一眼看上去，这似乎是一个平淡无奇的话题，我们只要使用需要的任何Arm或RISC-V解决方案就可以搞定，但请仔细想一想，如果我们想要在这些边缘设备中加入大量功能呢。假如我们不关心功率、性能和成本，那么一切都应该是可能的，所以让我们继续添加一些很酷的功能。当然，我们必须考虑现实的问题，边缘节点设备一般不可以用常用的插座或移动电话级电池供电。功率、供电以及成本的限制并不一定意味着我们想象的产品是无法实现的，但我们确实需要更加仔细地考虑如何构建它们。
首先介绍我们最想改进的东西。摄像头至少要跟上手机摄像头的速度，因此增加了遥控和语音激活功能。VR和AR耳机需要识别头部和身体位置，以正确定位游戏场景或现实场景中AR覆盖的位置。耳机也变得越来越智能，可以通过耳道的独特结构进行智能识别，可以识别语音命令来更改播放列表或拨打电话，甚至可以检测到跌倒或监测心率和其他生命体征。家庭安全系统可以识别异常的声音（如打碎玻璃）或在房屋周围的摄像机上检测到的异常信息。
每种功能的实现都需要多种计算资源。首先需要人的干预，这些功能强大的产品都无法单独使用。在某些情况下，通信可能是相对较短短的协议，如蓝牙或Wi-Fi，在其大多情况下可能需要蜂窝网络的支持，通过NB-IoT进行小型数据包传输（例如对停车时间进行计时）或通过LTE或5G进行宽带支持（例如无人机或4k/8k视频流）。无论选择哪种协议，都需要一个调制解调器，而对于蜂窝网络，它可能需要通过波束成形来支持MIMO，以确保正常的连接。
调制解调器是一个大问题，最好留给专家。我们可以购买独立芯片，但是一个边缘产品至少需要2个芯片（其他产品需要一个）。这也意味着它更加昂贵，而且更耗电，电池使用寿命绝对不可能达到十年，甚至可能不到10小时。PPA的最佳选择是具有严格电源管理的集成调制解调器，尤其适用于功率放大器。
现在考虑一下传感计算，其中一个典型的例子是9轴传感器，融合了来自3轴加速度计，3轴地磁传感器和3轴陀螺仪的原始数据，就像可能在VR/AR耳机中使用的那样。这些传感器可以一起提供关于固定地球框架的定位和运动信息，这正是我们需要的真实虚拟游戏体验，或者针对您想要管理的真实机器定位虚拟支持信息和控制。
这种融合需要更多的计算，要用到大量的三角函数和滤波，这可以通过多种方式实现，但在使用期间需要始终保持开启。可以考虑人类响应的时间，但需要满足其持续性需求。我们可以通过集成芯片解决方案实现这一目标，但是出于前面提到的所有PPA原因，理想的解决方案将嵌入到单芯片SoC中。由于融合算法是数学密集型的，因此DSP非常适合。
还有一个例子，在产品中嵌入AI。目前，AI在边缘设备中正在快速发展，例如语音控制。这需要多个组件：音频波束成形、噪声管理和回声消除，以及文字识别触发器。波束成形、回声消除（特别是室内）和噪声滤波都是DSP功能。也许这些在其他平台上也是可行的，但永远不会与基于DSP的产品竞争。触发词识别涉及神经网络（NN），这是人工智能的核心。在许多情况下，它需要与语音识别相结合，需要识别出谁在说话而不是说了什么。同样，DSP是NN实现频谱中公认的低功耗、高性能选项，其性能高于CPU，FPGA和GPU，但低于谷歌TPU等全定制解决方案。
GPU在AI领域非常有名，但主要用于神经网络训练和原型或成本以及功耗不敏感的应用。移动VR耳机可能基于这些平台上，但它们很昂贵（一个芯片约1美元）而且电池寿命较短。
最后，开创性的产品的全面运行需要一定程度的远程功能，但我们不希望它始终依赖于这一功能。并且我们希望敏感信息（如健康数据、信用卡、面部识别等）通过安全连接传输到云平台，而不至于被黑客攻击。当然我们也不希望半自动无人机因为与基站失去联系而撞到树上，或者因为其他人拦截了我们的控制而飞走。这意味着我们的设备需要更高的智能化和自主性，从而避免碰撞，进行路径查找和目标对象检测，而无需什么都依赖于云。这意味着需要在边缘需要更多的AI。
我在这里谈到的所有功能都在DSP平台上得到支持，有些功能可以在一个DSP上进行多路复用。但可能仍需要CPU或MCU用于管理、授权、配置一些算法。人工智能并非如此;我们可以获得CPU/MCU的基本功能，但与DSP平台相比，它们往往非常有限。
原文链接：https://semiwiki.com/semiconductor-ip/ceva/8138-compute-at-the-edge/
