边缘AI异军突起，巨头们如何布局撬动千亿市场？

由于数据安全性、系统响应性、隐私保护，以及本地节点因数据传输延迟等因素导致的功耗，基于云计算的人工智能无法满足部分用户的需求。于是，越来越多的AI计算功能从服务器端下沉到终端系统，使得终端系统变得更加智能，此举为诸多行业打开了想象空间，同时也让边缘AI成为了近年来备受瞩目的一项技术。

边缘AI凭借能够将人工智能算法和计算能力部署到离数据源更近的边缘设备上，实现实时数据处理和智能决策的优势，其市场规模也正在迅速扩大。根据Precedence Research数据显示，2022年全球边缘计算市场规模为45.5亿美元，该市场规模将以12.46%的CAGR增长至2030年的1165亿美元。面对庞大的市场需求，全球各大巨头均争相在边缘计算领域布局，不断满足边缘设备对于实时智能计算的需求，为边缘AI的普及添砖加瓦。

功耗、性能、成本，边缘AI芯片的全面战争

和云端AI相同，边缘AI也具备AI的共性特征，其需要进行大量的矩阵运算，需要大量的存储空间和系统功耗。边缘AI作为在设备本地执行的AI，通常需要使用电池进行供电，因此需要在系统功耗、计算速度和设备成本之间取得平衡。传统意义上的AI芯片比如GPU或者ASIC之类产品具备较快的计算速度，但成本高、功耗高。而低成本微控制器/微处理器在功耗特性上的表现又不佳，计算速度和运算复杂度也一般。

对此，德州仪器旗下的AM6xA 系列视觉处理器，通过降低功耗、消除成本和设计复杂性障碍，实现了将智能从云端带到现实世界。该全新系列包括 AM62A、AM68A 和 AM69A 处理器，由开源评估和模型开发工具以及可通过业界通用应用程序编程接口 (API)、框架和模型进行编程的通用软件提供支持。利用这个由视觉处理器、软件和工具组成的平台，设计人员可以轻松跨多个系统开发和扩展边缘 AI 设计，同时缩短产品上市时间。

图源丨德州仪器

其中，AM62 处理器与同类器件相比，可降低高达 50% 的工业应用功耗，使由 AA 电池供电的应用能够持续运行超过 1,000 小时。通过简化的电源架构这一点变成了可能。由于该器件仅采用两个专用电源轨，具有五种功率模式，小于 5mW 的深度睡眠模式可延长电池寿命且 0.75V 的核心电压可实现小于 1.5W 的运行功耗。降低系统功耗可延长电池寿命，并帮助工程师满足随处部署型手持设备或尺寸受限器件的设计要求。全新的 TPS65219 进一步简化了实现电源性能的过程，它是专为满足 AM62 处理器电源要求而设计的配套 PMIC。

另一方面，ADI也推出了超低功耗特性的新一代解决方案MAX78000，可以在功耗、速度、成本三方面达成平衡。据了解，MAX78000具有432KB的权重存储空间，与运行在低功耗微控制器上的软件解决方案相比，在配置并加载了数据后，MAX78000运行AI推理的速度快了100倍，功耗还不到其1%。

具体来看，MAX78000集成了两个MCU核心用于系统控制，Arm Cortex-M4处理器和32位RISC-V处理器，其中Arm Cortex-M4F处理器以100MHz运行，可以编写任何系统管理代码。RISC-V处理器的功能是支持以低功耗将数据快速加载到神经网络加速器，用户可使用任何一种微控制器内核将数据输入到卷积神经网络的引擎中。除了基于CNN加速器和双核处理器架构，还提供高效的片内电源管理，集成单电感多输出 (SIMO) 开关模式电源，大限度地延长电池供电的物联网设备的续航时间。

虽说边缘AI大多专注于某一类应用，对算力的需求并不高，但是随着智能化程度的不断攀升，其算力要求也在日渐增长。为了将更多的轻量级AI算法集成在嵌入式应用中，MCU必须从主频、存储空间和加速器都做到质的提升，而兆易创新推出的GD32H7恰好提供了这些硬件资源支撑。

图源丨2023慕尼黑上海电子展

从性能来看，GD32H7的600MHz主频可以保证在无需集成额外的硬件NPU的前提下，满足边缘侧的AI算力要求。即便运行在非大主频下，仍可保证AI算法的精度。得益于先进的制造工艺，GD32H7集成了更多的硬件资源，包括硬件DSP、双精度浮点FPU、三角函数TMU和滤波算法FAC等，这些硬件资源对于图像处理等AI负载来说至关重要。

边缘计算下，智能传感器的诉求是什么？

数据是AI的基础，通过大量的数据进行学习，才能提高AI的预测和决策的准确性，因此作为数据来源的传感器至关重要，其采集的数据质量也决定这AI决策的质量。对此，也有不少厂商正在不断探索更精确更多样化的传感器，例如深耕图像传感器的安森美推出具有嵌入式高动态范围的AR0822。

图源丨安森美

具有高动态范围(从100dB到120dB以上)的传感器能够在工厂或户外环境等不同照明条件下生成细节更丰富的图像。通过使用多重曝光以及将长曝光(低光照条件)、中等曝光(中等光照条件)和短曝光(强光照条件)重新组合来提供 HDR。但对于分辨率更高的传感器，这种方法显著提高了帧率，产生大量要传输到AMR系统单芯片(SoC)的数据，因此增加了功耗，并可能使图像数据受到噪声污染。

安森美使用了一种不同的方法，提供的 AR0822 800万像素传感器通过执行嵌入式图像重组(eHDR)来减少SoC的数据带宽。这种方法还免去了 SoC 的图像处理负担，使其能够专注于 AI 或其他任务。此外，该传感器还具有运动补偿功能，可准确捕捉快速移动的物体。

另一方面，为了追求功耗更低、效率更高，也有不少厂商开始探索直接在传感器内部增加智能的部分，相比传感器和AI算法的运行在不同的硬件上完成，AI传感器可以使得整个系统更简单、更高效、更安全。

例如，意法半导体此前推出了内置智能传感器处理单元 (ISPU) 的惯性传感器ISM330ISN。ISM330ISN内置的智能技术赋能智能设备在传感器中执行高级运动检测功能，而无需与外部微控制器(MCU)交互，从而降低了系统级功耗。

图源丨ST

意法半导体的方法是直接在传感器芯片上集成为机器学习应用优化的专用处理器 ISPU。意法半导体的 ISPU基于数字信号处理(DSP)架构，极其紧凑和节能，具有 40KB 的 RAM内存。ISPU 执行单精度浮点运算，是设计机器学习应用和二元神经网络的理想选择。这个智能内核占用的芯片面积非常小，因此，ISM330ISN模块的封装面积比典型的在封装内整合MCU的传感器解决方案小50%，功耗低 50%。

更早在2020年，索尼也推出了两款AI图像传感器——IMX500和IMX501，这两款传感器采用由像素芯片和逻辑芯片组成的堆栈式结构，并在逻辑芯片上搭载了索尼独创的数字信号处理器（DSP），从而实现在边缘的设备、即图像传感器本身进行人工智能处理，传感器本身可用作图像数据的接入点。这样的设计允许在传感器本身进行高速AI处理和元数据输出，并推动各类行业中AI驱动的传感解决方案的发展。

边缘计算的数据安全挑战与应对之策

安全始终是AI亘古不变的关键词。边缘AI在不断发展的的过程中也为传统数据中心模型中未发现的网络安全威胁（如 DDoS 攻击或端点恶意软件）创造了潜在的切入点。作为一种将计算任务从云端推向网络边缘的分布式计算架构，边缘计算的设备通常处于更加开放的环境中，使得敏感数据在传输和存储过程中容易被恶意攻击者窃取，需要采取有效的措施来保障数据的安全性和可靠性。

NXP一直强调边缘AI的安全性问题，近年来陆续推出了i.MX9系列的多款新品，采用了Cortex A55内核，并且包括独立的类MCU实时域、Energy Flex架构以及由EdgeLock安全区域加持的安全性和专用多传感数据处理引擎(图形、图像、显示、音频和语音)。

图源丨NXP

值得一提的是，NXP的EdgeLock安全区域将突破性的安全IP嵌入SoC架构中，提供预配置的安全子系统，可简化复杂安全性的实现，并帮助设计人员避免代价高昂的执行错误。片上安全技术所取得的这一显著进展包含自主管理安全功能，其中包括通过广泛加密服务增强的芯片信任根、运行时验证、信任配置、SoC安全启动执行和细粒度密钥管理，以实现高级攻击防御。将安全功能集成在一个位置，还可以简化安全认证路径。此外，当终端用户应用在设备上运行时，EdgeLock安全区域可智能跟踪功率转换，以防出现新的攻击面。安全区域将是i.MX 9应用处理器系列的标准功能，为开发人员提供广泛的计算可扩展性选项，以便在数千个边缘应用上轻松部署先进的安全性。

同样关注安全领域的还有意法半导体，其发布了微控制器系统芯片安全解决方案——STM32Trust TEE Secure Manager(安全管理器)，不仅硬件有相关的加密算法的IP，以及包括信息本身的一些加密技术，而且也获得了PSA三级的安全认证。

可以说，意法半导体为业界提供了一个类似“工具箱”的安全性的功能选择，客户可以根据实际落地场景和应用的需求选择其中的一些安全功能的模块。比如，在智能家居中的智能摄像头上，如果需要相关的安全功能，就可以根据实际的使用用途，在“工具箱”中选择一些相应的安全功能产品，包括STM32H5以及现有的微处理器MCU。

同时，意法半导体还与SESIP和PSA合作，将安全功能作为安全保障的关键基础。比如，STM32H5就可以提供可扩展的安全、连接性能，而开发者可以通过STM32H5独有的Secure Manager，实现“开箱即用”的认证服务。除了STM32H5，未来意法半导体还将Secure Manager推广到更多不同系列的STM32 MCU。