边缘 AI 设计的隐藏挑战：为何峰值 NPU TOPS 不是关键
边缘 AI 设计的真正瓶颈不在峰值 NPU TOPS，而在内存带宽、延迟、功耗预算、安全与数据搬运。芯片设计周期比搭载它的产品上市早一年以上，模型与工作负载却持续演进，迫使架构师转向异构计算、可编程数据通路、可扩展内存与软硬件协同设计。
#芯片/算力
#芯片/算力
今日 3 条Semiconductor EngineeringAI 评分3131 Semiconductor EngineeringAI 评分2222 如何将边缘 AI 数据转化为实时行动
边缘 AI 正从数据中心走向消费、工业、汽车和医疗设备，在本地完成推理以降低延迟并改善安全与隐私。Siemens EDA 的 Sathish Balasubramanian 指出，手表 ECG 监测、锅炉压力控制单元、汽车 lidar 与摄像头、手术机器人手臂都属于边缘设备。
Semiconductor EngineeringAI 评分3535 为什么 LLM 是芯片设计领域发生的最好的事
芯片设计瓶颈已从逻辑综合与布局布线转移到功能验证，验证如今占芯片开发工作量的 60–70%。定制 ASIC 的工程投入估计超过 1000 个工程月，且从设计到流片至少需要两年。LLM 被视为缓解这一人力密集环节的关键技术。
EE TimesAI 评分1515 西门子 EDA：如何把 EDA 数据转化为可信行动，实现 Manufacturing Intelligence
西门子 EDA 技术与战略顾问 Dr. Jim Shiely 提出 Manufacturing Intelligence，主张将物理理解与制造观测系统性转化为可信的制造干预，而非停留在生成更多仿真与量测数据。