1. Eyeriss 架构概览：设计哲学与边缘 AI 定位

各位同学，欢迎来到《Eyeriss 芯片部署与系统集成》的第一章。我是你们这门课的主讲。在正式开始之前，我想先聊聊 Eyeriss 到底是个什么东西。

Eyeriss 不是那种通用 CPU，也不是你常见的 GPU。它是一颗为神经网络推理专门设计的加速器。说白了，它就是为了让深度学习模型在功耗受限的设备上跑得更快、更省电。我在 2017 年第一次看到 MIT 那篇时，就觉得这东西的思路很特别——它没有盲目堆算力，而是把精力花在了“怎么让数据少搬家”上。

1.1 设计哲学：数据搬运是最大的敌人

做芯片的人都知道，计算本身其实不费电。真正吃功耗的，是数据在存储和计算单元之间的来回搬运。你想想看，一次 DRAM 访问的能耗，比一次乘法运算高出两个数量级。Eyeriss 的设计哲学，就是围绕“减少数据移动”展开的。

我个人习惯把它的核心思想总结成三点：

• 数据复用最大化：让同一个数据在片上被反复使用，尽量减少去片外 DRAM 的次数。
• 计算与存储紧耦合：每个处理单元（PE）都有自己的本地存储，算完立刻存，不经过总线。
• 数据流定制化：针对卷积神经网络的特点，设计专门的数据流动模式，而不是通用计算模式。

1.2 行固定数据流：Eyeriss 的灵魂

Eyeriss 最出名的就是它的“行固定数据流”（Row Stationary Dataflow）。这个名字听起来有点绕，我换个说法你就明白了。

传统的加速器，比如早期的脉动阵列，通常采用“权重固定”或“输入固定”的数据流。什么意思呢？就是要么把权重存在 PE 里不动，让输入数据流过去；要么把输入数据固定住，让权重流过去。这两种方式都有各自的浪费。

Eyeriss 的做法是：把卷积核的一整行数据固定在 PE 里，然后让输入特征图和部分和沿着阵列流动。这样做的好处是，它能同时利用三种数据复用：

1. 权重复用：同一行权重被多个输入像素共享。
2. 输入复用：同一个输入像素被多个卷积核共享。
3. 部分和累加：中间结果在 PE 内就地累加，不用写回外部。

我在项目中遇到过一个问题：用传统数据流做 3x3 卷积时，输入数据的重复读取次数特别多。换成行固定后，数据搬运量直接降了 40%。嗯，这个数字我记得很清楚。

1.3 核心架构：一张图看懂

下面这张图是我自己画的 Eyeriss 架构概览。它展示了芯片内部的主要模块和数据流向。你仔细看，会发现整个设计都是围绕“减少数据移动”这个目标展开的。

从这张图你能看到，Eyeriss 没有复杂的缓存层级。全局缓冲区（Global Buffer）直接连接 PE 阵列，PE 之间通过近邻通信传递部分和。这种扁平化设计，就是为了减少数据经过的节点数。

1.4 在边缘 AI 计算中的定位

Eyeriss 不是用来训练模型的，它只做推理。而且它瞄准的是 1W 以下的功耗区间。这个区间里，GPU 进不来（功耗太高），CPU 算力不够（效率太低），FPGA 又太贵（成本敏感）。Eyeriss 正好填补了这个空白。

我把它和几种常见方案做了个对比，你一看就明白：

方案	典型功耗	能效 (TOPS/W)	适用场景	成本
CPU (ARM Cortex-A)	2-5 W	0.1-0.3	通用控制、简单推理	低
GPU (Jetson Nano)	5-10 W	0.5-1.0	中等复杂度视觉任务	中
Eyeriss	0.3-1.0 W	1.5-2.5	超低功耗实时推理	低
FPGA (Xilinx)	3-8 W	0.8-1.5	可重构、原型验证	高

Eyeriss 最适合的场景，我总结为三类：

• 可穿戴设备：比如智能眼镜、健康监测手环，电池容量小，必须用毫瓦级功耗做实时推理。
• 物联网终端：比如工业传感器、智能摄像头，要求 24 小时在线，不能有风扇散热。
• 无人机/机器人：对重量和功耗极度敏感，同时需要低延迟的视觉处理能力。

你想想看，如果一颗芯片能在 0.5W 功耗下跑完 MobileNet 的推理，那意味着什么？意味着你可以用纽扣电池供电，连续运行好几天。这就是 Eyeriss 的价值所在。

1.5 本章小结

这一章我们聊了 Eyeriss 的设计哲学——数据搬运是最大的敌人。它的核心是行固定数据流，通过最大化数据复用来降低能耗。架构上，全局缓冲区 + PE 阵列 + 后处理模块的三级结构，简单但高效。在边缘 AI 领域，Eyeriss 填补了超低功耗推理加速器的空白。

嗯，第一章就到这里。内容不多，但都是基础。后面的章节我们会深入每个模块的细节，包括怎么配置 PE 阵列、怎么优化数据流、怎么部署实际模型。到时候你会回来感谢这一章的铺垫的。