耗有真实的支付意愿，但这项支出本质上是一个利益再分配问题：降低的损耗直接体现为净利润。因此客户愿意为可量化的减损效果付费。然而，如果 Edgify 要成为一家“边缘 AI 基础设施”公司，仅仅提供损耗识别的计算机视觉模块是不够的，它需要说服客户将越来越多的模型管理和设备协作任务迁移到其平台之上，从“一个功能”变为“一个底座”。
这涉及的其实是对零售商 IT 架构话语权的争夺。目前尚不清楚 Edgify 以何种方式进入客户的钱包——是一次性部署费加年度软件订阅、按设备每月的 SaaS 收费，还是将收费与减损效果挂钩。公司也未披露其 ARR、续费率和毛利率等关键财务指标。这些信息的缺失使得外界难以判断，在 2,042 家门店和 9,437 台设备的体量下，Edgify 的商业模型是否已经跑通并具备正向的单位经济效益。如果当前体量下的经济模型还依赖于投资人的补贴来覆盖客户获取和部署成本，那么每新增一个垂直领域都可能带来单位经济学上的稀释。
此外，公司尚未公布任何风险因素，但从现有信息中至少可以识别出三个层面的验证点。第一是跨行业复制中的模型迁移成本可能远高于预期。零售损失预防、餐厅厨房操作监控和仓库分拣纠错的视觉语义几乎互不兼容，这可能迫使 Edgify 在每个新行业建立一个相对独立的模型矩阵，削弱其“单平台多行业”的成本复用优势。第二是在更大的终端网络下，联邦学习能否稳定保持模型一致性而不过度消耗带宽与计算资源。这一技术假设的验证结果直接决定了 Edgify 的可服务市场规模上限。第三则是来自设备制造商自身的竞争——当 Zebra Technologies 这类合作伙伴逐步在其硬件上预置更多本地推理能力，Edgify 必须证明其独立软件层的价值不可被硬件迭代所吸收。这是每一家栖身于他人硬件生态中的软件公司都必须回答的命题。对于一家总融资 2,500 万美元的公司而言，在三个维度上同时保持投入的难度意味着其资源分配的选择将直接决定最终兑现的路径是成为独立平台，还是被收编为某一设备生态的软件模块。
RecodeX 极客视：Edgify 试图证明 AI 可以在摄像头、扫码枪和收银机内部完成学习与决策，这个方向本质上是在和过去十年所有流向云端的数据牵引力做对抗。它成功拉拢了一批杂货零售商和两家愿意长期跟投的基金，但下一步要说服的是餐饮业、仓库和服装店的管理者，让他们相信一台油炸锅摄像头和一台自助结账机共享同一种智能的根基。这笔 900 万美元顶多够它把现阶段的论证从两千家店继续向外延伸一圈，真正决定公司命运的，是那些随后进入的连锁客户到底只是试用了损失预防这一个功能，还是愿意把门店的整套 AI 生命周期管理权交到这家伦敦公司手上。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。