从NPU、GPU、内存、EDA工具等角度，看现在的边缘AI技术
引言：边缘AI涉及的问题不仅是算力芯片，还与存储、设计工具、测试等方方面面有关… AI从数据中心走向边缘、端侧的原因这两年探讨得够多了，包括数据中心资源限制(与海量IoT设备与数据涌入的矛盾)、部分应用的低延迟或实时决策需求、隐私与安全性、AI应用的个性化要求等;与此同时，随着AI全栈技术的发展，边缘或端侧AI也正走向成熟——无论是硬件还是包括AI模型在内的软件。 前不久IIC Shanghai
关于「NPU 架构」的技术文章、设计资料与工程师讨论，持续更新。
引言：边缘AI涉及的问题不仅是算力芯片，还与存储、设计工具、测试等方方面面有关… AI从数据中心走向边缘、端侧的原因这两年探讨得够多了，包括数据中心资源限制(与海量IoT设备与数据涌入的矛盾)、部分应用的低延迟或实时决策需求、隐私与安全性、AI应用的个性化要求等;与此同时，随着AI全栈技术的发展，边缘或端侧AI也正走向成熟——无论是硬件还是包括AI模型在内的软件。 前不久IIC Shanghai