端侧 AI 推理正在经历"工作负载 × 场景"的组合爆炸——CNN、LLM、VLM、语音、扩散生成五类算法，与穿戴设备、智能家居、AI PC、智能座舱、具身智能等场景相互叉乘，同一颗 NPU 需要支撑的目标越来越多样。RISC-V 凭借可扩展、可裁剪的架构特性，成为端侧 AI 控制面与通用向量计算面的优选底座。本文以玄铁端侧 AI 解决方案的核心组件（AI 定制调度核 + Titan 向量引擎 +

本文进入机密计算（Confidential Computing）主题——把信任域从"操作系统 vs 应用"进一步缩小到"飞地（Enclave）内部"。即使 Hypervisor、操作系统内核与其他飞地，均无法读取飞地内正在执行的数据。RISC-V 上该能力的代表性实现是开源 Keystone 项目，本文以 QEMU 可复现路径为切入点展开论述。

RISC-V的软件生态在过去三年进步显著，但和ARM相比仍有差距。这篇文章从Linux主线支持、RTOS选型、编译器工具链、关键软件库四个维度，梳理RISC-V软件生态的现状和工程实践中的关键考量。

RISC-V与ARM架构对比分析 本文深入探讨了RISC-V和ARM架构的核心差异及适用场景。ARM凭借成熟的商业授权模式和广泛生态，在移动设备、服务器等领域占据优势；而开源的RISC-V则通过模块化设计（如RVV向量扩展）为AI、边缘计算等场景提供更高定制灵活性。两者关键差异体现在：ARM具备完善的工具链和软件支持，RISC-V在自主可控和成本优化方面更具潜力。开发者选择时需权衡生态成熟度与定制

RISC-V与ARM架构对比分析 本文深入探讨了RISC-V和ARM架构的核心差异及适用场景。ARM凭借成熟的商业授权模式和广泛生态，在移动设备、服务器等领域占据优势；而开源的RISC-V则通过模块化设计（如RVV向量扩展）为AI、边缘计算等场景提供更高定制灵活性。两者关键差异体现在：ARM具备完善的工具链和软件支持，RISC-V在自主可控和成本优化方面更具潜力。开发者选择时需权衡生态成熟度与定制