针对端边云协同的分布式人工智能模型，研究了模型训练与推理优化方法，提出了一套创新的优化策略体系。在训练阶段，通过端侧压缩量化、边缘并行训练和云端分布式计算的协同机制，显著提升了训练效率，实验表明,模型收敛速度提高了42%。在推理阶段，创新性地设计了动态任务调度与资源分配机制，结合端侧剪枝、边缘卸载和云端负载均衡技术，有效降低了端到端延迟。在大型钢铁企业高炉炉温预测系统的实际应用中，该方法使系统响应时间降低68%，预测精度提升至97.9%，并创造年度经济效益1 200余万元。实验与实践充分验证了所提方法在提升计算效率、降低资源消耗和优化系统性能等方面的显著优势，为分布式人工智能系统在工业领域的实际应用提供了可靠的技术方案。
