电子产品世界

——在性能确定性、隐私保护与安全可信之间构建工程闭环

一、从“算力在哪里”到“系统责任在哪里”

如果说早期 AI 架构讨论的核心问题是“算力是否足够”，那么在 2025 年，这个问题已经明显过时。真正困扰产业的，是系统责任的归属：

• 决策是在云端完成，还是在设备本地完成？

• 数据风险由谁承担？

• 性能抖动导致的系统失效由谁负责？

在自动驾驶、工业自动化、医疗设备和智能家居等领域，AI 推理结果往往直接触发物理世界的动作。这使得“低延迟、确定性响应、可验证安全”不再是优化指标，而是准入门槛。

正是在这一背景下，AI 工作负载开始系统性地从云端向边缘迁移。

二、边缘 AI 的本质优势：确定性，而非极限性能

在讨论中，多位专家反复强调一个容易被忽略的事实：

边缘 AI 的价值，并不在于更高的峰值算力，而在于更可预测的行为。

云端 AI 的核心优势在于：

• 资源弹性；

• 模型快速迭代；

• 规模化成本摊薄。

但其弱点同样明显：

• 网络延迟不可控；

• 带宽竞争；

• 加密、重传、排队等系统级不确定性。

相比之下，边缘侧 AI 即便算力有限，却能提供：

• 毫秒级稳定延迟；

• 本地闭环控制；

• 不依赖外部网络的鲁棒性。

在工程实践中，确定性往往比平均性能更重要。

三、数据治理视角下的“边缘优先”原则

Siemens EDA 的代表从数据治理角度，将 AI 数据处理划分为三个层级：

1. 感知级数据（原始传感器输入）

2. 决策级数据（推理中间状态与结果）

3. 演进级数据（用于模型改进的统计样本）

1. 感知与决策数据：天然属于边缘

家庭机器人、车载摄像头、工业视觉系统所采集的数据，往往包含：

• 个人隐私；

• 企业机密；

• 场景语义信息。

这些数据一旦脱离设备，就会引发合规与信任问题。因此，感知级与决策级数据必须默认在本地完成处理。

2. 演进数据：有限、可控地回流

完全不回传数据会导致模型“静态化”。因此，系统通常会将：

• 异常事件；

• 决策失败案例；

• 特定触发条件下的统计特征

以匿名化、去标识化的方式上传，用于模型再训练。这种设计体现的是一种工程妥协，而非技术理想化。

四、内存：边缘 AI 的“隐形天花板”

在算力之外，内存正在成为边缘 AI 的第一约束条件。

1. 模型规模与数据并存

即便经过剪枝和量化，主流感知模型仍需要：

• 数百 MB 的权重；

• 大量中间激活值缓存；

• 高频访问的上下文数据。

这对边缘 SoC 提出了三重挑战：

• 容量不足；

• 带宽受限；

• 访问能耗过高。

2. 共封装 DRAM：性能与安全的交汇点

Infineon 提到的 DRAM 共封装方案，并非单纯为了“更大内存”，而是为了：

• 降低物理攻击面；

• 缩短数据通路；

• 在封装层实现安全隔离。

这意味着，封装本身正在成为系统安全的一部分，而不再只是制造工艺问题。

五、从“加密”到“全生命周期保护”的安全升级

Rambus 提出的安全框架值得特别强调。传统安全设计通常只覆盖：

• 数据在传输中；

• 数据在存储中。

但 AI 工作负载引入了第三个、也是最难保护的状态：

数据在使用中（Data in Use）

近期曝光的 TEE Fail 攻击表明，即便在“可信执行环境”中，侧信道和实现缺陷仍可能导致泄露。

因此，新的安全范式要求：

• 解密窗口最小化；

• 密钥动态管理；

• 硬件、固件、软件协同验证；

• 覆盖供应链与物理攻击。

安全不再是“模块”，而是系统属性。

六、加密与网络：为什么云端推理越来越“昂贵”

Keysight 从测试与网络角度指出了一个现实问题：

• 数据包丢失主要发生在网络层；

• 加密数据包的丢失代价更高；

• 实时 AI 对重传极其敏感。

这意味着：

• 云端推理在安全要求提高后，系统开销呈非线性上升；

• 边缘推理反而成为“更经济”的选择。

这也是为什么，在推理阶段，AI 正在不可逆地向边缘迁移。

七、AI 芯片设计范式的根本转向

Siemens EDA 用一个关键词总结当前趋势：

从“硬件定义软件”到“软件定义硬件”。

1. GPU 的局限性逐渐显现

GPU 的优势在于通用性，但其问题也越来越明显：

• 功耗高；

• 数据搬移成本大；

• 对嵌入式场景不友好。

2. NPU/TPU 与专用加速器的崛起

面向特定工作负载优化的 NPU，能够在：

• 能效；

• 延迟；

• 确定性

方面显著优于 GPU。这也是 Tesla 等厂商选择自研 AI 芯片的根本原因。

八、EDA 与工具链：追赶变化最快的一环

Synopsys 提到一个被低估的矛盾：

• 算法迭代周期：几周到几个月；

• 芯片生命周期：5–10 年。

这迫使边缘 AI 芯片必须具备：

• 高度可编程性；

• 面向未来模型的弹性；

• 在功耗和面积上的严格约束。

EDA 工具正在从“验证设计正确性”，转向：

• 协助系统级探索；

• 提前评估架构选择对 AI 工作负载的影响。

九、TOPS 指标的失效与系统级性能观

Infineon 明确指出：

单一 TOPS 指标无法反映真实边缘 AI 性能。

真正决定性能的，是：

• 内存层级；

• NoC 架构；

• 数据复用策略；

• 软件映射效率。

在很多案例中，架构优化带来的性能提升，远高于算力翻倍。

十、多厂商、多生态：边缘 AI 的现实复杂性

Keysight 以移动终端和 6G 为例指出，未来设备中可能同时存在：

• 多个 NPU；

• 不同厂商的软件栈；

• 通信协议内嵌 AI 模型。

这对硬件提出了前所未有的要求：

• 跨生态兼容；

• 动态调度；

• 可验证协同。

十一、极限协同设计与标准的重要性回归

Siemens EDA 将当前阶段称为：

Extreme Co-Design（极限软硬件协同设计）

其核心特征是：

• 架构、算法、系统同时设计；

• 厂商之间提前协同；

• 打破传统分工边界。

Rambus 最后强调：

没有标准，就没有规模化生态。

标准虽然滞后，但它是防止边缘 AI 走向碎片化和封闭化的唯一现实工具。

十二、结语：边缘 AI 是系统工程的必然选择

综合本次讨论可以得出一个清晰结论：

边缘 AI 的成功，不取决于单点技术突破，而取决于系统级平衡能力。

未来成熟的边缘 AI 平台，必然具备：

• 数据默认本地处理；

• 全生命周期安全；

• 架构驱动性能；

• 软硬件深度协同；

• 面向标准和生态开放。

这不是一次简单的“算力下沉”，而是一场AI 工程范式的重构。

关键词：