邊緣AI設備
關注創建者：匿名 創建時間：2026-03-06
邊緣AI設備的實例教程
（來源：Tractica）
到2025年，基于云的AI芯片組將帶來146億美元的收入，而基于邊緣的AI芯片組將帶來516億美元的收入，是數據中心的3.5倍，邊緣AI芯片組主要由手機、智能音箱、無人機、AR/VR耳機，以及其他所有需要AI處理的設備組成。
雖然英偉達和英特爾現在可能主導基于數據中心的機器學習應用的市場，誰將占據遠離數據中心的邊緣計算AI市場？那些芯片會是什么樣子？
AI邊緣芯片需要做什么
根據Semico Research公司ASIC和SoC分析師Rich Wawrzyniak所言，邊緣計算、物聯網和消費終端設備將需要以相對較低的功耗、價格和較小芯片尺寸進行高性能推理處理。這很困難，特別是因為邊緣設備處理的大多數數據是龐大的視頻和音頻數據。
Wawrzyniak說：“數據很多，但如果你有監控攝像頭，它必須能夠實時識別出壞人，而不是把一張照片發送到云端，然后等著看有沒有人認出他。”
圖2 （來源：Barclays Research于2018年5月的報告，由Xilinx提供）
將ML級別的智能添加到邊緣設備的一些愿望來自于需要將這些設備上的數據保密，或者降低將數據發送到云端的成本。然而，大部分需求來自那些希望設備位于邊緣計算設施或掌握在客戶手中的客戶，他們不希望設備簡單地收集數據并定期將其發送到云端，以便他們可以直接與公司自己的數據或其他客戶和路人進行實時交互。
NXP半導體AI技術主管Markus Levy表示：“客戶意識到，他們不想把大量處理工作轉移到云端，因此他們認為邊緣是真正的目標。既然你可以在邊緣實現AI，你就可以把物聯網變成真正具有能力的東西。
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 能夠通過在線視頻聽懂千里之外的聲音，源自于醫生長期積累的醫學素養，“臺上一分鐘，臺下十年工”這一準則也適用于各行各業：工廠中，經驗豐富的工人可以通過異常的聲音震動及時找到故障設備，但是這種人才都屬于稀缺資源，注定無法大規模應用。單單通過聲音本身識別問題可能相當困難，即使使用錄音、描述性框架或接受專家親自培訓也是如此。
云酷科技針對工廠設備狀態監控管理中存在諸多問題，提出以信息技術賦能傳統管理業務的管理思路。基于物聯網技術，通過音頻傳感器實現設備音頻數據的遠程采集；利用信號解析技術，提取音頻數據關鍵指標信號；利用信號分析及AI神經網絡技術，實現設備運行狀態的遠程監測和設備故障的早期預警；同時輔以振動和溫度傳感器，使管理人員和作業人員隨時隨地掌握設備運行狀態，幫助企業用戶提升生產效率，保證生產安全，優化生產決策。
聲音設備狀態在線監測幫您實現
1、設備運行狀態在線監測，實時了解設備健康情況。
2、音頻數據、振動數據、溫度數據實現故障狀態的早期識別，早期預警，防患于未然。
3、提升設備可靠性，減少非計劃停機。
4、實現邊緣設備的遠程狀態感知與人工巡檢有效互補
5、優化備品備件管理，減少資金占用
6、提供全面的設備音頻、振動、溫度、設備維護與歷史故障數據，為維護方案提供一站式數據匯集。
7、基于神經網絡模型自動識別故障類型，即使提供故障排查建議與維護方案，提高運維效率。
聲音設備狀態在線監測幫您提升經濟效益
通過系統的應用可有效提升輔機設備管理水平，最大限度實現設備的預測性維護。保障設備在最優狀態下運行、降低運行維護成本、提升整體檢修效率。系統投運后預計設備維護成本下降20-30%；設備使用壽命延長2-3倍；庫存備件可節約10-15%；減少輔機設備非停次數50%。
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 <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 
邊緣AI設備的相關專題、標簽、搜索
邊緣AI設備的最新內容
當 Optimus、天工 Ultra 等產品從實驗室走向量產，人形機器人的競爭已從 “算法與硬件” 延伸至 “測試驗證能力”。沒有一套適配動態、安全、協同的測試體系，再先進的機器人也無法落地。在海外設備壟斷、標準缺失的背景下，國產廠商正以定制化、高性價比、全流程服務實現突圍，北京沃華慧通測控技術有限公司（以下簡稱 “沃華慧通”）正是其中的標桿。
一、人形機器人測試：不是工業升級，而是體系重構
<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
AI技術興起，工業裝備行業市場競爭加劇，客戶需求日益多元，企業智能化、數字化、綠色化轉型成為當務之急。
西門子洞察行業需求，于3月到4月策劃了工業裝備系列線上研討會，以“聚力煥新，向新而行”為核心， 圍繞9大前沿議題，覆蓋工業裝備全業務鏈匯聚“新”技術、“新”應用、“新”實踐，助力企業加速數字化轉型，打造韌性高效業務，推動行業邁向智能化與可持續發展。
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
<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
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
不久前微博上有這樣一則新聞上了熱搜，一名醫生在網上觀看某主播上傳的ASMR視頻時，通過異常的心音推斷出主播可能存在心臟問題，而后主播真的去醫院檢查了，果然發現了心臟異常，該醫生也被網友戲稱為“賽博華佗”。能夠通過在線視頻聽懂千里之外的聲音，源自于醫生長期積累的醫學素養，“臺上一分鐘，臺下十年工”這一準則也適用于各行各業：工廠中，經驗豐富的工人可以通過異常的聲音震動及時找到故障設備，但是這種人才都屬于稀缺資源
圖3：按類別劃分的AI邊緣設備出貨量。（來源：Tractica）
但是，要想在潛在的億萬個設備上添加ML加速和支持，將需要更多的可定制性、更低的成本，以及更專門針對資源受限設備上ML應用需求的規范——這意味著，如果要取得成功，整個市場將需要更好的處理器。
該加速器設計產品瞄準邊緣設備的AI推理和分析性能需求，它有兩種形式：一種是采用英特爾Movidius VPU陣列，另一種則基于高性能英特爾Arria 10 FPGA。
目前在數據科學和深度學習計算領域，除了Movidius的視覺芯片VPU，英特爾的芯片布局還有Xeon（至強）芯片系列、Nervana NNP、以及FPGA（現場可編程門陣列）。
他們希望在邊緣設備執行AI而非在云端進行，以避免隱私、延遲和成本等問題。”
聯發科技(MedaTek)財務長顧大為對此表示認同。相較于亞馬遜在其Echo中推動云端到云端的服務，聯發科看到了“邊緣和云端”融合模式的可能性。他在CES時告訴我們，語音助理競賽如今已經著重于在本地增加“智能”、區別人類與非人類的聲音分開、消除背景音樂、辨識聲音模式等。
