邊緣AI
關注創建者：匿名 創建時間：2026-01-04
邊緣AI的實例教程
各大公司競相將各種芯片架構作為將AI推向邊緣的首選武器。
隨著機器學習應用開始出現在終端設備和物聯網網絡邊緣，實現AI的加速器可能看起來更像FPGA和SoC模組，而不是英特爾和英偉達目前的數據中心綁定芯片（data-center-bound chip）。
人工智能和機器學習需要功能強大的芯片來從大數據集中計算答案。大多數AI芯片——包括訓練和推理——都是為數據中心開發的。然而，這種趨勢很快就會改變。其中很大一部分處理將發生在邊緣，即網絡的邊緣或傳感器和傳感器陣列的內部或附近。
幾乎可以肯定，訓練將留在云端，因為對于這一大塊資源的最有效產品是英偉達的GPU，它主導著這一部分市場。盡管數據中心可能會承擔包含大量數據集的訓練部分，但推理可能最終會交給邊緣。市場預測似乎同意這一點。
Tractica公司研究主管、邊緣設備AI報告的作者Aditya Kaul說：“推理硬件市場是一個新市場，但變化迅速。數據中心有一些機會，并將繼續存在。基于云的數據中心AI芯片市場將繼續增長。但是推理處于邊緣，這里開始變得引人注目。至少有70家專業人工智能公司正在研究某種與芯片相關的人工智能技術。”
Kaul說：“在邊緣，智能手機、機器人、無人機、相機、安全攝像頭等所有需要AI處理的設備都將成為未來的熱點。”
圖1：按市場領域劃分的深度學習芯片組收入。
展開 <p>在數字化轉型的浪潮中，AI與邊緣計算的結合正掀起一場深刻的產業變革。邊緣網關作為連接物理世界與數字世界的橋梁，在AI技術的加持下，正從簡單的數據采集傳輸節點，進化為具備智能決策能力的邊緣計算單元。這一變革不僅帶來了技術架構的革新，更為產業發展開辟了新的增長空間。</p><p>傳統邊緣網關受限于計算能力和算法支持，往往只能完成數據采集和簡單處理，大量原始數據需要回傳云端處理，導致響應延遲和帶寬壓力。AI技術的引入徹底改變了這一局面。通過在邊緣網關集成AI芯片和算法模型，使其具備了實時數據分析、智能決策和自主控制能力。在工業質檢場景中，搭載AI算法的邊緣網關能夠實時識別產品缺陷，將檢測效率提升300%以上，準確率達到99.9%。</p><p>這一技術革新正在創造巨大的商業價值。在智慧城市領域，AI邊緣網關可以實現交通流量實時分析、違章行為智能識別；在工業互聯網中，能夠實現設備預測性維護、生產工藝優化；在智慧能源領域，可完成電力負荷精準預測、故障快速定位。據市場研究機構預測，到2025年，AI邊緣網關市場規模將突破千億美元，年復合增長率超過60%。</p><p>產業新機遇已經顯現。對于硬件制造商，需要開發更高性能、更低功耗的AI邊緣計算平臺；對于算法企業，要研發更輕量化、更精準的邊緣AI模型；對于系統集成商，則要構建完整的邊緣智能解決方案。這個萬億級的新市場，正在等待更多創新者的加入。</p><p>在這場AI與邊緣計算融合的產業革命中，把握技術趨勢、深耕應用場景的企業將贏得先機。隨著5G網絡的普及和AI算法的持續優化，AI邊緣網關將在更多領域展現其價值，推動產業智能化升級，創造新的商業奇跡。</p>
展開 Ansys綜合的電源分析可降低項目風險，提高預測精度，并助力Axelera AI全新Metis AI平臺加速上市進程
//
主要亮點
Axelera AI將Ansys軟件引入到一個自上而下的包含兩個步驟的流程中，以驗證平臺芯片的平面布局圖質量和IR壓降，其可應對有限資源及生產制造的時序挑戰
Ansys的產品、許可和技術支持可為Axelera AI執行未來研發計劃提供極高的靈活性
邊緣人工智能（AI）領域的強大高級解決方案供應商Axelera AI宣布選擇Ansys仿真軟件為其高性能Metis AI處理單元（AIPU）執行數字電源完整性簽核。這項工作是Axelera AI與Ansys合作的一部分，主要用于構建其近期面向邊緣計算機視覺AI推斷發布的軟硬件平臺Metis AI。該技術能夠在大幅降低當前解決方案的成本和功耗的同時，實現高級加速性能和可用性。
邏輯芯片跨各種電源及時鐘域的交互，可能會導致芯片故障。Axelera AI需要驗證其Metis AIPU，其中包含達1億個柵極或簡單開關電路，以及負責執行對數字電路至關重要的運算的不同時鐘域和電源域等。這些交互很難使用傳統工具及傳統方法分析，其不僅缺乏準確性，而且已被證明太過耗費資源、且耗時。
Axelera AI制定了一個自上而下并受Ansys軟件支持的兩步工作流程，以了解平面布局圖質量及IR壓降。
展開 <ul><li>新思科技助力 Innatera 設計芯片，實現邊緣端的實時、高能效 AI 處理，加速推動物理人工智能領域下一代應用的開發</li><li>新思科技 PathFinder-SC? 簽核解決方案以更高精度提供更準確的版圖級結果，專業管理設計需求，并支持早期階段分析</li><li>新思科技 Totem? 電源完整性平臺支持晶體管級分析，為超低功耗 AI 處理器提供可靠的電力傳輸與性能優化</li></ul><p><br></p><p>面向傳感器邊緣超低功耗智能應用的類腦神經形態計算領域領導者 Innatera 公司宣布，選擇新思科技公司（NASDAQ股票代碼: SNPS）為其下一代神經形態微控制器提供設計與驗證支持。新思科技可靠的靜電放電（ESD）與電源完整性分析解決方案，將幫助 Innatera 擴大其運營規模，以滿足工業傳感器、機器人、可穿戴設備和智能家居等領域對邊緣處理快速增長的需求。</p><p>神經形態微控制器通過模擬生物神經元通信方式的脈沖神經網絡（SNNs）來處理信息，在傳感器邊緣實現類腦智能。這種事件驅動的方法能夠在傳感器密集、對響應速度和能效要求極高的環境中實現實時、超低功耗運行。Innatera 的架構結合了混合信號模擬計算、密集互連以及低電壓設計——這些都是實現高能效的關鍵因素，但也可能成為電噪聲和 ESD（靜電放電）敏感性的潛在來源。為解決這些挑戰，并確保在復雜神經形態電路中實現穩健性能，Innatera 利用 PathFinder-SC 和 Totem 來驗證電源完整性、管理噪聲耦合、并在不犧牲速度或效率的前提下維持可靠性。</p><p>PathFinder-SC 可在大規模芯片上模擬 ESD 事件，在最終設計進入制造階段前識別潛在弱點與根本原因，確保芯片在面對實際靜電沖擊時能發揮最佳功能。
展開 二、aiFab解決方案
在傳統的DoE方案中，將所有的場景視作同等重要，然而事實上，在ADAS/AD系統的測試過程中，邊緣場景則影響著關鍵性能的提升。在aiFab解決方案中，基于AI的自適應DoE解決方案將會根據先前的測試結果，動態選擇測試用例，在未通過的案例中學習并調整泛化注意力。
1、貝葉斯優化（BO）：通過學習優化的智能測試
貝葉斯優化將全量搜索場景的方法轉換成由數據驅動的智能方案，與隨機取樣等方案不同：
（1）BO方案將會預測最有可能暴露失敗風險的新測試用例。
（2）BO方案采用替代模型Surrogate model，比如采用高斯過程Gaussian Processes，然后通過已有的數據來逼近測試場景參數與關鍵性指標的映射目標函數。
（3）然后結合采集函數Acquisition Function，比如通過下置信屆LCB或者期望改進EI等方法，有效平衡“探索”和“利用”之間的取舍，在有限次數測試下，有效找到目標函數的最優解。
2、映射目標函數之關鍵性指標
貝葉斯優化依靠關鍵性指標（KPI）決定了是否為目標場景，aiFab中常見的KPI包括：
（1）碰撞時間TTC：決定車輛距離碰撞有多近
（2）入侵后時間PET：交通沖突后剩余時間間隔
（3）速度變化Delta-v：車輛碰撞過程中的速度變化
通過不同的KPI更新模型，我們的泛化方案能夠將計算資源集中在最需要的地方，從而更高效的發現關鍵邊緣場景，而不是在常規場景上耗費時間。
3、仿真記錄演示
為說明aiFab自適應泛化場景，以下通過一系列仿真記錄來演示自車在不同臨界指標下左轉的場景，每次迭代將會始終關注更為嚴苛的邊緣案例，以確保能夠發現潛在風險。
展開 
邊緣AI的最新內容
覆蓋先進制程與 AI、邊緣計算、汽車等重點應用領域的 IP 產品組合
今年，新思科技在其 IP 產品組合方面實現多項重要創新，進一步鞏固了其在 AI、數據中心、邊緣計算和汽車市場高性能互連領域的領先地位。通過一項關鍵的光子學合作，新思科技推出了 224G IP 解決方案，支持共封裝光學以太網和 UALink，滿足下一代電光系統對帶寬的需求。
全新的 HAPS 與 ZeBu 平臺：
全新的 HAPS?200 12 FPGA 和 ZeBu?200 12 FPGA 系統可應對數據中心子系統、移動、客戶端、服務器、消費電子以及邊緣 AI 應用的復雜性與高性能需求。
物聯網主機E6000的未來前景1個月前
技術匹配行業趨勢（5G + 邊緣 + AI）</div><div contenteditable="false" width="100%">5G 選配：適配工業低時延、大帶寬、廣覆蓋，提升遠程監控與云邊協同能力。
Pulsar 通過結合靈活的計算架構優化邊緣側 AI 工作負載，其延遲比傳統 AI 處理器降低高達 100 倍，能耗降低高達 500 倍。通過采用脈沖神經網絡，Pulsar 僅在記錄到傳感器的變化時才作出反應，顯著提升了數據傳輸速度并延長了可穿戴設備和智能傳感器等“始終在線”設備的電池續航能力。
作為全球領先的流體控制解決方案提供商，IMI Norgren（諾冠） 憑借數十年技術積累，持續推動高壓比例閥向智能化、數字化演進，智能高壓比例閥系統不僅融合上述五大關鍵技術，更以高穩定性、長壽命和全生命周期服務贏得眾多高端制造客戶的信賴，以后隨著AI與邊緣計算的進一步融合，智能高壓比例閥將在柔性制造、綠色能源、精密醫療等領域釋放更大價值，選擇諾冠，即是選擇精準、可靠與面向以后的流體控制智慧。
隨著5G技術、邊緣計算、AI等應用的發展，單機柜的功率密度會越來越高，液冷在行業應用的比重也會越來越大。雖然趨勢很好，但我們也清晰的看到，液冷整個產業生態還不完善，液冷的產品和方案在成本和技術上都有很大的提升空間。
隨著5G技術、邊緣計算、AI等應用的發展，單機柜的功率密度會越來越高，液冷在行業應用的比重也會越來越大。雖然趨勢很好，但我們也清晰的看到，液冷整個產業生態還不完善，液冷的產品和方案在成本和技術上都有很大的提升空間。
這意味著提供工具和平臺，<strong>在每一層級構建和部署 AI：邊緣計算實現實時洞察、企業內部優化運營、云端提供可擴展方案。</strong>關鍵在于，這種賦能必須允許企業利用其專有數據，在公開基礎模型之上或之外構建專屬模型，從而確保 AI 解決方案符合獨特的業務需求和競爭優勢。
實時仿真與數字孿生
邊緣計算與AI芯片的進步，推動仿真從離線走向實時。例如，工廠數字孿生可實時模擬生產線狀態，動態優化排產。
在汽車領域，實時仿真將賦能車載智能系統，如電池熱管理的在線預測與調控。
5. 低代碼與民主化工具普及
無代碼AI平臺（如Altair RapidMiner）讓非算法專家也能快速構建定制化仿真模型，加速技術下沉至中小企業。
構建巨量的駕駛場景時，測試ADAS和AD系統面臨著巨大挑戰，如傳統的實驗設計（Design of Experiments, DoE）方法難以有效覆蓋識別駕駛邊緣場景案例，但這些邊緣案例恰恰是進一步提升自動駕駛系統性能的關鍵。
一、傳統解決方案：靜態DoE
標準的DoE方案旨在系統性地探索場景的參數空間，從而確保能夠實現完全的測試覆蓋范圍。但在邊緣案例，比如暴露在潛在安全風險的場景或是ADAS
