4. 嵌入式平台概述：主流嵌入式AI平台对比与选型
做算法移植，第一步不是写代码，而是选平台。
我见过不少团队，算法在PC上跑得飞起，一到嵌入式平台就卡成PPT。为什么？说白了，就是前期平台选型没做好。今天咱们就来聊聊市面上主流的几个嵌入式AI平台，以及我这些年总结的选型经验。
4.1 主流嵌入式AI平台对比
目前市面上主流的嵌入式AI平台，我按生态和出货量排个序：高通、联发科、瑞芯微、安霸、海思。每个平台都有自己的脾气，咱们一个一个看。
| 平台 | 典型芯片 | AI算力 | 功耗范围 | 核心优势 | 主要短板 |
|---|---|---|---|---|---|
| 高通 | QCS8250 / SA8295 | 15-30 TOPS | 5-15W | 生态最成熟，Hexagon DSP工具链完善 | 成本高，供货周期长 |
| 联发科 | Genio 700 / Dimensity Auto | 4-12 TOPS | 3-10W | 性价比高，多媒体能力强 | AI工具链相对年轻 |
| 瑞芯微 | RK3588 / RK3568 | 3-6 TOPS | 2-8W | 国产化率高，NPU易上手 | 大模型支持有限 |
| 安霸 | CV52 / CV72 | 2-8 TOPS | 1-5W | ISP+CV一体，功耗极低 | 通用计算弱，定制化强 |
| 海思 | Hi3559A / Ascend 310 | 4-16 TOPS | 3-12W | 安防领域霸主，编解码强 | 受制裁影响，供货不稳定 |
我的经验： 高通和瑞芯微是我用得最多的两个平台。高通适合对算力要求高的场景，比如车规级ADAS；瑞芯微则适合成本敏感、快速落地的项目。安霸在低功耗视觉领域确实有两把刷子，但如果你要做通用计算，还是绕开它比较好。
4.2 平台选型考量因素
选平台不是看参数表那么简单。我总结了一个「四维选型法」：算力、功耗、成本、生态。这四个维度缺一不可。
4.2.1 算力
算力不是越大越好。你想想看，一个15 TOPS的芯片，如果散热跟不上，跑两分钟就降频，实际效果还不如一个稳定跑5 TOPS的芯片。
- 峰值算力 vs 持续算力： 很多芯片标称的TOPS是峰值，实际持续算力可能只有60%-70%。
- 算力利用率： 不同NPU对算子的支持程度不同。我遇到过某个平台，标称4 TOPS，但跑MobileNet只能用到2 TOPS，因为它的NPU不支持某些激活函数的硬件加速。
- 精度支持： INT8是标配，INT4/FP16看需求。有些老芯片只支持INT8，做高精度推理就吃力了。
4.2.2 功耗
功耗直接决定了你的产品能不能「落地」。做手持设备，功耗超过5W基本就凉了；做车载，10W以内还能接受。
- 典型功耗 vs 最大功耗： 看数据手册时，一定要看「典型场景」的功耗，而不是「待机功耗」。
- 散热方案： 被动散热还是主动散热？这会影响整机成本和体积。
- 动态调频： 好的平台支持按需调频，空闲时功耗能降到毫瓦级。
避坑指南： 我曾经在一个项目中选了某款标称3W的芯片，结果实际跑模型时功耗飙到8W，散热根本压不住。后来才发现，它标的是「纯NPU推理功耗」，没算上CPU和DDR的功耗。所以，一定要看「整板功耗」。
4.2.3 成本
成本不只是芯片单价，还包括BOM成本、开发成本、量产成本。
- 芯片单价： 高通高端芯片单价在50-100美元，瑞芯微则在10-30美元。
- BOM成本： 有些芯片需要搭配特定型号的DDR或PMIC，这些隐性成本容易被忽略。
- 开发成本： 生态好的平台，开发周期短，人力成本低。我算过一笔账，用高通开发一个项目，虽然芯片贵，但开发周期能缩短30%，综合成本反而更低。
4.2.4 生态
生态是我最看重的因素。没有好的生态，再强的算力也是白搭。
- 工具链： 是否支持ONNX/TensorFlow/PyTorch直接转换？量化工具是否好用？
- 文档与社区： 文档全不全？社区活跃不活跃？遇到问题能不能快速找到答案？
- SDK更新频率： 有些平台的SDK半年不更新，遇到新算子只能自己手写。
4.3 开发板与SDK介绍
选好平台后，下一步就是搞一块开发板来「练手」。我建议每个平台都至少买一块官方开发板，别省这个钱。
4.3.1 高通：Thundercomm RB5 / RB6
高通官方的开发板，搭载QCS8250芯片，算力15 TOPS。SDK是Qualcomm Neural Processing SDK，支持C++/Python接口。
- 优点： 工具链最成熟，文档最全，社区活跃。
- 缺点： 贵，一块板子要3000+人民币。
- 适合场景： 车规级、机器人、高端IoT。
4.3.2 联发科：Genio 700 EVK
联发科新推出的AIoT平台，4 TOPS算力，主打性价比。SDK是NeuroPilot，支持主流框架。
- 优点： 多媒体能力强，支持4K编解码，价格适中。
- 缺点： AI工具链还在完善中，有些算子需要自己优化。
- 适合场景： 智能家居、边缘计算盒子。
4.3.3 瑞芯微：RK3588 EVB
国产芯片的「明星产品」，6 TOPS算力，NPU易上手。SDK是RKNN Toolkit，支持一键转换。
- 优点： 国产化率高，供货稳定，社区活跃（尤其在国内）。
- 缺点： 大模型支持有限，6 TOPS跑大模型有点吃力。
- 适合场景： 安防、门禁、边缘计算。
4.3.4 安霸：CV52 / CV72 Dev Kit
安霸的强项是ISP+CV一体，功耗极低。SDK是Ambarella CV SDK，偏底层。
- 优点： 功耗低，图像质量好，适合视觉应用。
- 缺点： 通用计算弱，开发门槛高。
- 适合场景： 运动相机、无人机、车载摄像头。
4.3.5 海思：Hi3559A / Ascend 310
海思在安防领域是霸主，但受制裁影响，供货不稳定。SDK是HiSVP / MindSpore。
- 优点： 编解码能力强，安防生态完善。
- 缺点： 供货不稳定，开发资料获取困难。
- 适合场景： 安防监控、智慧城市。
注意： 海思的芯片现在不太好买，而且新版本的SDK需要签NDA才能拿到。如果你做的是商业项目，建议优先考虑其他平台。
4.4 平台选型决策流程
说了这么多，到底怎么选？我画了一张流程图，帮你理清思路。
嗯，这张图基本概括了我的选型思路。你可能会问：「如果四个维度冲突怎么办？」我的建议是：优先保生态，其次保功耗，算力和成本可以妥协。 为什么？因为生态差的平台，开发周期长，人力成本高，最后算总账反而更贵。
我的经验： 有一次我需要在3个月内完成一个边缘AI盒子项目。当时有两个选择：高通RB5（生态好但贵）和某国产新平台（便宜但生态差）。我选了高通，虽然芯片成本高了30%，但开发周期缩短了40%，最终项目按时交付。如果选那个新平台，光调驱动就得花一个月。
4.5 小结
嵌入式AI平台选型，说白了就是一场「权衡游戏」。没有最好的平台，只有最适合你项目的平台。我的建议是：
- 新手入门： 从瑞芯微RK3588开始，成本低，资料多，容易上手。
- 商业项目： 优先考虑高通，生态成熟，风险可控。
- 低功耗视觉： 安霸是不错的选择，但要做好长期调试的准备。
- 安防领域： 海思依然是王者，但供货问题需要提前考虑。