摘要：高通端侧AI技术栈解析 2025-2026年端侧AI成为移动与嵌入式领域核心技术。相比云端推理，端侧AI具备低延迟（5-50ms）、强隐私（数据不出设备）、离线可用等优势。高通通过Hexagon NPU异构架构（HTA/HVX/Scalar三级计算单元）和QNN SDK构建成熟生态，支持从手机（骁龙8 Elite 75TOPS）到车载（SA8295P）等多平台。QNN SDK提供统一接口，支

摘要：高通端侧AI技术栈解析 2025-2026年端侧AI成为移动与嵌入式领域核心技术。相比云端推理，端侧AI具备低延迟（5-50ms）、强隐私（数据不出设备）、离线可用等优势。高通通过Hexagon NPU异构架构（HTA/HVX/Scalar三级计算单元）和QNN SDK构建成熟生态，支持从手机（骁龙8 Elite 75TOPS）到车载（SA8295P）等多平台。QNN SDK提供统一接口，支

本文介绍了基于边端协同架构的智能客服系统集成方案，重点展示了DeepSeek云端大模型的接入实现。文章首先概述了DeepSeek API的关键参数（64K上下文窗口、¥1.0/百万tokens的输入价格）及其兼容OpenAI格式的优势。随后提供了封装好的Python客户端代码，支持同步对话和流式输出两种模式，包含对话历史管理、系统提示词设置等功能。最后展示了系统集成方案，将ASR语音识别、TTS语

摘要 本文探讨了基于高通IQ-9100边缘计算平台的边端协同智能客服系统构建方案。通过将ASR/TTS模型部署在边缘设备，结合云端DeepSeek大语言模型，有效解决了传统云端方案存在的延迟高、带宽成本大及隐私风险等问题。文章详细介绍了硬件平台特性、开源模型选型（Whisper/VITS等）及系统架构设计，实现本地FAQ应答200ms延迟和云端推理800-1500ms延迟的优化效果。该方案为嵌入式

本文介绍了工业现场设备故障实时检测系统的设计与实现，重点阐述了推理服务的工程化封装方案。系统采用C++推理引擎与Python采集调度的混合架构，通过环形缓冲区实现数据暂存，构建了包含传感器采集线程、QNN推理线程和告警模块的完整流水线。关键技术包括：基于共享内存的跨语言通信、多线程异步处理架构、QNN模型封装及实时推理服务优化。系统实现了从数据采集、模型推理到异常告警的全流程自动化，为工业设备状态

本文介绍了基于LSTM的工业设备故障分类模型从训练到边缘部署的完整流程。使用CWRU轴承数据集，通过滑动窗口和归一化预处理后训练双层LSTM分类器，将PyTorch模型导出为ONNX格式，并利用高通QNN工具链编译部署至高通跃龙IQ-9100边缘设备。系统实现了"数据采集→预处理→边缘推理→故障告警"的闭环，适用于工业设备状态监测场景。关键步骤包括数据滑窗切片、Z-score归

本文介绍了基于高通跃龙IQ-9100平台的工业设备预测性维护方案。通过I2C总线连接MPU6050振动传感器和INA219电流传感器，实现100Hz-1kHz的多维数据采集。详细说明了硬件接线、I2C配置及Python数据采集脚本实现，最终将振动和电流数据按时间戳保存为CSV文件，为后续边缘AI推理提供数据基础。该方案可实时监测设备机械和电气状态，为预测性维护提供可靠数据支持。下篇文章将介绍LST

本文介绍了基于高通跃龙IQ-9100的图像检测半自动化标注系统的边缘部署实践与优化方案。主要内容包括：1) IQ-9100开发环境搭建及模型部署流水线，将ONNX模型转换为QNN格式并封装为Python服务；2) 标注系统功能实现，采用FastAPI后端和Vue.js前端，支持AI预标注、交互式SAM分割及多格式数据导出；3) 性能优化策略，如NPU推理加速、异步流水线处理和内存优化，使模型初始化

本文提出了一种基于高通跃龙IQ-9100边缘计算平台的半自动化图像标注系统，通过"机器预标注+人工精修"的工作流，有效解决了传统人工标注成本高、效率低、一致性差等问题。系统在边缘端部署轻量化的YOLOv8-Nano检测模型和EdgeSAM分割辅助模型，利用QCS9100平台的100 TOPS NPU算力实现高效推理。实测表明，该系统可将标注效率提升3-5倍，同时保持95%以上的

一、简介人工智能技术这几年非常的火爆。神经网络算法可以在传统算法的极限上进一步突破，成为了各个算法领域做到顶级水平后继续研究升级的首要路径。目前大多数的神经网络主要还是应用在服务端。当然，大多数人还是看好这些高级的算法能跑到移动端上面。但是个人认为移动端有三个问题是必须解决的：一个是算力问题，目前移动端能堆积的算力不像服务端那么灵活，算力较小；一个是功耗问题，大量的算力，必然导致功耗太高，手机发.