1. NPU与AI芯片概述
1.1 为什么我们需要NPU？
先聊个我亲身经历的事。几年前我在做边缘端人脸检测，用的是ARM Cortex-A72跑MobileNet。帧率大概在5-8fps，功耗却飙到了4W。客户说这不行，产品发热太严重。后来换了NPU方案，同样的模型跑到30fps，功耗只有1.2W。嗯，这就是NPU存在的意义。
CPU是万金油，什么都能干。GPU是并行计算的好手。但到了AI推理这个场景，它们都遇到了瓶颈——算力密度不够，能效比太低。NPU就是专门为神经网络计算设计的处理器。说白了，它把矩阵乘法、卷积、激活函数这些操作做成了硬件原语。
核心观点：NPU不是要取代CPU/GPU，而是在AI推理这个垂直场景里，做到极致的能效比。我见过太多团队试图用通用处理器硬扛AI负载，结果往往是功耗爆炸。
1.2 NPU架构演进：从协处理器到SoC融合
NPU的架构演进，我把它分成三个阶段。每个阶段我都踩过坑，跟大家分享一下。
第一阶段：独立协处理器（2015-2018）
早期的NPU像是个外挂。通过PCIe或USB连接到主控芯片上。我记得2017年做的一个项目，用的是某厂商的USB NPU加速棒。推理时要把数据从DDR搬到NPU的显存，再搬回来。这个搬运开销占了总延迟的40%。
- 典型代表：Movidius Myriad 2、Google Edge TPU早期版本
- 痛点：数据搬运延迟高，带宽受限
- 适用场景：对延迟不敏感的离线推理
第二阶段：SoC集成NPU（2018-2021）
后来厂商学聪明了，直接把NPU集成到SoC里。NPU和CPU、GPU共享内存，通过片内总线通信。我在做某款手机NPU适配时发现，数据搬运延迟从毫秒级降到了微秒级。这个阶段NPU开始有自己的指令集和编译器。
- 典型代表：华为昇腾310、高通Hexagon DSP演进版
- 优势：低延迟、低功耗、统一内存管理
- 挑战：编译器优化难度大，算子支持有限
第三阶段：数据流架构（2021至今）
现在的NPU越来越像数据流机。计算单元不再是冯·诺依曼结构，而是以计算阵列（Systolic Array）为核心。数据在阵列中流动，每个周期完成一次乘加运算。我曾经调试过一个算子，发现数据流调度不当会导致计算单元利用率只有30%。优化后提到了85%。
- 典型代表：昇腾910、寒武纪MLU370、Graphcore IPU
- 特点：大规模脉动阵列、片上SRAM缓存、硬件级算子融合
我的建议：做算子映射时，一定要理解目标NPU的数据流架构。是行优先还是列优先？计算阵列多大？这些细节直接影响性能。我曾经因为没看手册，把一个3x3卷积映射成了低效的循环展开，浪费了两周时间。
1.3 主流NPU产品对比
市面上NPU产品很多，我挑几个有代表性的做个对比。这些我都实际用过，不是纸上谈兵。
| 产品 | 算力（INT8） | 显存 | 功耗 | 典型场景 | 我的评价 |
|---|---|---|---|---|---|
| 昇腾310 | 16 TOPS | 8GB LPDDR4X | 8W | 边缘推理 | 生态成熟，文档齐全 |
| 昇腾910 | 256 TOPS | 32GB HBM2E | 310W | 云端训练/推理 | 算力强，但功耗高 |
| 寒武纪MLU370 | 128 TOPS | 16GB GDDR6 | 150W | 云端推理 | 算子覆盖率高 |
| Google Edge TPU | 4 TOPS | 8MB SRAM | 2W | 超低功耗边缘 | 功耗极低，但模型受限 |
| 高通Hexagon V66 | 15 TOPS | 共享系统内存 | 3W | 手机端推理 | 集成度高，但编程复杂 |
选型时我一般看三个指标：算力利用率、显存带宽、算子覆盖度。算力再高，如果利用率上不去也是白搭。我曾经测过某款NPU，理论算力100 TOPS，实际跑ResNet-50只有40 TOPS。原因就是计算阵列太小，大卷积核无法充分利用。
1.4 NPU在AI推理中的核心地位
为什么说NPU是AI推理的核心？我给大家算笔账。
一个典型的AI推理流程：输入预处理 → 模型推理 → 后处理。其中模型推理占了90%以上的计算量。而模型推理的核心操作就是矩阵乘法和卷积。NPU把这些操作做到了极致。
数据对比：以ResNet-50推理为例，在相同精度下：
- CPU（Xeon Platinum）：200 images/s，功耗200W，能效比1 img/s/W
- GPU（T4）：800 images/s，功耗70W，能效比11.4 img/s/W
- NPU（昇腾310）：500 images/s，功耗8W，能效比62.5 img/s/W
NPU的能效比是GPU的5倍，是CPU的60倍。这就是为什么数据中心和边缘设备都在用NPU。
我个人觉得，NPU的核心优势在于三点：
- 硬件级算子加速：卷积、池化、激活函数都有专用硬件单元。不需要像GPU那样用通用计算单元去模拟。
- 数据流优化：计算和访存可以流水线并行。我在做算子映射时，经常利用这个特性来隐藏访存延迟。
- 低精度计算：INT8、INT4甚至二值化。精度损失可控，但性能翻倍。我有个项目把模型从FP32量化到INT8，精度只掉了0.3%，速度提升了4倍。
注意：NPU不是万能的。对于动态形状的模型、稀疏计算、不规则的数据结构，NPU的表现往往不如GPU。选型时要根据实际模型特点来定。我曾经在一个NLP项目上硬上NPU，结果因为动态序列长度导致计算阵列利用率极低，最后换回了GPU。
1.5 本章知识体系
下面这张图是我自己整理的NPU知识体系。做算子映射和显存优化之前，先把这些基础概念理清楚。
这张图把NPU的知识体系分成了三层。最底层是基础，中间是核心概念，最上层是实战。我个人习惯是先理解架构演进，再对比产品，最后理解NPU为什么能成为AI推理的核心。这样学起来不会觉得散。
学习建议：如果你刚开始接触NPU，建议先花一周时间把本章的基础概念吃透。尤其是数据流架构和脉动阵列的原理。我见过太多人一上来就调算子，结果连计算阵列的大小都不知道，调出来的性能惨不忍睹。
好了，第一章就到这里。记住一句话：NPU是为AI推理而生的专用处理器，理解它的架构和定位，是做好算子映射的第一步。