554
受海思芯片供货影响，百度日前在官网做出说明：度目视频分析盒子的阶梯价格实行微调。截至目前为止，百度主要有两款边缘计算盒子，一款采用 Arm+FPGA 异构多核平台，另一款则基于海思 Hi3559AV100。受断供影响，海思芯片近来普涨，这款盒子的相关芯片价格据称也涨到原来的三四倍。这给正在成长中的边缘算力盒子市场增添了许多变数。
AI 正处于从研究阶段迅速转向大规模实际应用部署的临界点，而边缘算力盒子就是走向落地的有力现实。上一波 AI 热潮中，算法享尽红利。但随着算法模型越来越复杂，落地应用逐渐增多，大量的数据产生于端侧，对于靠近端侧的算力产生了前所未有的需求：需要满足实时性、带宽利用率、处理能力等。
边缘算力盒子就在这些需求下火爆，它有很多名字：智能边缘计算盒、AI 算力盒、AIoT 盒、边缘智盒、边缘智能物联网盒……不过任由“马甲”满天，所有角色都是固定“人设”：具备 AI 能力的轻量级边缘计算设备。
一款现象级的“轻奢”AI 产品
如果说云计算是豪门的盛宴，边缘计算是普通老百姓的盘中餐，那么，边缘算力盒子就像 AI 界的“轻奢”产品，上够得着豪门，下能接坊间地气，有望成为一款具有规模效应的现象级产品。
边缘算力盒子是从什么时候火爆起来的？事实上，它并不是一个横空出世的新产品，甚至可以追溯到早期的嵌入式数据分析盒子。当时主要为了辅助终端设备对采集数据做初步的分析与加速，不过由于数据类型较少，单次处理数据量小，实时处理性能要求并不高，并且也不具备上传云端功能，很难直接共享数据。
随着嵌入式硬件计算与存储能力的提升，以及云计算、大数据技术的发展，众多硬件厂商给出了一些加速引擎，使得嵌入式数据分析盒子能够处理大数据能力，出现了微型大数据分析盒子。
有了以上两个阶段的基础，随着 5G 等通信技术的发展，使得端边云可以进行海量数据的快速传输。此外，随着深度学习技术的发展和应用，嵌入式人工智能领域十分重要的两类算法——语音识别和图像识别，在近两年取得了突破性进展，对于靠近端侧的算力产生了前所未有的需求。正是在这一背景下，边缘算力盒子需求大增，与之前的数据分析盒子相比，计算性能大大提升，且时延降低、带宽利用率更高，安全性、实时性都更好。
沙场点兵！五大阵营玩家大盘点
目前，边缘算力盒子应用最多的还是在智能视频监控、分析和数据存储等应用场景。玩家不乏 NVIDIA、Intel 这样的传统硬件巨头，还有百度、海思这样的实力选手，最近，飞腾、比特大陆、寒武纪、云天励飞等也在纷纷组团入局。
从方案结构来看，各阵营又有不同。NVIDIA、Intel 自身就可提供一揽子的平台方案，海思的 Camera SoC 由于新加入了 AI 模块，也可以独当一面，这也是其最大竞争力。像比特大陆、寒武纪等 AI 芯片公司提供的属于协处理器，则需要搭配主控芯片来形成方案。
NVIDIA
NVIDIA 方面，直接提供 AI 加速平台 / 开发套件，以 Jetson 系列模块为主，具备 CPU、GPU、PMIC、DRAM 和闪存。
以今年 GTC 上最新发布的 Jetson Xavier NX 模块为例，售价 399 美元，开发者可以通过下载软件补丁，利用 Jetson AGX Xavier 开发套件模拟 Jetson Xavier NX 进行开发。除了 NX 系列，还有 NVIDIA Jetson 家族的其他成员，包括：入门级的 Jetson Nano、面向中端应用的 Jetson TX2、以及高性能的 Jetson AGX Xavie 系列。
Jetson 系列所支持的边缘算力盒子，国内有研扬、研华、凌华、图为、瑞泰等，都是 NVIDIA Jetson 系列的合作伙伴。据了解，由于 Nano 系列成本低，在低功耗嵌入式领域出货量相对较大。
不过由于采用的是通用 GPU 架构，在嵌入式端的功耗表现不及海思等，最大优势仍是完整的工具链，包括软件 SDK 等。
此外 NVIDIA 在 Jetson Xavier NX 模块开发方面还提供云原生支持，这也是一大加分项。云原生支持，通俗来讲，就是支持用户在 Jetson 边缘端上部署运行在云端的应用。可以帮助制造商和开发人员执行频繁的改进措施，提高准确度，并通过基于 Jetson 的 AI 边缘设备使用最新功能应用。开发人员可以在应用的整个生命周期中快速且大规模地部署新算法，同时最大程度地减少停机时间。
Intel
Intel 方面则以参考设计的形式推动生态应用，主要包括硬件参考平台、算法以及解决方案，软件开发商、ODM/OEM、系统集成商等都是其合作伙伴。据 Intel 官方介绍，最新推出的 AI 计算盒参考设计，针对边缘计算中不同应用场景对算力需求灵活，并且会使用不同神经网络模型的特点，搭配了一系列软硬件的组合。
硬件层面主要依托于 CPU、具备集显的 CPU 和 X86 架构的算力保障，可提供凌动、酷睿、至强处理器的不同选择。而除了主控 CPU，还可提供 VPU 做 AI 加速。还有完整的软件栈，包括媒体处理 Media SDK、深度学习推理工具 OpenVINO 工具套件，算法库及算子级优化的库和编程接口。
目前，Intel 已经与小钴科技、科沃斯、云图睿视等十余家合作伙伴共同打造了相关的算法方案。
对于大部分的物联网用户来说，面临的应用场景千差万别，在半导体设计方面面临的最大问题就是量小、种类多，很难找到单一的、量特别大的应用，这就导致了算法和硬件平台的需求都不一样。而 Intel 最大的优势就是硬件平台类型多样化，此外，在应用层还可提供近似实际应用的参考示例，实现快速原型开发，缩短上市时间。
百度
百度方面主要有 EM-BOX 视频分析边缘计算盒和度目视频分析盒子。其中，EM-BOX 基于百度大脑嵌入式 AI 解决方案 EdgeBoard。该计算平台基于 Xilinx 16nm 工艺 Zynq UltraScale+ MPSoC，采用 Xilinx 异构多核平台将四核 ARM Cortex-A53 处理器和 FPGA 可编程逻辑集成在一颗芯片上。此外还有百度的 CNN 软核配置，搭配移动端轻量级 Paddle Lite 框架，以及 MODA (Model Driven Architecture)工具链，是一款软硬一体的解决方案。
EM-BOX 方案架构
度目视频分析盒子也是一款软硬一体的产品，基于海思 Hi3559AV100 方案。不过受台积电断供影响，不少厂商开始囤货，海思芯片价格普涨，相关芯片据称也涨了三四倍。百度已在官网明确做出说明：受芯片价格上涨影响，度目视频分析盒子的价格阶梯微调。
对于市场上 8T 算力的盒子，海思这款芯片性价比高，且行业应用成熟，招标采购客户都比较认可，这应该是百度采用 3559AV100 的主要理由。
海思
计算机视觉是 AI 技术主要应用领域，目前多用于视频监控，而海思在这一领域占有绝对领先地位，产品实现了从前端 IPC SoC 到后端 DVR/NVR SoC 全面覆盖。
海思最初通过“一拖 N”的打法来赋能终端智能，即基于一台智能摄像头冗余的算力分享到网络中的其他普通网络摄像头上，也就是用智能摄像头中的芯片算力承担起专用视频分析盒子的工作，将计算能力前置。而这一切实现的前提，至少需要采用华为昇腾 310 系列，实现一带四，或是采用昇腾 910，承载 16 路摄像头数据的解析。
但从整体系统架构来看，智能摄像头与盒子方案相比，第一是成本问题，智能摄像头可能是普通摄像头价格 10 倍以上，一旦起量的话，综合系统成本不够经济；第二是维护问题，抛开价格层面，功能单一、专业、可维护的设备更便于铺开。
海思有多款 IP Camera SoC。系列产品主要包括：Hi3559AV100、Hi3519AV100、Hi3516DV300、Hi3516CV500 等。其中 Hi3559AV100 进一步奠定了海思在智能视频领域的地位，它内置神经网络加速引擎，解决了算力瓶颈（之前产品主要通过海思主控芯片+协处理器的方式），无法做到较大分辨率的分析问题，以及更高的成本等问题。
不过受断供影响，相关方案商一方面开始囤货，以金钱换时间，另一方面就是寻求替代，这也给市场增添了许多新的变数。
海思官网 Hi3559AV100 介绍
飞腾 CPU+AI 加速卡
针对边缘端的 AI 算力方案，飞腾正在通过 CPU+GPU/FPGA/ ASIC 等形式构成联合解决方案。
飞腾边缘端 AI 算力盒子方案
例如与比特大陆等 AI 厂商联合打造边缘 AI 算力产品：有盒子形态，也有 1U 高度服务器形态等，可以覆盖多种应用场景。
针对处理大量高清网络视频接入分析的需求，飞腾联合比特大陆、恒为科技厂商，推出了“登云”Ai 计算平台解决方案。该方案采用 1 颗飞腾 FT-2000+/64 与 1 张 CPU+比特大陆 AI 加速卡 SC5+，打造边缘 AI 算力服务器，实现对视频结构化、人脸识别、物品识别、视频内容增强等典型应用的 AI 加速运算。
写在最后
AI 在过去几年取得了很大突破。一是来自于基础理论研究的进步，二是整个半导体领域对算力方面持续不断地提升，也降低了运算成本，三是各行各业大数据收集和分析在应用上的突破。
但是由于终端设备类型复杂多样、数量庞大且分布广泛，带来网络、计算存储、运维管理等诸多挑战。以视频监控为例，既需要边缘设备的灵活响应，又需要就近汇聚边缘设备的数据、控制，还要管理复杂的采、存、算等设备。
因此，终端算力上移，云端算力下沉，在边缘形成算力融合——正是边缘算力盒子兴起的根本。不过，这一市场目前仍处于培育阶段，正如一位业内人士评论“没有统一的行业标准、没有出现公认的行业旗帜性方案商、许多场景还在观望，这一市场目前还不能称为蓝海，甚至还没有形成海，想象空间仍然很大”。
不过可以肯定的是，边缘算力盒子的应用场景会越来越广泛。更宽的环境适应性对整体解决方案是一个挑战，这需要各芯片、方案厂商继续努力，继续细分应用市场，制造出可适应于不同环境的硬件设备。
目前从技术层面已经解决了一部分应用问题，但是针对恶劣环境（比如高温、低温、防水等）的解决方案还要进一步完善。
还有一个很大的掣肘在于——未来在落地时如何解决各方的利益分配问题，比如究竟是算做边缘设备，还是终端的信息收集设备，可能会涉及到相关部门的成本分配，这都是在落地应用过程中需要进一步界定和妥善处理好的问题。
下载ECAD模型
