AI浪潮下的另一种答案：TI如何用50年嵌入式基因理解边缘AI

在这一轮AI 热潮中，市场的注意力大多集中在云端训练、推理集群和 GPU 算力上。德州仪器（TI）当然也没有置身事外。在今年的一系列展会上，TI展示了多款超大规模电源架构——从支持高密度GPU集群的数千瓦级参考设计，到优化散热性能的先进2冷却系统。

但仅从数据中心理解TI 的 AI 机会，可能会忽略这家公司长期创新和投入的另一条赛道——部署在设备现场的边缘 AI。

边缘AI并不以模型规模和峰值算力为唯一中心，而是落在电机、汽车、机器人、传感器、工业网络和安全控制系统等具体场景中，正好对应着TI 长期深耕的汽车和工业及自动化市场。在这里，AI不光看算力算法，还要同时满足处理器体积，实时性、功耗、安全、成本和全生命周期维护等一系列系统级约束。换句话说，TI 所强调的边缘 AI，并不是云端 AI 的缩小版，而是一种更贴近物理世界、更强调工程约束的嵌入式智能。

德州仪器处理器业务副总裁兼总经理Roland Sperlich

德州仪器处理器业务副总裁兼总经理Roland Sperlich采访中反复强调了TI对于边缘AI的看法：当AI 从云端走向设备现场，它面对的不再只是“算不算得动”的问题，而是能否在确定时间内感知、判断、通信和控制，能否在受限功耗和成本下长期可靠运行，能否在工业、汽车和机器人等安全关键场景中持续可靠且可信的稳定运行。

Sperlich在来中国之前，与TI前Principal Fellow、DSP技术奠基人之一Gene Frantz进行了一场对谈。话题的起点并不是今天炙手可热的大模型或GPU，而是一台诞生于20世纪70年代、售价50美元以内的儿童拼写学习机——Speak & Spell。

这台设备在当时几乎是一项“不可能完成的任务”：它要在消费级成本、有限功耗和极小硬件资源条件下，让一台儿童玩具实现本地语音合成，而不是依赖大型计算机或简单录音回放。最终，TI团队通过语音编码、专用芯片和系统级工程取舍完成了这一突破。这被认为是TI 边缘AI的起点，从Speak & Spell开始，DSP逐渐进入语音、通信、工业控制和汽车等更多嵌入式场景中。

半个世纪后，当边缘AI、物理AI、实时控制、功能安全和网络安全性同时成为嵌入式系统的核心议题时，Speak & Spell中似乎已经包含了今天边缘AI的若干基本原则：本地计算、实时响应、低功耗运行、自然人机交互，以及在资源受限条件下完成复杂算法部署。

Sperlich在谈到边缘AI时强调，这一轮边缘AI的爆发并不是单纯由技术成熟或市场需求单方面推动，而是二者共同作用的结果。一方面，AI模型、嵌入式处理器和软件工具链已经具备了在设备端部署的条件；另一方面，工业、汽车和机器人等市场需要边缘AI，需要更实时、更本地化、更安全的AI智能能力。

以工业电机预测性维护为例，在边缘AI的支持下，系统可以在设备故障发生前就做出反应，通过电流、声音、振动等传感数据，在边缘侧提前识别异常并完成判断决策。因此，所谓边缘AI，并不是简单地把云端模型裁剪压缩后放到芯片里运行。它首先要求系统本身具备感知能力：电流传感器、麦克风、加速度计、摄像头、毫米波雷达、激光雷达、编码器等前端数据源需要与SoC、MCU或MPU等处理器相连；随后，模型需要完成数据运算和量化、压缩及部署；最后，系统还必须通过软件工具链、实时控制单元、功能安全机制和信息安全架构，把AI推理结果转化为可执行、可验证、可长期维护的过程。

这正是TI与许多AI算力叙事不同的地方。在云端AI世界里，模型规模、训练集、GPU集群和峰值算力往往是竞争焦点；但在边缘AI世界里，面对的是系统级别的考量。电机、产线、摄像头、车辆、机器人和安全关键设备的实时精准操作，以及功耗、时延、安全及成本等现实约束。它不仅要算得出，还要来得及；不仅要识别图像、声音、振动和触觉信号，还要在确定时间内完成采样、计算、判断、通信和控制；不仅要在产品出厂时安全，还要在整个生命周期中持续更新、修复漏洞并保持可信。

今年，TI 在官网上调整了处理器产品的呈现方式，从过去更偏器件系列和参数分类，转向更强调应用场景的组织逻辑。表面看，这是官网导航和客户体验的优化；更深层看，则反映出 TI 正在把处理器能力与具体系统应用更紧密地绑定起来。

Sperlich 在采访中提到，处理器产品的复杂度和跨度都很大，客户并不总能快速判断哪款器件最适合。例如，AM62A 可以覆盖显示、AI 处理和通用计算等多类需求；TDA4、TDA5 等系列则面向更高算力、多摄像头和复杂感知场景。将产品与应用场景结合起来，本质上是为了降低客户选型和系统定义的难度。

应用导向非常适合TI更宽的处理器产品组合：从Arm MCU、到Sitara MPU、再到车载音频DSP 和 ADAS SoC，TI在每个细分产品线上都进行了升级，用不同层级的器件覆盖边缘AI 的多样化需求。

Sperlich表示，对于边缘AI而言，平台化能力非常重要。TI不会试图替客户消除所有悖论，也不会给客户一个标准答案，而是通过完整产品组合，让客户根据自己的应用目标做选择。比如有些客户希望使用高集成处理器降低系统复杂度，有些客户则偏好离散架构，以提升灵活性、冗余能力或系统隔离程度。放到边缘AI 场景中，同样有人希望在中央 ECU 中集中处理，也有人希望把 AI 预处理和实时控制能力下沉到边缘节点。再比如针对功能安全，有些客户希望采用多核集成方案，有些客户希望采用分立方案，TI针对不同的需求都有不同的处理器产品组合满足客户的应用场景。“TI的策略不是判断哪种拓扑路线正确，而是尽可能支持不同路线同时存在。”Sperlich说道。

另外，随着CRA法规的落地，信息安全也正在成为热门话题，TI一直在参与CRA 相关行业组织、工作组和合规讨论，并计划推动自身产品组合满足 CRA 要求。不仅包括比较明显的 MCU、MPU、SoC处理器等嵌入式处理产品，也包括某些高速模拟、混合信号器件，因为这些器件如果包含数字元素，也可能受到CRA 影响。TI同时也建立并持续完善PCERT（产品安全事件响应机制），以便支持客户进行漏洞报告、协调披露和安全响应。

TI的平台化处理器能力，也方便客户随时迁移和复用软件及模型。在工具链层面，TI推出了CCStudio Edge AI Studio，开发者可以使用 TI Model Zoo 中的预训练模型，也可以导入自有数据完成模型训练、优化和部署，从而降低边缘AI 的开发门槛。

边缘AI 项目很少一开始就能确定最终形态，早期原型可能使用较高算力处理器进行模型验证，量产时则可能为了成本和功耗转向更小器件；也有项目会先在中央计算单元上运行完整模型，再逐步把传感器预处理、异常检测或控制相关任务下沉到边缘节点。对于嵌入式系统而言，最有价值的并不是某颗芯片在单一指标上做到极致，而是整个产品组合能够支持从高到低、从集中到分布、从原型到量产的连续迁移。

因此，在边缘AI时代，竞争不只是芯片参数竞争，而是围绕应用场景、系统架构和长期软件生态展开的落地能力竞争。

具备智能感知与本地AI决策能力的汽车，是边缘AI的关键落地场景之一，也是TI最为看重的市场之一‌。在车载领域，TI的处理器路线图并不只体现在自动驾驶上，而是希望通过高性价比的芯片，让更多车辆拥有ADAS技术。同时，对于车载音频市场也是如此。

TI最新推出的TDA5系列处理器，AI性能涵盖从10TOPS到1200TOPS算力，能效比超24 TOPS/W。此外，该系列采用Chiplet设计，以及标准UCIe 接口，具备出色的可扩展性，支持最高 L3 级自动驾驶。该系列产品集成了TI最新一代C7™ NPU，支持大型语言模型、视觉语言模型与Transformer 网络架构，在功耗水平相当的情况下，AI算力较前代提升12倍，且无需搭配额外的散热方案。

从TDA5处理器的路线图来看，TI不只单纯追逐单点指标，而是围绕不同车型、不同功能等级和不同软件能力，提供可扩展的平台。Sperlich表示，如今自动驾驶平台，行业确实越来越关注TOPS，很多车企和芯片厂商也在不断提高算力。但汽车本质上仍然是强调安全性、可靠性和性价比的产品，并不是要建设一个云数据中心。同时，他也强调TOPS 本身并没有统一标准，不同厂商的计算标准和实际可用算力都不一样。“相比营销数字，我们更关注真实的工程性能。”Sperlich强调道。

Sperlich表示，TDA5之所以算力跨度巨大，是因为不同法规、不同市场、不同道路环境和不同辅助驾驶功能，对算力的需求并不相同。基础L2辅助驾驶只需要较低算力就能覆盖主要功能；L2+高速辅助驾驶在中美等道路基础设施条件相对成熟的市场中，50 TOPS到100 TOPS就已经能满足大部分需求；而如果进入L3，Sperlich认为400 TOPS会是一个非常合理且高效的算力区间。不过客户可能采用更加复杂的算法，同时为未来功能预留余量，也需要更高算力平台。

够用且可扩展的平台路线，更贴近汽车自动驾驶的工程落地节奏，也反映了TI对汽车自动驾驶架构逐步演进的判断。

另外值得一提的是，TI推出的 TDA5 SoC 虚拟开发套件（VDK），满足了当下软件开发的迁移要求，加速项目开发进度并提高了产品质量。Sperlich说道：“尤其是在中国市场，整车开发和功能迭代速度非常快，客户借助VDK，不需要等待硬件就位就可以开始进行软件的开发与验证，同时还能向我们反馈硬件方面的问题。”

Sperlich还列举了VDK的多项优势，比如可以集成系统的其他下游设备构建整车系统的数字仿真系统，可以把摄像头数据导入VDK进行算法性能测试，可以同时部署数个VDK进行并行测试等等。

另外，在汽车音频方面，随着车载信息娱乐体验升级，以及诸如ANC主动降噪等技术的广泛应用，借助音频DSP，高端豪华车的声音体验也可以出现在中低端车型中。为此，TI近两年也新推出了数款音频DSP，包括集成RAM无DDR的MCU以及基于DDR的SoC：AM275x-Q1 和AM62D-Q1，产品均集成了DSP内核和NPU加速器，一方面可以支持更高品质的音频处理，同时也可以运行噪声抑制、回声消除、AVAS、音频独立分区甚至人声分离等个性化的音频处理需求。

由此来看，TI在汽车边缘AI上的重点，并不只是推出某一颗高算力SoC，而是围绕自动驾驶、座舱体验和软件开发流程，构建一套更容易下沉到不同车型的可扩展平台。“未来随着芯片性价比的不断提升，更多功能会逐步下探到更多中端和大众车辆中，就像过去汽车从手摇车窗演进到电动车窗一样。”Sperlich表示。

如果说汽车场景中，边缘AI的讨论往往围绕算力展开，但对于工业场景，边缘AI的需求更加复杂，需要在一个高度受限、长期运行、强实时约束的系统中，实现安全、可控、可预测运行。

工业现场不是云端数据中心，无法通过无限堆叠算力来解决所有问题，其控制闭环需要高度的确定性。与此同时，算力、功耗、安全、成本和实时性从来不是可以同时拉满的参数，而是一组必须被反复权衡的系统约束。正是在复杂的现实约束下，TI的工业边缘AI路线自然体现出与纯AI算力厂商不同的逻辑。

正如之前所述，TI广泛的嵌入式处理产品线组合，特别适合工业需求。就工业设备市场而言，其特点是高度分散，低成本传感节点、边缘网关、伺服驱动器、机器视觉设备、机器人和高端自动化系统，对于算力、安全、实时性、功耗和成本的权重完全不同。如果用一种“统一架构”去覆盖所有工业应用，要么过度设计，要么在关键场景中能力不足。TI则通过精细化的MCU和MPU产品布局，涵盖了绝大部分工业所需处理器：从负责节点侧感知与控制的低功耗MCU，到电机和电源的实时控制器，再到网关、HMI、边缘应用、高级功能安全等等。

工业边缘AI 真正区别于普通边缘 AI 的地方，在于它必须同时处理计算能力、系统可靠性、确定性和延迟之间的关系。Sperlich 认为，很多系统架构选择，本质上都是在吞吐量、流水线效率和端到端延迟之间寻找平衡。

确定性来自实时控制链路本身。以电机控制为例，从传感器采样、控制算法计算、PWM 输出到驱动执行，每一个环节都要求低延迟和可预测的执行时间。这里的控制引擎并不是AI引擎，而是Arm Cortex-R52+实时核心，或者TI的C2000实时控制引擎。在实时场景中，AI 更适合承担状态识别、参数优化、异常检测和预测性维护等任务，而不是直接取代实时控制器完成闭环决策。

为了将两方面结合，TI也推出了集成NPU的C2000™系列产品TMS320F28P55x 和AM13E230x，可以利用NPU实现诸如拉弧检测、电机故障检测等，从而实现了低延迟与边缘AI的结合。

对于工业视觉或者汽车ADAS等边缘AI应用，TI则使用了另外一套架构。这是因为视觉传感器产生的数据量更多，数据处理流水线非常庞大，而延迟优先级相对较弱。因此，视觉数据需要以最快的速度流式传输到 DSP 和各类加速器中，同时加速器与 DDR 内存之间的总线带宽必须足够宽，才能支撑大量复杂的信号处理运算。为此，TI也提供了视觉数据包加速器等专用硬件，把视觉数据送入DSP之前进行预处理。

“区域架构与传统分布式架构之间的权衡其实非常有意思，如果应用需要在边缘侧进行加速，那我们就在边缘侧处理数据。在SoC 内部也是一样的：如果需要实时加速，就用 C28、C29 这类实时加速器或者 Arm 内核；对于其他类型的处理器，我们会配备视觉数据包加速器这类专用硬件，在把视觉数据送入DSP 之前先进行预处理。”Sperlich说道。

另外，随着边缘AI的兴起，工业现场通信也正在变得越来越重要，以连接感知层、控制层与管理层的核心纽带，不过相比消费级，工业通信需要确定性延迟。也正因此，边缘AI的决策能力从节点移动到区域控制器上时，需要更快更确定的网络处理能力。TI提供了PRU实时可编程子系统，可实现网络协议加速处理功能。另外，Sperlich也透露，TI正在开发专门的网络侧数据包加速IP，从而实现更快的工业网络数据传输和交换。实际上，在TDA5上，TI已经内置了NPAC（网络处理加速器）专用子系统，用于以太网交换和数据包传输。

但无论如何，边缘AI并不会替代传统的实时控制，它只是叠加在控制闭环之外。分层合作关系，是理解工业物理AI的关键，也解释了为什么TI 在工业边缘 AI 上并没有脱离传统工业控制路线，而是把 AI 能力与实时控制、工业通信和功能安全所构成的系统有机整合。

除了芯片、实时架构和软件工具链，TI 在工业市场还强调了更快的量产需求。对于许多工业客户来说，真正的难点并不只是选择合适的SoC，而是如何完成板级设计、软件适配、长期供货和量产验证。因此，SOM （System On Module）生态就成为TI 处理器落地过程中非常重要的一环。

SOM的价值首先在于开发效率。对于许多工业客户而言，从SoC开始做板级设计、DDR调试、电源设计、信号完整性验证和软件适配，会消耗大量工程资源。采用成熟SOM模块之后，客户可以把更多精力放在应用软件、系统功能和差异化算法上。其次，SOM也能带来供应链灵活性。客户可以围绕同一个应用设计多款不同SOM模块，在Linux生态支持下尽量保持软件层面的相对兼容，从而在成本、交付和风险控制上获得更多选择。

当然，SOM并不是没有代价。模块化方案通常会带来一定成本增加，在尺寸、接口和深度优化方面也可能不如完全自研板卡。TI已经与全球多家合作伙伴共同推出了SOM的产品，其中不乏中国嵌入式领域的活跃伙伴。近期，TI也联合多家本土生态伙伴基于 AM62L SoC，共同打造面向工业与通用应用的 SOM 解决方案生态。

在Sperlich 看来，SOM 只是 TI 生态布局中的一部分。更重要的是，TI 需要把通用平台能力转化为本地市场真正需要的行业方案。他特别强调，中国市场对 TI 至关重要，客户不仅数量庞大，应用需求也多种多样。“很多时候，TI 提供的是通用平台能力，但客户真正需要的是更专业、更行业化的解决方案。”这意味着，处理器厂商不能只把芯片交给客户，还需要帮助客户找到合适的软件、算法、模块和系统集成伙伴。

他举了一个很典型的例子：如果客户需要回声消除算法，TI 本身并不开发这类算法，但 TI 可以与合作伙伴一起完成方案导入。更关键的是，中国市场所需要的音频算法，可能与美国市场并不完全相同。语言环境不同，系统集成方式不同，客户对成本和性价比的要求也不同。如果客户希望找到更具价格竞争力的算法方案，可能就需要考察多个本地合作伙伴，并从中选择最适合自己产品定位的一家。而TI通过构建生态，可以加速伙伴间的合作，将处理器能力真正转化为解决方案。

“这种生态能力对中小型工业客户尤其重要。大型客户往往拥有完整的内部研发团队，从硬件设计、系统软件到AI 应用开发都可以自行完成，因此对第三方生态的依赖相对较低。”Sperlich说道，“但大量工业客户并没有如此充足的资源。面对边缘AI、实时控制、工业网络和复杂软件栈，他们可能知道自己要解决什么问题，却未必知道如何在处理器平台上正确实现。这时候，经过验证的合作伙伴就成为连接芯片能力与客户应用之间的关键环节。”

Sperlich 认为，帮助客户识别并连接这些可靠的生态伙伴，是TI长期重视的一个方向。某些合作伙伴长期基于TI 处理器开发产品和方案，甚至可能比TI 自己更熟悉芯片的某个特定功用的使用。“建立广泛的生态合作伙伴关系是TI 的角色之一。”Sperlich说道，“这样既能促成合作，同时也能保证生态内的良性竞争，让客户放心。”

TI 所强调的边缘 AI，本质上是一套面向设备现场的嵌入式系统方法论。对于工业、汽车和机器人这样的物理世界应用而言，AI 的价值不只在于模型能够输出什么结果，更在于这个结果能否被系统及时、可靠、可验证地执行。

从Speak & Spell 到今天的物理 AI，Sperlich 试图强调的是同一件事：真正进入设备现场的智能，必须接受现实世界的工程约束。TI 用过去 50 年积累的嵌入式基因，正在为这一轮 AI 浪潮提供另一种实现方法。