前阵子我和一家专注可重构低功耗AI芯片的团队负责人聊方案他顺手给我算了一笔智能门锁的账。算完之后我才意识到很多人选错AI芯片不是算力不够而是没把“可重构”和功耗、算法迭代放在一起考虑。智能门锁恰好是这个领域最典型、也最能说明问题的落地场景之一高度受限的供电、快速迭代的模型、对安全性的硬要求——每一项都逼着芯片架构做出取舍。这篇文章会把这家团队在智能门锁应用上的技术路线、功耗账簿、工程踩坑和选型经验完整拆开聊希望给正在做门锁或类似低功耗视觉产品的朋友一些直接能用的参考。1. 一块低功耗AI芯片为什么成了智能门锁的“隐蔽战场”1.1 门锁的算力需求不是“高”而是“恰到好处”智能门锁最早加摄像头模块时不少方案走的是云端抓拍识别。但门锁一断电或者处在弱网环境云端基本失效。后来厂商普遍转成本地人脸识别问题立刻转变门锁不像手机没有大电池四节五号电池或一块锂电池可能要撑半年到一年。任何一颗芯片功耗多加0.2W都会直接换算成续航缩水几个月。一个很常见的现象是有些门锁为了省电把唤醒识别灵敏度调得很低用户稍微逆光站立门锁就认不出人回头率直线上升。这个场景对AI芯片的诉求很拧巴需求峰值不算高人脸检测和特征比对这类任务算力也就是0.5到2 TOPS级别但功耗预算极其苛刻待机要微瓦级识别瞬间可以放开跑跑完必须立刻睡。更麻烦的是算法一直在变今天用轻量人脸检测明天要加活体防伪后天可能换对抗逆光的新模型。用固定电路加速某一代算法很容易被下一版模型淘汰。1.2 团队为什么死磕“可重构”这条路线那家团队从成立就把重心押在“可重构计算”上对外讲得最多的是低功耗AI芯片。但可重构到底能干什么很多客户听完PPT还是半信半疑。真正让他们跑通落地的是一批智能门锁和智能家居厂商的定制需求。这些厂商找上门的原因惊人一致通用视觉芯片功耗压不下来专用人脸识别IC一旦升级算法就推倒重来。两边合作以后才发现门锁这个品类看起来小众但它几乎把低功耗AI的全部难点都集中了电源受限、场景多变、算法迭代快、安全要求高。把门锁做明白再去做其他IoT设备会轻松很多。这也是我后来愿意花一整篇文章来复盘这个项目的原因。2. 可重构AI架构在“通用”和“专用”之间怎么走第三条路2.1 可重构到底重构的是什么很多人听到可重构第一反应是FPGA。但团队做的粗粒度可重构架构CGRA和FPGA有本质区别FPGA重构的是底层逻辑门和布线粒度细配置开销大CGRA重构的是运算单元阵列和数据通路配置粒度在算子级。做个不太严谨但好懂的生活类比FPGA像是把一整盒乐高积木拆开按图纸一块块拼出新结构灵活没错但拼装和拆解本身很费时费力可重构架构更像一套精密的组合家具今天组装成书架明天拆成餐桌切换的是大模块而不是每一颗螺丝。芯片内部有一个规则排列的运算单元阵列通过运行时改变每个单元的连接关系和功能把不同算法直接映射到硬件上执行。算法改映射就跟着改硬件不需要重新流片。这套思路跟门锁的需求天然契合同一个芯片既能跑老版轻量检测模型也能跑后续推出的加强版活体模型。固定ASIC做不到这一点或者说能做到但代价是要重新投片通用NPU可以跑不同模型但大量通用逻辑和调度开销在门锁的严苛功耗下并不划算。2.2 四类AI硬件路线摆在一起看为了方便理解我把CPU/GPU、ASIC、FPGA、CGRA四条路线放到同一张表里对比路线灵活性单位能效典型静态功耗适合场景CPU/DSP高低中等控制、轻量算法GPU/通用NPU较高中高高云端或大算力边端ASIC极低最高最低算法冻结、海量出货FPGA高中低高配置电路开销大原型验证、动态重配可重构阵列CGRA较高高低算法迭代快的低功耗边缘AI这里最容易被忽略的是第三列“静态功耗”。对门锁来说AI芯片一天99.9%的时间都在睡觉如果架构本身带着一堆闲置但漏电的电路那么即便运行功耗做得再漂亮整机续航也撑不住。CGRA的优势就在于阵列可以在微秒级完成配置切换也可以在不需要时彻底关断只保留极小的唤醒逻辑。2.3 为什么“折中”对门锁特别有价值门锁市场的算法迭代速度远超大多数人想象。某厂商今年主推人脸识别明年可能就要加指静脉型号与型号之间的活体等级要求也不一样。如果全都压在ASIC上公司基本要每半年投一次片费用和周期都受不了。采用可重构方案后同一个硅片可以覆盖多个型号、多代算法。原本需要为低端型号单独流片的需求被合并了单颗芯片摊薄成本大幅下降。而且可重构阵列能把连续算子直接安排在相邻单元上让数据像流水一样“一趟走完”中间结果不必反复写回外部存储。在部分检测模型上这种数据搬运的节省比计算本身还明显直接体现在整机功耗曲线里。3. 门锁AI的功耗账本真正的开销都藏在细节里3.1 一次解锁全过程的时间线和功耗分布先从整体看门锁的工作流程待机阶段主控MCU低功耗运行AI芯片处于深层睡眠人体感应模块工作唤醒阶段热释电或雷达检测到人靠近主控拉高AI芯片电源域启动摄像头处理阶段图像采集、人脸检测、活体判断、特征比对动作阶段比对通过开锁电机转动AI芯片回到睡眠整个AI运算部分可能只占100到200毫秒摄像头曝光、补光灯点亮、电机转动同样耗电。很多团队做节能只盯着AI芯片忘了补光灯可能是最大的电老虎。有一家厂商实测发现红外补光LED点亮时电流可达几百毫安甚至超过AI推理峰值所以系统级调度远比单芯片功耗指标重要。3.2 平均功耗是陷阱瞬态功耗才是关键电池供电设计里最常见的错误是只算平均功耗。假设每晚触发10次开锁每次AI运行时间100毫秒那么AI运算的总耗电折算下来对整块电池续航的影响其实有限。真正让人头疼的是两个指标待机漏电流24小时连续消耗决定“能放多久”唤醒瞬间峰值电流如果超过电池或电源管理芯片的供电能力系统会直接掉电压出现识别一半重启的诡异故障可重构芯片这边的好处是设计了更细的多级睡眠核心阵列完全关断只留内部状态保持、外设时钟全部停掉、仅保留唤醒接收逻辑。不同门锁厂商的触发方式不同有的用PIR有的用雷达有的用按键唤醒源设计得灵活一些整机方案会省很多额外器件。3.3 一次粗略的能耗估算看懂数量级我不太建议照着某个固定公式给所有芯片下结论但我们可以做一个简化量级估算来找感觉。假设一颗面向门锁的AI协处理器在推理时运行频率约500MHz核心电压0.8V实测电流约300到800mA那么推理阶段的功耗大约在0.25到0.65W之间。一次推理持续100毫秒单次能耗就是25到65mJ。对比待机如果芯片睡眠功耗做到50微瓦那么一天待机耗电约4.3焦耳也就是4300mJ足够支撑几十次、上百次开锁的AI推理。这说明一个反直觉的结论AI识别本身并不是门锁续航的杀手保持AI芯片长期低漏电、同时别让外围器件空转才是续航设计的主战场。选芯片时真正要看的是“唤醒到识别完成的系统级能量曲线”而不是PPT上的峰值TOPS/W。4. 在门锁项目里踩过的几个工程坑4.1 接口带宽不够数据搬运直接把时延拖垮有一版快速打样方案主控用UART把摄像头灰度图传给AI芯片。看起来逻辑没错一帧640x480灰度图像差不多30万像素UART跑1.5Mbps算下来输一帧就要接近两秒识别实时性完全没法看。后改成SPI接口加双缓冲DMA又把缩放、裁剪这些图像预处理放到AI芯片内部去执行传输数据量从几十万字节压缩到几万字节整个流程才真正达到门锁可用水平。这个坑给我留下的经验是低功耗AI芯片不光看算力还要看它和主控之间的数据通道。很多团队选完算力才发现通信接口成了瓶颈最后为了塞进更高带宽的SPI或者并口主板改动一轮又一轮。最好在方案初期就确认好图像数据从哪来、以什么格式传、预处理在谁那边做别把“搬运”的工作流到最后一刻才优化。4.2 补光灯和AI调度没联动待机电流悄悄超标另一个让人头疼的问题是补光灯。门锁在暗光环境做人脸识别几乎必须用红外补光但补光灯一开电流立刻拉高几十到几百毫安。如果代码逻辑是“等AI识别完再关灯”那么即便AI芯片只用了100毫秒补光灯可能点亮了整整一秒整机功耗直接被带偏。他们在量产调试阶段把补光灯、摄像头曝光和AI推理放进了同一条硬件调度链路红外补光只在摄像头曝光的极短窗口内点亮AI计算刚结束就立刻关灯同时芯片进入睡眠状态。这需要主控固件和AI芯片驱动之间做细粒度同步通常是几个GPIO信号或硬件定时器配合而这一层配合往往会决定整块门锁能否过功耗认证。4.3 算法升级后可重构配置反而要重新调这是我觉得最值得展开的一个坑。某厂商从上一代轻量人脸检测模型切换到新推出的抗逆光模型后发现同一颗可重构AI芯片跑起来性能始终不理想。排查了一周多问题不在算子本身而是新版模型里的图像归一化层和缩放层在阵列上的数据排布跟旧版差异太大导致缓冲区频繁冲突流水线被打断。解决方案也很实在把归一化层拆成更细的算子片段重新映射到阵列的不同子区域同时调整了中间数据的排布方式。经过这一轮调试性能不仅追平旧版后续再升级其他模型时也有了成熟的调整套路。这也是可重构芯片一个容易被低估的门槛硬件只是地基把模型高效“搬”到阵列上的工具链和算子库才是决定交付速度的关键。4.4 安全子系统的分工不能全塞在AI芯片里门锁涉及家人安全和财产防护人脸方案必须有活体检测还要防拆报警。这个团队踩过更深一层的问题要不要把密钥存储和比对逻辑也放进AI芯片如果全塞在一起AI芯片一旦被侧信道攻击或调试接口没封好整个门锁的安全边界就没了。最后量产方案采用了“AI芯片只提特征安全MCU做最终认证”的分工AI芯片负责把人脸图像变成特征向量不接触任何账户密钥安全模块独立保存模板和开关锁记录两者之间只传特征向量和指令。即便AI芯片被暴力破解攻击者拿到的也只是当前帧特征不能直接开锁。对门锁这类安全敏感设备这个隔离设计比单纯追求算力重要得多。5. 复盘选智能门锁AI芯片时究竟要盯哪几张表5.1 不要被TOPS/W峰值带偏现在很多AI芯片厂商喜欢讲TOPS/W好像数字越大就越省电。实际上门锁根本不跑大算力模型也不存在长期满载运行的场景。真正值得做的是列一张“系统级电流表”把摄像头、补光、主控、无线模块、AI芯片全部拉进去测完整解锁链路的电流曲线。峰值TOPS/W只能说明短时间计算的账说明不了“待机唤醒”这套组合拳够不够稳。量化验收时我建议盯这几个指标待机平均电流、唤醒到首帧输出时延、识别成功时的总电流脉冲包络、连续被触发多次后的功耗漂移。这四个指标过了门锁续航基本不会出大问题。5.2 工具链和算法可移植性比纸面性能更值钱选择可重构AI芯片本质上是选择一个“模型到硬件的映射体系”。如果工具链只能支持少数几个固定模型或者新增算子要芯片原厂改驱动那这样的可重构就是伪可重构。真正成熟的做法是把客户自己的算法模型丢进编译器经过量化、调度、映射自动生成配置流和二进制并提供足够准确的功耗估计。选型时要做一次实际的小样本移植让候选团队把你的一个真实模型跑在他们工具链上记录从拿到模型到跑通的时间。如果这个时间是几天而不是几周说明工具链整体成熟度不错如果原厂要求你先准备一堆他们指定的模型格式可能后续算法迭代时你会被被动牵着走。5.3 供应商协作模式决定量产后的运气最后一条经验关于合作本身。芯片指标再好联调时找不到人照样出不了货。一家好的AI芯片团队应该能提供不止芯片还有开发板、参考驱动、典型模型的功耗报告和现场支持。门锁厂商多数主攻结构、电机、云端和AppAI芯片对他们来说是个新物种如果供应商只在卖芯片时出现后面对接模型升级、功耗调参会非常痛苦。另外建议把验收流程分段先验唤醒成功率和识别时延再验全链路电流曲线最后做高低温环境下的漏电流测试。不要一次性丢一个大目标更容易排查问题。可重构芯片因为可配置性更强有时候同一颗芯片在不同温度下的漏电特性也有差异这些细节需要原厂和方案商一起担责任。回头聊起这个项目那位负责人有句话我印象很深“可重构带来的不是多卖几颗芯片而是让终端厂商敢把更多AI功能往下压敢在边缘侧尝试以前只能跑在云端的想法。”智能门锁只是被验证的第一个场景后面还有更多小功耗设备会沿这条路线走。对我个人来说这次交流最大的收获是把“可重构”从一个PPT概念变成了一笔笔能耗账和一个又一个工程坑。希望这篇整理也能帮你在选型会议上有底气地问出下一句“这套架构能跑我的模型吗”