随着数据越来越靠近源头，嵌入式系统技术正在成为智能决策的核心。边缘AI采用高效微控制器、面向AI优化的处理器，以及配备加速器的其他计算平台，实现低功耗推理。芯粒和模块化SoC正在改变每瓦性能的含义，提供面向边缘应用优化的灵活计算能力。
2026年11/12月刊关注对边缘计算产生重大影响的最新技术进展与趋势，重点是边缘AI、物理AI和智能体AI。撰稿人探讨了物理边缘计算、嵌入式边缘AI系统设计、能耗、软件开发中的智能体AI、开发平台、微控制器和芯粒等议题。
特约撰稿人Filippo Di Giovanni提出，物理边缘计算可能成为AI的下一个前沿，可将智能带入物理世界。其优势包括实时本地响应、更低能耗、更好的隐私保护，以及在云端连接失败时维持系统运行。
Di Giovanni还谈到工程障碍，例如数据中心AI硬件不能简单移植到由小型电池供电的传感器节点，以及为什么需要专用AI硬件。
特约撰稿人Stefano Lovati表示，边缘计算最大的瓶颈之一是能耗。他报道称，可以通过模型优化、专用芯片架构和更智能的热管理来解决能耗挑战。
Lovati还解释了为什么更高的每秒万亿次操作并不是问题的答案。他说，虽然这是评估边缘AI系统性能最常用的指标，但它并不完全适用于在严格热设计功耗约束下运行的电池供电设备。相反，每焦耳推理次数更为合适，用于衡量系统每消耗单位电能可以完成多少次AI预测或任务。更高的每焦耳推理次数意味着更高的效率，从而降低边缘设备的运行成本和散热需求。
Giordana Francesca Brescia介绍了面向实时系统设计边缘AI的基础。她表示，这不仅仅是更快的芯片，而是包括传感器、缓冲区、存储器、计算、加速器和任务管理在内的系统架构，并且都要围绕延迟进行调优。
她还讨论了一个常见的延迟成因，它并不在AI模型本身，而在模型之前的各项操作中。边缘AI的低延迟并不是简单选择更快的处理器或更小的模型就能实现的，而是更广泛架构决策的结果。
Brescia还关注芯粒和模块化SoC，以及它们如何通过平衡CPU、加速器、存储器和I/O，同时管理数据移动、延迟和发热，重新定义每瓦性能。她表示，模块化提供了更大的设计灵活性，但也需要仔细分析数据传输、延迟、存储器和散热。Brescia还探讨了芯粒如何通过专用化提升每瓦性能。
特约撰稿人Saumitra Jagdale报道称，精简的开发平台对边缘AI部署至关重要。他表示，为了在实时性能约束下加速模型优化、异构硬件和安全加固，芯片厂商必须优化其开发流程。Jagdale回顾了多家领先芯片厂商的若干开发平台。
特约撰稿人Abhishek Jadhav报道称，软件开发智能体正在连接这些碎片化的工作流程。他探讨了智能体AI如何加速边缘AI软件开发。开发智能体不只是生成代码，还会与编译器、测试框架、性能分析器、调试器、文档和其他工程工具协同工作，缩短原本需要人工完成的开发周期。
来源: 海外媒体
登录后即可参与技术讨论与同行交流
免费注册