做边缘AI这些年我最大的感受是选SoC真不像买手机芯片那样只看跑分更像是在“功耗、成本、生态、算力”这四块石头之间反复周旋。边缘AI项目落到芯片选型时几乎每个决策都是一场权衡游戏。这篇《边缘AI-7》不聊空泛的概念直接把我自己梳理过的12种芯片SoC组合方案拿出来每一种对应一类典型场景里面有选型逻辑、核心参数、实际部署时踩过的坑希望对正在做边缘AI硬件选型的同行有点实际帮助。1. 边缘AI选型的底层权衡逻辑1.1 优势与代价算力、功耗、成本、生态的四角博弈边缘AI和云端AI最大的不同是它必须在“端侧”完成推理这就意味着所有模型推理、预处理和部分后处理都跑在一颗受限的SoC上。于是选型时会碰到一组天然的矛盾想要更高算力就得接受更大功耗和更高成本想要更低功耗就得牺牲模型复杂度和帧率想要更丰富的生态往往又被绑定在某家厂商的工具链里。我在实际项目中会先建立一个四维评估表把候选SoC分别按算力TOPS或FLOPS、功耗典型推理时的整板功耗、单颗成本按阶梯价估算和生态成熟度框架支持、示例代码、社区活跃度打分然后再根据项目的核心痛点去加权。比如一个电池供电的传感器节点功耗权重占到50%那算力再强的SoC也要先被淘汰。1.2 需求侧算力估算先算“够用”再谈“最好”很多新手一上来就挑旗舰SoC结果不仅成本爆炸散热问题也让产品没法落地。正确的做法是先估算需求侧的算力下限。这里有一个简单的估算方法拿到目标模型的FLOPs浮点运算次数再乘以目标帧率得到每秒所需的算力。比如一个MobileNetV2分类模型约需3亿FLOPs若要在10fps下运行就需要3GFLOPs左右的推理能力。同时还要把“访存带宽”纳入考虑。边缘AI推理往往不是被算力卡住而是被DDR带宽卡住。我做过一个项目芯片算力标称足够但实际跑YOLOv5s时帧率只有标称的一半排查后才发现是DDR带宽不够图像缩放和归一化占了大量带宽。所以选型时不仅要看TOPS还要看内存带宽和实际可用的连续推理吞吐。1.3 “12种组合”的本质把权衡维度拆开看有人可能会问为什么不直接列一份“最强芯片清单”因为边缘AI没有最强的芯片只有最适合场景的组合。下面这12种方案本质上就是把“算力档位、功耗预算、接口需求、部署形态”这四个维度分别做了取舍每一种都有明确的适用边界。你可以把它当成选型参考但更重要的是理解每种组合背后的权衡逻辑——当你遇到一个新项目时能自己推导出应该朝哪个方向选。2. 12种边缘AI芯片SoC组合方案详解2.1 组合一STM32 MCU极简派微瓦级唤醒与轻量推理适用场景智能门锁的人体感应、工业振动检测、关键词唤醒KWS、传感器异常检测。这类任务通常只需要在极低功耗下持续监听绝大部分时间处于睡眠状态。核心选型STM32H7系列如STM32H743或STM32F4系列配合ST官方的STM32Cube.AI工具链可以把训练好的Keras/TFLite模型量化为INT8后部署。以关键词唤醒为例一个基于DS-CNN的小型模型参数量仅几十KB在240MHz主频下推理一次只需几毫秒整机平均功耗可控制在1mW以内占空比1%。权衡逻辑这颗芯片算力很弱但它有极低的待机功耗、超丰富的外设接口和极成熟的HAL库生态。它不适合跑视觉模型但特别适合做“常开监听触发唤醒”的链路前端。实测下来STM32Cube.AI对MCU级模型的支持比很多第三方工具链都好量化后精度损失基本可以控制在1%-2%。避坑提示MCU级别的AI不要沉迷于跑大模型ST官方工具对算子支持有限碰到自定义算子需要手工改写或用CMSIS-DSP中的函数替代。另外开发环境记得装好对应芯片型号的Pack包比如Keil5就需要先安装STM32芯片包否则连工程模板都建不起来。2.2 组合二ESP32-S3轻量级图像识别与语音交互适用场景智能家居中控、离线语音助手、门禁人脸打卡、低成本机器视觉小样机。ESP32-S3是乐鑫面向AIoT推出的双核Xtensa LX7芯片内置向量指令扩展支持最高512KB SRAM和2MB PSRAM同时自带Wi-Fi和BLE。核心选型ESP32-S3-WROOM-1模组配OV2640或OV5640摄像头。乐鑫提供了ESP-DL库可以部署经过量化的TFLite微模型。我实际跑过一个人脸检测项目输入96x96灰度图使用ESP-DL加速的MobileNet-SSD推理耗时大约200ms帧率虽然不高但用于门禁打卡已经是可用的。权衡逻辑它的定位是“能联网的边缘小脑”性能比纯MCU强可以跑小型CNN又有无线连接能力非常适合做需要离线识别在线上报的混合场景。成本和功耗介于MCU和Linux SoC之间对于IoT产品来说是比较甜点的一个位置。避坑提示ESP32-S3虽然有向量指令但和真正的NPU差距很大不要试图跑YOLO系列模型。另外如果做电池供电建议在休眠和唤醒策略上多花点功夫必要时搭配一颗专用电源管理芯片比如TP4056相关方案做锂电池充放电管理把整机待机功耗做到50uA级别。2.3 组合三ESP32-C3极致低成本IoT端侧AI适用场景智能插座、温湿度异常检测、无线传感器网络边缘节点、超低成本的异常声音识别。ESP32-C3是一款基于RISC-V内核的单核芯片主频160MHz仅400KB SRAM。核心选型ESP32-C3FN4模组。它虽然算力比ESP32-S3弱但胜在价格低、功耗低、802.11ax支持好。可以部署极小的TFLite Micro模型比如基于决定树的故障诊断模型或1D-CNN的电流波形分类模型。权衡逻辑这个组合的核心价值是“以近乎零成本给设备增加AI能力”。当产品本身就有一颗MCU做控制时把它替换成ESP32-C3既能保留原有控制逻辑又能在不增加BOM成本太多的情况下具备简单的推理能力。配套的Arduino和ESP-IDF生态对开发者非常友好。避坑提示ESP32-C3的Flash只有4MB模型和固件要共用一个空间模型文件最好控制在1MB以内。另外有人问过“ESP32-C3用哪个稳压芯片更合适”我实测下来如果整机峰值电流在500mA左右选一颗静态功耗低、DCDC模式下的同步降压芯片性价比最高比LDO方案效率高30%以上。2.4 组合四中移ML307ACat.1通信端侧AI融合适用场景共享设备定位、车联网追踪器、农业物联网传感器、资产监控。这些场景的共同特点是设备需要长期在线通信同时要在端侧做低成本的异常检测或位置聚类。核心选型中移ML307A是一款Cat.1通信模组内置ARM Cortex-A5内核处理器支持OpenCPU开发模式。它最大的优势是在一颗芯片里同时解决“通信”和“简单AI”两个问题省掉外部MCU大幅降低BOM成本和整机功耗。权衡逻辑有些边缘AI项目需要的是“数据在边端先过滤一遍再上传云端”。ML307A这种集成方案特别适合数据量不大、实时性要求不高但通信成本敏感的场景。端侧做简单的阈值判断、特征提取只有异常时才上报数据能极大减少流量费用。避坑提示Cat.1模组的AI能力比较有限主要适合规则引擎、轻量统计模型和简单的分类器不适合跑CNN。另外OpenCPU模式下外设资源比较紧张开发前一定要先梳理清楚GPIO、UART、ADC这些资源够不够用。2.5 组合五入门级Linux SoC1080p视频流下的嵌入式视觉适用场景室内摄像头、智能楼宇监控、工地安全帽识别、工厂安全生产AI盒。这类场景需要跑完整Linux系统用OpenCV做预处理再跑中小型检测模型。核心选型全志V3s、V853或瑞芯微RV1126。以RV1126为例它内置2TOPS NPU支持4K ISP输入硬件编解码能力强软件生态在瑞芯微的RKNN工具链支持下做得比较完善。整板功耗大约2-3W在常规室内监控场景下可以无风扇稳定运行。权衡逻辑入门级Linux SoC是很多边缘视觉产品的“起跑线”。它们跑不了大模型但胜在成本低、开发上手快、生态成熟对于检测目标类别少、算力需求在2TOPS以内的项目非常合适。相比更高端的RK3588方案整机物料成本能降低一半以上。避坑提示这种SoC的NPU编译器如RKNN对某些算子的支持有版本差异转换模型时建议先做一次算子兼容性检查。另外视频流场景很容易忽略“内存带宽”瓶颈建议在代码里避免频繁的cv::resize和Mat拷贝否则帧率会掉得很难看。2.6 组合六RK3588主流中高端边缘视觉的“万能钥匙”适用场景智慧安防NVR、AGV视觉导航、工业缺陷检测、多路视频结构化分析。RK3588是瑞芯微2022年发布的旗舰SoC8核CPU4xA764xA55、6 TOPS NPU、8K视频编解码支持最多16路1080p视频流接入。核心选型RK3588J或RK3588配合RKNN-Toolkit2做模型转换和量化。我实际部署过YOLOv5s640x640输入INT8量化在RK3588 NPU上能达到约100fps但注意这里说的NPU算力是“理论峰值”实际跑起来要考虑NPU和CPU的数据搬运开销端到端性能维持在60-80fps更稳妥。权衡逻辑RK3588之所以在边缘AI圈成为“万金油”是因为它在算力、IO接口、视频编解码和成本之间取得了很好的平衡。相比英伟达Jetson系列RK3588在价格上要低得多相比入门级SoC它的算力又足够跑中型检测模型。如果项目需要同时处理多路视频流和中型模型推理RK3588几乎是目前性价比最高的选择。避坑提示RK3588的NPU虽然强但要注意它不支持FP16只支持INT8/INT16推理。所以模型量化精度要求高的任务建议先用QAT量化感知训练微调几轮再用PTQ训练后量化能显著减少精度损失。另外RK3588的散热设计一定不能省满负荷运行8核CPU加NPU时机身热量非常高至少需要一个主动散热方案。2.7 组合七高通QCS系列车载与工业级高算力边缘AI适用场景智能座舱、商用车ADAS、工业边缘服务器、高可靠性的室外AI盒子。高通的QCS系列如QCS6490、QCS8250是从手机SoC衍生的IoT平台AI算力强、异构计算体系成熟NPU架构包含多级缓存和专用张量加速单元。核心选型QCS6490集成Kryo 670 CPU、Adreno GPU和Hexagon DSPAI Engine综合算力可达12 TOPS。高通提供的Qualcomm AI Engine Direct工具链可以统一调度CPU/GPU/DSP/NPU对PyTorch、ONNX、TFLite模型有较好的兼容性。权衡逻辑QCS系列的受众是那些“需要在恶劣环境下稳定运行、同时能跑较大模型”的工业项目。它的优势在于高能效比和专业级安全特性缺点是文档门槛高、开发周期长、供应链管控严格一般只有有一定研发实力的团队才适合选这条路线。避坑提示高通平台对电源管理非常敏感电源轨顺序错误可能导致无法正常启动。不建议纯软件工程师直接上手做硬件设计最好有经验的硬件工程师配合。另外高通的NPU架构图在网上讨论热度很高但真正使用时不要指望完全参考手机端的TFLite示例还是得基于QCS官方SDK做适配。2.8 组合八FPGA软核SoC确定性时延和自定义接口的硬核派适用场景高速工业视觉、雷达信号预处理、医疗器械图像处理、需要同时控制多路高速ADC/DAC的场景。FPGA软核的组合通常是在FPGA逻辑里例化一个软核CPU如MicroBlaze、RISC-V软核同时把AI推理或信号处理放在可编程逻辑中实现。核心选型Xilinx现AMD的Zynq系列或Microchip的SmartFusion2 / PolarFire SoC。以Microchip的Libero SoC为例它搭配SoftConsole开发环境可以完成从FPGA逻辑设计到软核嵌入式软件开发的完整流程。如果更熟悉Xilinx生态用Vivado搭建SoC系统同样可以完成MicroBlaze自定义IP的集成。权衡逻辑FPGA软核的组合和传统SoC最大的区别在于“确定性”。CNN在GPU/NPU上的推理时延会随系统负载波动但FPGA实现的卷积运算时延是固定的、可预测的这在高速产线视觉和医疗设备里是硬需求。同时FPGA的灵活IO可以直连特殊传感器接口不用再做转接芯片。避坑提示FPGA方案的开发周期比SoC长1-2倍这是成本上的最大隐藏项。另外不要把FPGA当成GPU用——在FPGA上写CNN是一件非常耗精力的事情除非有专门的硬件工程师团队否则建议只在FPGA里做图像采集、格式转换和预处理AI推理部分仍交给SoC/NPU来做。2.9 组合九RISC-V开源SoC含TileLink生态自主可控探索适用场景高校科研、国产化替代预研、定制化AI加速器的SoC设计验证、对指令集有自主掌控诉求的特殊项目。RISC-V SoC生态在这两年发展很快Chipyard、Rocket Chip、Chisel等开源工具链已经能支持完整的SoC生成流程。核心选型基于Rocket Chip的SoC生成框架集成自研或开源的AI加速器IP。值得特别提到的是TileLink——这是Rocket Chip/Chisel生态中最常见的SoC互连协议相比传统的AXI总线TileLink在多核缓存一致性和原子操作支持上更有优势在生成带多级互连的AI异构SoC时非常关键。权衡逻辑这套组合对量产产品来说还不够成熟但对做预研、开发板验证和学术研究的人来说很有价值。比如在Chisel环境里你可以快速生成一个定制指令集扩展的RISC-V核再把一个NPU IP通过TileLink挂到总线上整个SoC的软硬件协同验证流程都能在开源工具链里完成。避坑提示别高估开源SoC的“开箱即用”。环境搭建的坑很多工具链版本兼容性也时常让人头疼。我自己经验是先在已有SoC参考设计比如Chipyard的Rocket例子上跑通Linux软件栈再去改总线互连和加IP。另外如果要用到商业EDA工具综合到FPGA板上时序收敛也是需要专门留时间解决的。2.10 组合十双芯片异构MCUNPU协作的主流工业范式适用场景工业控制机器视觉一体机、精密仪器、智能机器人控制器、需要“实时控制”和“AI推理”同时进行的系统。核心选型一颗MCU做实时控制如STM32G4或C2000系列一颗NPU SoC如RK3566或算能BM1684做AI推理两片之间通过UART/SPI/PCIe通信。MCU负责电机控制、逻辑互锁、安全保护NPU SoC负责视觉检测、缺陷分类、路径规划。权衡逻辑工业场景最怕的是“控制延时不可预测”。如果把控制和AI都放在一颗Linux SoC上CPU被AI推理抢占时控制周期可能抖动几十毫秒这在伺服控制里是无法接受的。双芯片方案的核心权衡是“用一块额外芯片的BOM成本换取确定性的控制链”对可靠性要求高的设备很值。避坑提示双芯片方案的通信协议要在项目一开始就定好。建议定义一套简单的请求-应答式协议MCU作为主机NPU SoC作为AI加速从机。注意处理“AI推理超时”异常——一定要在MCU侧设置看门狗超时否则NPU侧死机会导致整个系统失控。2.11 组合十一存量设备改造MCU外置NPU加速棒适用场景现有产线设备智能化升级、老式PLC设备增加视觉检测能力、不想重新设计主板的存量产品。核心选型原设备MCUArduino/STM32/树莓派等保持不变通过USB或SPI外接一颗NPU加速棒比如Google Coral USB Accelerator、更为通用的瑞芯微RK1808算力棒等。MCU通过串口与NPU棒交互发送推理请求并接收结果。权衡逻辑这套方案的精髓在于“用最小的改动撬动现有存量市场”。不需要重新过认证、不需要重新画板只要软件层做一个AI任务适配即可。很多自动化设备公司就是通过这种方案在旧设备上快速上线“视觉防错”功能的投入产出比极高。避坑提示外置NPU的方案受限于接口带宽。USB2.0接口实测传输一帧640x480 RGB图像再加推理返回大约需要30-50ms对高速产线可能不够用。建议用USB3.0或千兆网口方案或者干脆用MIPI/PCIe接口的外置AI模块延迟能降低一个数量级。2.12 组合十二双SoC冗余高可靠主备热切换架构适用场景轨道交通信号设备、矿山安全监控、医疗生命体征监测、24小时不间断值守的非标设备。核心选型两颗相同型号的SoC如两片RK3588或两片全志T507一颗做主控制一颗做热备份。主SoC周期性向备SoC发送心跳包和状态同步数据一旦主SoC异常备SoC在毫秒级时间内接管系统和外设。权衡逻辑边缘AI设备一旦部署到无人值守现场坏了就得派专人去修这个成本往往比设备本身贵得多。双SoC冗余方案让系统的MTBF平均故障间隔时间大幅提升适合那些“出一次故障损失远大于硬件成本”的场景。避坑提示双机热备的难点不在硬件而在“状态同步”和“切换逻辑”。除了应用数据还需要同步AI模型的推理中间状态否则切换后会有一次“失忆时间”。另外不要忘记给双SoC加独立的电源轨和独立的看门狗否则一个电源故障会同时带走主备系统。2.13 12种组合速查对比表方案核心芯片典型算力典型功耗适用场景类型核心权衡组合一STM32H7/F40.1 GOPS级1W待机uA级低功耗唤醒/振动/语音关键词功耗优先组合二ESP32-S30.5-1 GOPS0.5-1W轻量图像/语音无线性价比与联网组合三ESP32-C30.1 GOPS级0.3-0.5W极低成本IoT AI极致成本组合四中移ML307A0.1 GOPS级通信功耗为主Cat.1边缘过滤省流量/省成本组合五RV1126/V8532 TOPS2-3W入门视觉监控成本与视觉平衡组合六RK35886 TOPS5-8W中高端多路视觉算力与价格平衡组合七高通QCS系列12 TOPS级8-15W车载/工业高算力高可靠高算力组合八FPGA软核自定义视规模而定确定时延/自定义接口确定性优先组合九RISC-V开源SoC可扩展视设计而定科研/国产预研自主可控组合十MCUNPU双芯片协同3-10W工业控制视觉控制确定性组合十一原MCU外置NPU外接算力外接功耗存量设备改造改动最小化组合十二双SoC冗余双倍算力资源双倍功耗无人值守高可靠可靠性优先3. 部署落地与调优精讲3.1 模型转换与推理框架选择芯片选完接下来最花时间的就是模型转换。不同SoC厂商有各自的推理栈STM32用STM32Cube.AI或X-CUBE-AI包ESP32用TFLite Micro或ESP-DL瑞芯微用RKNN-Toolkit2高通用Qualcomm AI Engine Direct英伟达用TensorRT。建议在训练阶段就有“目标部署平台”的思维提前用ONNX或TFLite作为中间格式避免后期转模型时遇到算子不兼容的麻烦。以RKNN为例转换流程通常是PyTorch模型导出ONNX—ONNX转RKNN—量化成INT8—用RKNN-Toolkit做仿真验证。这里有个小技巧转换时设置好“目标平台版本”和“量化策略”如果某些算子在NPU上不支持会自动回退到CPU执行但这会导致推理时间明显变长。所以模型转换完后一定要做一次端到端性能profile不要只看NPU理论算力。3.2 量化是边缘AI的必修课在边缘SoC上部署模型INT8量化几乎是必经之路。PTQ训练后量化实现简单但对大模型和小模型都容易掉点尤其对回归类任务比如坐标回归影响很大。QAT量化感知训练模拟量化噪声重新训练效果更稳代价是训练时间和数据需求。我踩过一个坑在RK3588上用PTQ量化的YOLOv5m检测精度mAP从0.72掉到了0.55完全没法用。后来用QAT微调了10个epochmAP回升到0.68。所以对精度敏感的场景建议一开始就上QAT不要省这个时间。另外量化校准数据集一定要覆盖真实场景的分布最好采集几百张现场光照、角度下的图像而不是用网络公开数据集。3.3 功耗与供电设计别让芯片饿死也不能喂太饱边缘AI设备很多是电池供电电源管理设计直接影响产品续航。首先是电源拓扑MCUDCDC电池管理系统是常见结构。锂电池供电的板子充电管理芯片比如TP4056或17R方案负责充电升降压DCDC负责输出稳定电压。DCDC的工作原理核心是高频开关加储能电感选型时要关注效率曲线不要只看标称峰值效率要看实际负载点比如200mA工作电流下的效率。Type-C供电的设备有一个细节经常被问Type-C供电需要诱骗芯片吗如果是纯PD协议快充需要PD诱骗芯片让充电器输出期望电压如果直接用5V供电只要正确配置Type-C的CC下拉电阻就行。对于边缘GPU盒子这类高功耗设备我建议大家用DC5525接口或者PD诱骗到12V-20V再用DCDC降压比直接用5V/3A供电安全得多。3.4 电池SOC估算与整机电源策略如果设备是电池供电电池管理系统的SOC剩余电量估算也有讲究。简单靠电压查表估SOC误差很大尤其是锂电在中段电压平台很平。推荐用“开路电压法库仑计法”结合开机时用开路电压估初始SOC运行中用电流积分修正。像BQ4050这类专用电量计芯片内置阻抗跟踪算法精度能到1%比纯软件方案可靠很多。配合电源策略低功耗边缘AI设备建议按“高性能/低功耗/休眠/关机”四级状态来设计在休眠状态下只保留MCU的RTC和唤醒引脚SoC/NPU断电整机电流能做到百uA级别。我自己做过一个野外监测设备用这种四级策略待机时间从1周延长到了1个月效果非常明显。4. 常见问题与排查技巧实录4.1 视觉识别系统“芯片识别不了”排查实录不少做视觉贴装设备比如OpenPNP的朋友会遇到一个现象底部相机拍照后某些芯片型号识别不出来。这个问题大概率不是相机的锅而是“识别参数配置”不对。排查顺序建议是先确认光源是否均匀再检查镜头的ROI区域是否覆盖完整、灰度阈值是否合理最后看匹配模板的角度步长设置。很多芯片封装表面有反光层如果不开“直方图均衡”预处理识别率会大幅下降。另外识别不了还可能是SoC端的内存不足导致的——如果板子只有128MB DDR同时跑相机驱动、图像缓冲和AI模型一定会在运行时抛内存分配失败的错误。建议把输入图像先缩放到模型需要的尺寸再送入NPU不要整帧buffer搬运。4.2 Keil/开发环境与芯片包安装的坑MCU组合开发时最常见的问题就是Keil5工程编译报错“device not found”。原因是Keil5不再像Keil4那样内置所有芯片型号支持需要手动安装对应厂商的芯片包。正确流程是打开Keil5的Pack Installer在搜索框输入STM32或C51等关键词点击Install安装对应系列包。这里有个坑STM32芯片包安装完成后还需要在工程选项里正确选择具体型号否则下载器会报“No ULINK Device found”。如果安装芯片包时网络很慢可以手动到Keil官网下载对应Pack包然后双击离线安装。ESP32这类芯片则不需要芯片包直接用ESP-IDF或Arduino核心管理就能配置好开发环境。4.3 SoC启动流程排查Power-On到App的“四层关卡”多核SoC调试时最让人头疼的就是“上电后没反应”。排查SoC启动流程时建议按四层关卡逐一验证第一层电源轨是否都正常尤其核电压和IO电压时序对不对第二层时钟是否起振、PLL锁定是否正常第三层BootROM是否从正确的启动介质加载了Bootloader比如从SD卡启动时EMMC没烧录会卡死第四层引导程序是否做了DDR初始化、串口调试信息有没有输出。我遇到过好几次“看似硬件问题其实是时序问题”的情况电源芯片上电顺序不满足SoC要求。RK3588这类高端SoC对电源上电顺序有严格约束硬件设计阶段就要确认Power Manager的配置否则会出现每次都随机死机的问题。4.4 芯片测试阶段的PAT控制与量产检测如果是自己做小批量贴片生产关键芯片一定要做测试环节。芯片测试中的PAT控制Pattern控制是MCU测试程序里面的一种常用方法——通过控制测试座引脚生成特定输入序列检测芯片输出是否匹配预期。自制测试治具时建议先用一款已知良好的芯片做基线校准再测试待检芯片。热词里提到的“芯片测试”也和“芯片精灵ChipGenius”这类工具相关如果是USB转接类芯片通过ChipGenius可以快速确认芯片厂商和型号信息排查芯片识别异常非常方便。5. 写在最后关于“权衡”的一点经验12种组合看下来你会发现边缘AI选型本质上没有标准答案只有对当前项目约束条件的最优解。我个人的一个习惯是在项目立项早期就强制自己写一份“选型取舍说明”把功耗、算力、成本、开发周期这几项排个优先级并列出理由。这样到后期即使遇到性能瓶颈或成本压力也能回头审视最初的目标不至于被临时需求牵着鼻子走。另外一个更实在的建议是如果条件允许在正式选型前把最重要的模型提前到候选SoC上跑一遍。不要只看厂商宣传的算力数字“实际能跑多少帧、精度掉多少、开发难度大不大”才是真正决定项目成败的。做边缘AI就是这样谁最懂权衡谁就能用最小的成本把方案落地。希望这12种组合能帮你找到那条属于自己的平衡线。