仉茂

iGPU、NPU和擴展卡并非適用于所有計算任務(wù)的通用解決方案。

在邊緣部署人工智能(AI)面臨著獨特的硬件挑戰(zhàn)。雖然強大的圖形處理單元(GPU)在開發(fā)中很常見，但實際用例往往面臨尺寸、功耗、環(huán)境和預(yù)算方面的限制。這些限制使得獨立顯卡（有時簡稱為dGPU）與更節(jié)能的方案相比并非理想的解決方案。

然而，實現(xiàn)邊緣AI加速目標(biāo)仍然是可能的。讓我們探索邊緣AI領(lǐng)域NPU與GPU的演變格局，包括集成GPU(iGPU)、神經(jīng)處理單元(NPU)和擴展卡，以了解它們?nèi)绾螡M足多樣化的工業(yè)AI推理和機器學(xué)習(xí)需求。

邊緣AI加速的動態(tài)格局

通用GPU盡管擁有高性能潛力，但由于能效限制、對惡劣條件（灰塵、振動）的敏感性以及顯著的尺寸和成本影響，在大規(guī)模邊緣部署中往往舉步維艱。幸運的是，邊緣AI加速器技術(shù)領(lǐng)域正在快速創(chuàng)新。對于數(shù)據(jù)中心以外的分布式架構(gòu)，或需要平衡數(shù)據(jù)處理性能、成本和能效的輕量級AI應(yīng)用，仔細(xì)評估您的具體需求和工作負(fù)載至關(guān)重要。在堅固耐用的無風(fēng)扇工業(yè)計算機中使用NPU等專用處理器，可以提高極端條件下的可靠性，并優(yōu)化各種計算任務(wù)的硬件成本。

與獨立的邊緣AI平臺相比，集成AI專用處理器、神經(jīng)處理單元(NPU)甚至MXM加速器等加速器，能夠精準(zhǔn)地為AI工作負(fù)載提供所需的計算能力。在選擇AI加速器時，評估系統(tǒng)總成本和軟件框架生態(tài)系統(tǒng)至關(guān)重要。雖然AI擴展卡可以提升性能，但它們也會顯著增加系統(tǒng)成本。通常，像iGPU和NPU這樣的集成解決方案，或像NVIDIAJetson這樣的專用平臺，可以為許多用例提供更精簡、更經(jīng)濟高效的方法。

NPU驅(qū)動的AI：神經(jīng)網(wǎng)絡(luò)的高效片上加速

歷史上，強大的中央處理器(CPU)和GPU憑借其廣泛的軟件兼容性，主導(dǎo)了AI工作負(fù)載和算法。但集成顯卡和加速技術(shù)正在不斷發(fā)展，現(xiàn)代處理器和SoC提供了寶貴的板載工業(yè)AI推理和機器學(xué)習(xí)功能。

關(guān)鍵創(chuàng)新在于集成的NPU，例如英特爾AIBoost（第14代酷睿Ultra）和AMDXDNA（銳龍7000/8000系列）。這些專用協(xié)處理器具有專門的電路，用于神經(jīng)網(wǎng)絡(luò)所必需的矩陣乘法和張量運算，可直接在處理器本身上加速深度學(xué)習(xí)。雖然它們的性能通常適用于后臺圖像處理、音頻處理和CPU卸載，但它們?yōu)檩p度至中度邊緣AI推理提供了低延遲、低功耗的解決方案，尤其是在空間受限或惡劣的環(huán)境中，功耗較低。

例如，NPU在低分辨率視頻中的實時物體檢測或語音識別等特定任務(wù)上表現(xiàn)出色，通?？商峁└哌_(dá)數(shù)TOP的AI性能，因此在智能手機和物聯(lián)網(wǎng)設(shè)備等支持AI的消費電子產(chǎn)品中廣受歡迎。這凸顯了NPU與GPU在特定邊緣計算用例中的關(guān)鍵區(qū)別。

iGPU：經(jīng)常被忽視的并行處理AI資源

英特爾Arc和AMDRadeonAI等現(xiàn)代集成GPU(iGPU)在工業(yè)AI推理甚至部分模型訓(xùn)練方面擁有驚人的能力。其并行處理架構(gòu)使其能夠處理種類繁多的AI任務(wù)，其性能通常超出了通用計算領(lǐng)域的普遍認(rèn)知。對于需要中等AI性能的AI應(yīng)用而言，利用iGPU是一種經(jīng)濟高效且節(jié)能的方法。

這些iGPU代表了基礎(chǔ)顯卡的重大升級，專為并行計算而設(shè)計，并在性能和能效之間實現(xiàn)了平衡。例如，英特爾ArcGPU可以實現(xiàn)數(shù)十TOPs的計算能力，適用于視頻分析、圖像識別、圖像處理、視頻編輯，甚至輕量級機器學(xué)習(xí)推理。當(dāng)NPU性能不足，而專用GPU的功耗、空間或成本又無法滿足需求時，這些改進(jìn)使其成為一個可行的選擇。NPU與GPU之間的性能差異在此更加清晰，尤其是在考慮工作負(fù)載時。

AI擴展卡：通過專用處理器實現(xiàn)目標(biāo)性能

雖然NPU和iGPU能夠顯著提升邊緣AI性能，但配備專用處理器的專用AI擴展卡可以進(jìn)一步提升特定任務(wù)和AI工作負(fù)載的性能。M.2模塊（例如Hailo-8邊緣AI處理器）提供了一種便捷的方式來提升強大的計算能力。與谷歌的TPU（張量處理單元）相比，Hailo-8在功耗相似的情況下，性能顯著提升（26TOPsvs.4TOPs）。

例如，OnLogic的ML100G-56集成了Hailo-8卡，為適合多樣化部署的超緊湊工業(yè)計算平臺添加了令人印象深刻的AI處理能力。

MXM（移動PCIExpress模塊）加速器（有時集成NVIDIARTX技術(shù)）也正在工業(yè)計算領(lǐng)域興起。這些緊湊、可拆卸的GPU模塊專為空間受限的系統(tǒng)而設(shè)計，無需占用全尺寸PCIe卡的空間，即可顯著提升圖形渲染和AI處理能力，使其成為需要增強邊緣AI加速的堅固耐用型嵌入式AI應(yīng)用的理想之選。

NvidiaJetson：適用于復(fù)雜AI模型的多功能高性能解決方案

對于超出NPU、iGPU或AI擴展卡能力范圍的工作負(fù)載，NvidiaJetson系列為工業(yè)AI推理和復(fù)雜的深度學(xué)習(xí)模型提供了強大且適應(yīng)性強的解決方案。Jetson平臺擁有廣泛的性能范圍和成熟的軟件生態(tài)系統(tǒng)，非常適合深度學(xué)習(xí)模型、生成式AI、圖形渲染、大型語言模型(LLM)和自然語言處理等要求嚴(yán)苛的AI應(yīng)用。更重要的是，它們還解決了邊緣計算部署中傳統(tǒng)GPU所面臨的堅固耐用挑戰(zhàn)。

NVIDIAJetson系列涵蓋入門級JetsonNano、高性能JetsonOrinNX和AGXOrin。OrinAGX可提供強大的計算能力，適用于復(fù)雜的AI模型以及自動駕駛汽車、機器人技術(shù)和高級視頻分析等高要求應(yīng)用。Jetson還具有統(tǒng)一的軟件堆棧，簡化了跨不同Jetson平臺部署AI模型的過程。這為高要求AI工作負(fù)載在NPU、GPU和CPU之間做出選擇提供了強有力的替代方案。

為了充分利用這些AI加速器選項進(jìn)行工業(yè)AI推理，合適的軟件工具和框架至關(guān)重要。這些工具通常遵循三個階段的流程：

模型輸入：利用來自支持的訓(xùn)練框架的訓(xùn)練模型。

優(yōu)化：針對特定目標(biāo)硬件優(yōu)化和量化模型，以避免瓶頸。

部署：在目標(biāo)操作系統(tǒng)上部署準(zhǔn)備好的模型（運行時）。

每家集成加速器技術(shù)供應(yīng)商都提供了硬件加速支持的框架列表。以下是簡要概述，但不同操作系統(tǒng)的支持情況可能有所不同：

必須認(rèn)識到，iGPU、NPU和擴展卡并非適用于所有計算任務(wù)的通用解決方案。它們的原始計算能力可能并不總是能與高性能獨立GPU匹敵，這凸顯了優(yōu)化和基準(zhǔn)測試對于成功實現(xiàn)邊緣AI以及避免數(shù)據(jù)處理流程出現(xiàn)瓶頸的重要性。

*聲明：本文系原作者創(chuàng)作。文章內(nèi)容系其個人觀點，我方轉(zhuǎn)載僅為分享與討論，不代表我方贊成或認(rèn)同，如有異議，請聯(lián)系后臺。

想要獲取半導(dǎo)體產(chǎn)業(yè)的前沿洞見、技術(shù)速遞、趨勢解析，關(guān)注我們！