边缘AI处理器的架构创新

电子发烧友网报道文/李弯弯进入2026年人工智能产业正站在一个关键的结构性拐点上。随着端侧大模型轻量化技术的成熟以及强推理模型的出现AI的重心正加速从云端的集中式训练向边缘侧的高效推理迁移。然而这一迁移并非坦途。行业正面临两大核心变局一方面AI基础设施的能耗约束日益严峻单纯的峰值算力堆砌已不再是唯一标准每瓦算力与推理效率成为核心护城河另一方面AI的应用形态正加速从虚拟世界嵌入物理世界物理AI具身智能、机器人、自动驾驶以及AI Agent智能体的本地化部署对芯片的实时控制能力、多模态感知以及隐私安全提出了全新的硬件要求。在此背景下边缘AI芯片企业正面临既要极致性能、又要极致成本与功耗的实战挑战。针对这些行业痛点电子发烧友网近日专访了Imagination高级产品总监Rob Fisher。Imagination深耕并行处理架构近40年Rob Fisher与我们深入探讨了Imagination在芯片架构层面的底层创新、软件生态的破局之道以及在汽车与具身智能领域的最新布局。架构革新告别单纯算力堆砌重塑能效比护城河在边缘侧功耗往往比峰值性能更为关键。Rob Fisher指出Imagination始终坚信GPU不仅是图形引擎更是一个通用的并行计算平台——它应该伴随工作负载的演进而不断进化而不是被锁定在某一个固定功能的时代。“我们最新的E系列GPU正是这一理念的自然延续。”Rob Fisher表示E系列的设计目标是面向一个AI无处不在的世界而其中大部分AI正加速向边缘侧迁移进入那些在功耗、带宽和面积上都受到严格限制的设备。“我们给E系列设定的挑战听起来简单实现却极具难度如何在不突破功耗预算的前提下大幅提升AI性能”Rob Fisher强调最核心的架构变革在于计算密度的显著提升。通过将AI加速深度集成到GPU核心管线中E系列GPU能够从紧凑设计扩展到系统级数百TOPS的性能其单位面积和单位瓦特的AI性能远超前几代产品。关键在于这种性能提升源于使现有的计算架构本身具备更强的能力而非依赖大型的独立加速器。Rob Fisher详细解释了Imagination在能效方面的具体战术首先是分块延迟处理理念的延伸。Imagination将这一传统优势延伸到AI领域通过将工作负载拆分为小块且符合局部性原则的片段并仅计算必要的内容最大限度地减少了外部内存访问——这是功耗的主要驱动因素并避免了无谓的计算。其次是全新的Burst Processors技术。Rob Fisher指出通过批量执行指令组并将中间数据保留在算术逻辑单元ALU管道内从根本上减少了内部数据移动。“仅此一项与上一代产品相比平均功耗就降低了约25%。”此外增加的AI处理能力被深度嵌入到GPU执行单元中共享存储结构并原生支持低精度格式。这种紧耦合设计有效规避了在独立模块之间移动数据所导致的效率低下。在E系列GPU的设计取舍上Rob Fisher的思路非常明确优先保障可编程性和数据效率而非追求极端特化的固定功能。“这虽然在窄范围的工作负载上会牺牲一点峰值效率但在边缘侧多样且快速演进的AI应用场景中能够获得更强的适应性和更长远的价值。”直面存储墙低精度计算与数据搬运的博弈随着端侧大模型逐渐普及内存带宽往往成为真正的瓶颈。Rob Fisher坦言内存带宽正日益成为边缘AI的瓶颈尤其是在大语言模型LLM类工作负载中模型规模和上下文长度都会驱动持续的数据搬运。面对Agent应用对长上下文的需求硬件层面如何保障高并发推理时的流畅度Rob Fisher表示在E系列GPU产品中Imagination的重点放在减少需要搬运的数据量而不仅仅是试图通过系统推送更高的带宽。“其中的关键之一是对更低精度数据格式的支持。”Rob Fisher介绍道Imagination的GPU现已原生支持FP16、BF16、INT8甚至FP8和MXFP4。这使得开发者能够显著减小权重和激活值的内存占用同时保持有效的精度。这直接缓解了带宽压力并提升了每瓦有效TOPS尤其在边缘端的LLM推理场景中效果更为明显。软件生态降低迁移门槛让硬件“懂”调度芯片的落地离不开软件生态的支持。面对芯片在指令调度效率上可能存在的差异以及开发者从主流框架迁移的门槛Rob Fisher强调强大的软件生态系统对于实现硬件的大规模可用性至关重要。“从宏观层面来看我们的战略是让开发者能在他们已有的环境中直接使用而不是期望他们去学习全新的编程模型。”Rob Fisher表示E系列基于成熟的、符合标准的软件栈使用OpenCL和Vulkan等熟悉的API。Imagination Compute SDK中的库、编译器、文档和示例使开发者无需具备深厚的架构专业知识即可最大化GPU利用率。在实践中这意味着开发者可以将现有工作负载迁移过来并达到其性能目标而无需从头开始重新设计。Rob Fisher透露Imagination最近还在为llama.cpp和ExecuTorch等广泛使用的框架设计优化后端使开发者能够将他们正在使用的模型更直接地对接Imagination GPU。“目标是尽可能减少从模型开发到部署过程中的摩擦而不是引入另一个需要开发者学习的专有层。”在效率方面指令调度和硬件利用率是软件能够发挥重大作用的领域。Rob Fisher指出E系列将其超宽并行架构与先进的编译器调度和运行时优化相结合确保工作负载能够良好地映射到硬件上。这包括以协调的方式管理数据搬运、线程级并行性和精度格式使开发者无需手动调优执行的每个方面。值得一提的是E系列拥有一个独特的片上GPU固件处理器使GPU能够直接处理任务调度、优先级管理甚至某些系统交互而无需CPU持续介入。“在实践中这意味着开发者不需要预先完美地优化每一条指令序列。系统可以在运行时自适应调整平衡工作负载、管理并发并保持高利用率从而使理论性能与实际性能之间的差距大大缩小。”Rob Fisher补充道。汽车电子软件定义汽车时代的“安全”底座目前Imagination出货量最大或增长最快的核心应用场景无疑是汽车领域。Rob Fisher介绍这包括Imagination占据全球领先地位的车载信息娱乐系统以及日益增长的ADAS高级驾驶辅助系统和集中式计算平台。推动这一增长的根本原因在于汽车系统设计方式的根本转变从固定功能的域特定硬件转向可编程的、软件定义的计算平台这些平台需要在十多年的生命周期内持续提供新的体验和服务。“我们的汽车级GPU是具有高度差异化的技术紧密贴合该市场中芯片团队的需求。”Rob Fisher指出它们具备两大关键能力首先是基于硬件的虚拟化技术能够在多域平台上实现不同功能的清晰、安全隔离其次是ASIL-B功能安全认证使Imagination的处理器能够运行安全关键型工作负载。再加上E系列的可编程计算能力以及PowerVR架构的性能效率优势就不难理解为什么在软件定义的电动汽车时代Imagination的解决方案需求如此旺盛。Rob Fisher举例道在落地应用方面可以在一些汽车行业最令人兴奋的新平台上看到它们例如德州仪器的TDA5和瑞萨的R-Car Gen 5。赋能具身智能从“单点功能”到“系统级智能”在当前国产化替代加速的背景下如何在保持高性能的同时实现极致的性价比以应对激烈的存量市场竞争Rob Fisher表示Imagination是半导体供应链中的赋能者而非直接竞争对手。作为一家IP供应商Imagination为合作伙伴提供高度优化且经过量产验证的GPU和AI架构使他们能够以更低的成本和更小的风险获得具有竞争力的性能而无需自行开发这些复杂的技术。“在国内自主研发日益兴起的背景下IP商业模式展现出强大的优势。”Rob Fisher强调Imagination与全球范围内的众多合作伙伴携手帮助他们更快地打造具有差异化的SoC和显卡产品同时保持与成熟解决方案的竞争力。合作伙伴无需从头重建技术栈而是可以将资源集中于系统级创新。除了汽车Rob Fisher还特别提到了以OpenClaw为代表的AI Agent和具身智能正在成为新的增长极。“是的我们已经在这些领域开展了相当积极的探索。”Rob Fisher表示像OpenClaw这样的框架很好地说明了人工智能正朝着更自主、基于代理的系统方向发展而Imagination也确保了其平台能够支持这些框架“我们已经通过llama.cpp等环境运行大型语言模型LLMs并围绕这些框架构建优化后端因此在此基础上集成代理框架便成为一个相对自然的过程而非一项大规模的移植工作。”对于机器人技术尤其是类人型或具身人工智能系统Rob Fisher认为这是Imagination非常期待的领域因为其需求与Imagination在汽车领域已提供的解决方案高度契合实时响应能力、功能安全、高效计算以及并行处理多工作负载的能力。“基于硬件的虚拟化以及我们灵活的计算架构等特性使得不同任务如感知、规划、交互能够并行运行并保持可预测的性能。”Rob Fisher总结道这些应用正是E系列GPU设计时考虑的目标场景。它们需要在边缘端具备更强的智能以便在本地进行决策同时确保低延迟和高可靠性。这些市场的增长与Imagination正在当前及未来架构中构建的能力高度契合Imagination认为这两个领域在未来都将带来巨大的机遇。结语从Rob Fisher的分享中不难看出Imagination正试图在2026年的边缘AI浪潮中通过架构的底层创新和软件生态的无缝衔接重新定义“高效计算”的标准。在物理AI和具身智能即将爆发的黎明Imagination显然已经做好了准备用其独特的IP赋能模式助力合作伙伴跨越从“单点功能”到“系统级智能”的鸿沟。声明本文由电子发烧友原创转载请注明以上来源。Imagination访谈边缘AI处理器的架构创新