引言

夜视场景的 AI 处理，到底应该放在云端还是端侧？这是一个看似简单、实则深刻的问题。真与科技的 AetoSight 机芯选择了端侧 AI 路线，背后是一系列工程权衡。

云端 AI vs 端侧 AI

云端 AI 的优势：算力强、模型大、迭代快。

云端 AI 的劣势：网络延迟、带宽成本、隐私风险、离线不可用。

夜视场景的特殊性：

• 无人机、车载、户外手持等移动场景，对延迟极其敏感（>100ms 的延迟无法接受）
• 海量视频上传到云端，带宽成本不可承受
• 边境、应急救援等场景，网络不可用
• 隐私敏感场景（家庭、车内）禁止视频出端

结论：夜视 AI 必须端侧化。

端侧 AI 芯片选型

主流端侧 AI 芯片在夜视场景的适用性：

芯片	算力(TOPS)	功耗	夜视适用性
高通骁龙870	15	5W	中等
联咏NT98528	1.5	1.5W	高
安霸CV72	12	3W	高
寒武纪MLU220	8	5W	中等
地平线J5	16	4W	高

AetoSight 选用的联咏 NT98528 + 独立 NPU 方案，在 1.5W 功耗下提供 1.5 TOPS 算力，是功耗比最优的方案之一。

PixelClean 的端侧优化

在 1.5 TOPS 算力约束下，PixelClean 做了三重优化：

• 模型剪枝。移除冗余通道和层，参数量从 0.5M 压缩到 0.3M。
• 算子优化。针对 NPU 硬件特性定制算子实现，推理速度提升 2 倍。
• 内存优化。复用中间张量，峰值内存占用控制在 100MB 以内。

最终，PixelClean 在 AetoSight 机芯上的端到端延迟 <40ms，功耗 <0.5W。

端侧 AI 的工程挑战

挑战一：散热。 端侧 NPU 长时间高负载运行会过热降频。真与科技的方案是用金属基板 + 石墨烯散热片，保持芯片温度 <70℃。

挑战二：模型更新。 端侧 AI 模型难以像云端一样频繁更新。真与科技的 OTA 方案支持差分升级，单次更新包 <5MB，3G 弱网下也能完成。

挑战三：场景适应性。 不同场景（森林、海洋、城市）对 AI 模型的要求不同。PixelClean 内置场景自适应模块，根据输入自动选择最优子模型。

端云协同的未来

虽然端侧 AI 是主线，但端云协同仍有价值：

• 端侧做实时检测
• 云端做模型训练
• 新模型下发到端侧迭代

AetoSight 已经支持这种"边云一体"架构。

FAQ

Q1：端侧 AI 能达到云端 AI 的效果吗？

A：在常规任务上已经接近甚至超过云端（如 MobileNetV3 在 ImageNet 上达到 75% 准确率，与早期云端模型相当）。但超大模型（如 GPT-4 级别）仍需云端。

Q2：端侧 AI 的功耗会不会影响续航？

A：AetoSight 机芯整体功耗 <3W，PixelClean 贡献 <0.5W，对续航影响极小。

Q3：未来端侧 AI 会完全取代云端吗？

A：不会。端侧和云端会形成"云边端"协同，各有分工。

总结

端侧 AI 是夜视场景的最优解，PixelClean + AetoSight 的方案证明了在 1.5W 功耗下实现 0.001Lux 全彩夜视 + AI 识别的可行性。这是技术演进的方向，也是真与科技的核心壁垒。