<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>边缘AI &#8211; mylogs.cn</title>
	<atom:link href="https://mylogs.cn/tag/%E8%BE%B9%E7%BC%98ai/feed/" rel="self" type="application/rss+xml" />
	<link>https://mylogs.cn</link>
	<description>发现、记录、分享</description>
	<lastBuildDate>Wed, 21 Oct 2026 00:28:16 +0000</lastBuildDate>
	<language>zh-Hans</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>三星 8 纳米再进化：性能升 12%、功耗降 15%</title>
		<link>https://mylogs.cn/%e4%b8%89%e6%98%9f-8-%e7%ba%b3%e7%b1%b3%e5%86%8d%e8%bf%9b%e5%8c%96%ef%bc%9a%e6%80%a7%e8%83%bd%e5%8d%87-12%e3%80%81%e5%8a%9f%e8%80%97%e9%99%8d-15/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Wed, 21 Oct 2026 00:28:16 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[8纳米]]></category>
		<category><![CDATA[三星]]></category>
		<category><![CDATA[成熟制程]]></category>
		<category><![CDATA[晶圆代工]]></category>
		<category><![CDATA[芯片]]></category>
		<category><![CDATA[边缘AI]]></category>
		<guid isPermaLink="false">https://mylogs.cn/%e4%b8%89%e6%98%9f-8-%e7%ba%b3%e7%b1%b3%e5%86%8d%e8%bf%9b%e5%8c%96%ef%bc%9a%e6%80%a7%e8%83%bd%e5%8d%87-12%e3%80%81%e5%8a%9f%e8%80%97%e9%99%8d-15/</guid>

					<description><![CDATA[在先进制程军备竞赛愈演愈烈的同时，成熟制程依然是芯片产业的利润基本盘。科技媒体 gurufocus 于 10  [&#8230;]]]></description>
										<content:encoded><![CDATA[<p class="wp-block-paragraph">在先进制程军备竞赛愈演愈烈的同时，成熟制程依然是芯片产业的利润基本盘。科技媒体 gurufocus 于 10 月 20 日发布博文称，三星晶圆代工部门将扩展其 8 纳米工艺技术，推出第二代 8LPU+ 平台。相较上一代 8LPU，新平台性能提升 12%、功耗降低 15%、芯片面积缩小 8%，并通过 ULL-SRAM 与 cHVT 器件降低待机漏电。</p>
<h2 class="wp-block-heading">&#8220;无 EUV&#8221;路线，继续吃透 DUV 产线</h2>
<p class="wp-block-paragraph">与最先进制程普遍依赖极紫外（EUV）光刻不同，8LPU+ 明确采用&#8221;无 EUV&#8221;路线，继续利用现有的深紫外（DUV）产线。这一选择的直接好处是，三星可以避免高昂的 EUV 设备投入，在成熟制程上争取更低成本、更快量产的竞争力。对于并不追求极致晶体管密度的应用场景，用成熟且可控的工艺做迭代，往往是更经济的商业决策。</p>
<h2 class="wp-block-heading">面向边缘 AI、机器人与汽车芯片</h2>
<p class="wp-block-paragraph">三星计划于太平洋标准时间 12 月 14 日下午 4:20 至 4:45（北京时间 12 月 15 日上午 8:20 至 8:45），在 IEDM 2026 活动上公开演讲，披露更多技术细节。据三星提交给 IEDM 2026 的技术摘要，该平台主要面向边缘人工智能、机器人和汽车芯片——这些领域对成本、功耗和可靠性高度敏感，恰恰是成熟制程最能发挥价值的阵地。</p>
<h2 class="wp-block-heading">细节上的面积与集成优化</h2>
<p class="wp-block-paragraph">在集成度方面，8LPU+ 集成了原生 3.3V 平面 I/O 器件，可额外减少约 10% 的 I/O 面积。其汽车级 1 级（AG1）eMRAM 位单元面积约为 0.017 平方微米，相当于每平方毫米约 20Mb 的存储容量。这些数据指向同一个目标：在不追逐最尖端节点的前提下，通过架构与器件层面的微调，把成熟工艺的性价比推向更高水平。</p>
<figure data-wp-context="{&quot;imageId&quot;:&quot;6af9de806727d&quot;}" data-wp-interactive="core/image" data-wp-key="6af9de806727d" class="wp-block-image wp-lightbox-container"><img decoding="async" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/10/inline_074b924a8605efac9052eeacd289a800_0.webp" alt="三星 8 纳米工艺平台示意" title="图片来源：IT之家" style="max-width:100%;height:auto;"/><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button></figure>
<h2 class="wp-block-heading">成熟制程的价值正在被重估</h2>
<p class="wp-block-paragraph">近年来，全行业的注意力几乎都被 3 纳米、2 纳米等先进节点吸走，但现实需求中，大量芯片并不需要在最小尺寸上内卷。边缘 AI 设备、工业控制、车载电子等产品，更看重功耗、可靠性与可负担的量产成本。三星用第二代 8LPU+ 给出一种思路：在既有产线上做深度优化，同样能实现两位数级别的性能与能效进步。</p>
<p class="wp-block-paragraph">在 EUV 产能和资本开支高度集中、先进制程供不应求的当下，谁能把成熟节点&#8221;再活一届&#8221;并做出差异化，谁就能在汽车与边缘计算这一波需求中占据更有利的位置。三星的 8LPU+，正是这种策略的具体落子。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>ADI 90 亿现金拿下 Alif：AI 芯片战火烧向边缘端</title>
		<link>https://mylogs.cn/adi-90-%e4%ba%bf%e7%8e%b0%e9%87%91%e6%8b%bf%e4%b8%8b-alif%ef%bc%9aai-%e8%8a%af%e7%89%87%e6%88%98%e7%81%ab%e7%83%a7%e5%90%91%e8%be%b9%e7%bc%98%e7%ab%af/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Thu, 10 Sep 2026 14:17:49 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[ADI]]></category>
		<category><![CDATA[Alif]]></category>
		<category><![CDATA[MCU]]></category>
		<category><![CDATA[并购]]></category>
		<category><![CDATA[物理智能]]></category>
		<category><![CDATA[芯片]]></category>
		<category><![CDATA[边缘AI]]></category>
		<guid isPermaLink="false">https://mylogs.cn/adi-90-%e4%ba%bf%e7%8e%b0%e9%87%91%e6%8b%bf%e4%b8%8b-alif%ef%bc%9aai-%e8%8a%af%e7%89%87%e6%88%98%e7%81%ab%e7%83%a7%e5%90%91%e8%be%b9%e7%bc%98%e7%ab%af/</guid>

					<description><![CDATA[模拟芯片大厂 Analog Devices（ADI，亚德诺）美国当地时间 9 月 9 日宣布，已就以 13.5 [&#8230;]]]></description>
										<content:encoded><![CDATA[<p class="wp-block-paragraph">模拟芯片大厂 Analog Devices（ADI，亚德诺）美国当地时间 9 月 9 日宣布，已就以 13.5 亿美元（现汇率约合 90.79 亿元人民币）现金收购智能微控制器企业 Alif Semiconductor 达成最终协议。</p>
<p class="wp-block-paragraph">这笔交易已获双方董事会批准。除 13.5 亿美元的前期现金对价外，ADI 还可能向 Alif 股东支付最高 2 亿美元（现汇率约合 13.45 亿元人民币）的额外或有对价，潜在总对价最高达 15.5 亿美元。交易预计将在 2026 年年底前完成，尚需满足惯常交割条件，并等待美国《哈特-斯科特-罗迪诺反垄断改进法》规定的审查期届满。</p>
<figure data-wp-context="{&quot;imageId&quot;:&quot;6af9de8067f88&quot;}" data-wp-interactive="core/image" data-wp-key="6af9de8067f88" class="wp-block-image size-large wp-lightbox-container"><img decoding="async" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/09/r21_02_header.webp" alt="ADI 宣布以 13.5 亿美元现金收购 Alif Semiconductor" /><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption class="wp-element-caption">图片来源：IT之家</figcaption></figure>
<h2 class="wp-block-heading">被收购方：主打 AI 原生 MCU 与融合处理器</h2>
<p class="wp-block-paragraph">Alif Semiconductor 总部位于美国加利福尼亚州普莱森顿，主打产品为高能效的 AI 原生微控制器（MCU）以及融合处理器。其芯片采用异构计算架构，把中央处理器、神经网络处理单元、图形加速、安全功能、连接能力和电源管理集成在同一平台上，可在设备本地执行实时传感器融合与低延迟 AI 推理。</p>
<p class="wp-block-paragraph">据官方信息，Alif 的芯片已经量产出货，并在消费电子和工业客户中取得设计导入。不过两家公司尚未披露 Alif 的收入、盈利水平及主要客户名单。</p>
<h2 class="wp-block-heading">为什么买：补齐数字处理这块短板</h2>
<p class="wp-block-paragraph">ADI 长期深耕传感、信号处理、电源管理和连接技术，但在数字处理与端侧 AI 计算环节存在空白。收购完成后，ADI 可以把自身负责采集和处理物理信号的模拟器件，与 Alif 的数字计算平台结合，为客户提供从感知、分析到本地控制的完整系统级方案。</p>
<p class="wp-block-paragraph">ADI 首席执行官兼董事长 Vincent Roche 表示：&#8221;<a href="https://mylogs.cn/chatgpt-pro-%e9%87%8d%e5%bc%80-200-%e7%be%8e%e5%85%83%e6%a1%a3%ef%bc%9aapi-%e4%bb%b7%e5%80%bc%e8%bf%91%e7%bf%bb%e5%80%8d/"><a href="https://mylogs.cn/%e8%85%be%e8%ae%af%e5%86%85%e6%b5%8b-ai-%e6%b8%b8%e6%88%8f%e6%90%ad%e5%ad%90%e9%b9%85%e6%ac%a1%e5%85%83%ef%bc%9a%e6%95%b0%e5%ad%97%e4%ba%ba%e9%99%aa%e4%bd%a0%e5%bc%80%e9%bb%91/">人工智能</a></a>正从<a href="https://mylogs.cn/ai-%e6%99%ba%e8%83%bd%e4%bd%93%e5%bc%95%e7%88%86%e9%9c%80%e6%b1%82%ef%bc%9a%e6%9c%8d%e5%8a%a1%e5%99%a8-cpu-%e4%ba%a4%e4%bb%98%e8%a6%81%e7%ad%89-30-%e5%91%a8/">数据中心</a>走向物理世界，在物理世界中，延迟、功耗和信任都至关重要，不容妥协。ADI 数十年来一直精于此领域，在微妙的电物理接口方面，将现实世界的信号转化为可执行的智能。&#8221;</p>
<p class="wp-block-paragraph">他进一步称，把 Alif 的数字处理能力与 ADI 在多模态传感、信号处理、电源、连接和软件方面的优势结合，可以帮助客户创建全新的安全智能系统，这些系统能够在本地实时感知、推理和行动。&#8221;这是人工智能的下一个前沿领域：具身化和确定性。这就是物理智能的实际应用。&#8221;</p>
<p class="wp-block-paragraph">Alif 联合创始人兼总裁 Reza Kazerounian 则表示，Alif 创立的初衷就是重新想象 AI 时代的微控制器应该是什么样子，从一开始便设计了异构架构，把低功耗神经网络处理与连接、安全、智能电源管理整合在一起。他认为，结合 ADI 在物理领域的深厚专长和广泛的模拟系统能力，双方可以把解决方案推向更广阔的未来。</p>
<h2 class="wp-block-heading">市场盘子：从工业延伸至机器人、数字医疗</h2>
<p class="wp-block-paragraph">从市场角度看，这笔收购将扩大 ADI 的总可寻址市场。除传统的工业与汽车领域外，数据中心基础设施、国防、能源、机器人、数字医疗以及<a href="https://mylogs.cn/%e5%8d%8e%e4%b8%ba-watch-gt-6-%e6%8e%a8%e9%b8%bf%e8%92%99-7-%e5%85%ac%e6%b5%8b%ef%bc%9a%e5%85%89%e7%a9%b9%e8%a1%a8%e7%9b%98%e9%a2%86%e8%a1%94-12-%e9%a1%b9%e6%96%b0%e7%89%b9%e6%80%a7/">可穿戴设备</a>，都将成为双方协同发力的方向。</p>
<p class="wp-block-paragraph">值得注意的是，这已是 ADI 在 2026 年内的第二笔 AI 相关重大并购。今年 5 月，ADI 宣布以 15 亿美元收购电源管理芯片公司 Empower Semiconductor，目的是解决 AI 数据中心的供电瓶颈。两笔交易合计近 30 亿美元，勾勒出 ADI 围绕 AI 算力基础设施的全链条布局。</p>
<p class="wp-block-paragraph">财务层面，ADI 具备充足的并购底气。官方信息显示，公司最近一个财年营收已突破 110 亿美元，13.5 亿美元的现金支出大体相当于其一个季度的净利润规模。本次交易中，PJT Partners 担任 ADI 的财务顾问，Wachtell, Lipton, Rosen &amp; Katz 担任其法律顾问；Qatalyst Partners 与 DLA Piper 分别为 Alif 提供财务和法律顾问服务。</p>
<p class="wp-block-paragraph">交易能否形成预期协同，还将取决于产品整合、客户导入以及关键研发人员的留任情况。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>新型 GCRAM 存储器流片：面积砍 40%、功耗降 60%</title>
		<link>https://mylogs.cn/%e6%96%b0%e5%9e%8b-gcram-%e5%ad%98%e5%82%a8%e5%99%a8%e6%b5%81%e7%89%87%ef%bc%9a%e9%9d%a2%e7%a7%af%e7%a0%8d-40%e3%80%81%e5%8a%9f%e8%80%97%e9%99%8d-60/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Thu, 03 Sep 2026 01:04:04 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[FD-SOI]]></category>
		<category><![CDATA[GCRAM]]></category>
		<category><![CDATA[RAAAM]]></category>
		<category><![CDATA[格芯]]></category>
		<category><![CDATA[片上存储器]]></category>
		<category><![CDATA[边缘AI]]></category>
		<guid isPermaLink="false">https://mylogs.cn/%e6%96%b0%e5%9e%8b-gcram-%e5%ad%98%e5%82%a8%e5%99%a8%e6%b5%81%e7%89%87%ef%bc%9a%e9%9d%a2%e7%a7%af%e7%a0%8d-40%e3%80%81%e5%8a%9f%e8%80%97%e9%99%8d-60/</guid>

					<description><![CDATA[全球晶圆代工厂格芯（GlobalFoundries，纳斯达克代码 GFS）与无晶圆半导体 IP 公司 RAAA [&#8230;]]]></description>
										<content:encoded><![CDATA[<p class="wp-block-paragraph">全球晶圆代工厂格芯（GlobalFoundries，纳斯达克代码 GFS）与无晶圆<a href="https://mylogs.cn/%e5%8f%b0%e7%a7%af%e7%94%b5-2nm-%e5%b9%b4%e5%ba%95%e6%9c%88%e4%ba%a7%e8%83%bd%e5%86%b2-12-%e4%b8%87%e7%89%87%ef%bc%8c%e6%8f%90%e5%89%8d%e4%b8%a4%e5%b9%b4%e8%be%be%e6%a0%87/">半导体</a> IP 公司 RAAAM Memory Technologies 于 2026 年 9 月 2 日宣布达成战略合作，共同开发并验证增益单元随机存取存储器（GCRAM）技术。双方已在格芯业界领先的 FDX FD‑SOI 平台上成功完成 GCRAM 测试芯片的流片，为先进 AI 芯片提供更省面积、更省电的片上存储器方案。</p>

<h2 class="wp-block-heading">为什么要重做片上存储器</h2>

<p class="wp-block-paragraph">随着边缘 AI、汽车与物联网设备对数据量的需求持续攀升，片上存储器已成为芯片设计的关键瓶颈，往往占据了硅片面积的大部分。设计者一直在寻找比传统 SRAM 密度更高、功耗更低的片上存储方案。借助 RAAAM 的专利 GCRAM 技术，双方在 FDX 工艺上采用高密度设计规则共同设计存储单元，相比 SRAM 实现存储器面积缩小 40%、功耗最高降低 60%。</p>

<h2 class="wp-block-heading">关键技术指标与路线</h2>

<p class="wp-block-paragraph">格芯与 RAAAM 已联合设计并流片一款 GCRAM 测试芯片。下一步，双方计划于 2027 年初向主要客户提供 GCRAM 设计访问权限。RAAAM 方面称，GCRAM 可作为系统级芯片（SoC）中 SRAM 的&#8221;即插即用&#8221;替代方案，并完全兼容标准 CMOS 制造流程，相比传统 SRAM 硅片面积最高可减少 50%、功耗最高可降至约三分之一。</p>

<figure data-wp-context="{&quot;imageId&quot;:&quot;6af9de8068edb&quot;}" data-wp-interactive="core/image" data-wp-key="6af9de8068edb" class="wp-block-image size-large wp-lightbox-container"><img fetchpriority="high" decoding="async" width="1280" height="848" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/09/inline_1788397437019.webp" alt="GCRAM 片上存储器概念示意图" class="wp-image-5993" srcset="https://mylogs.cn/wp-content/uploads/2026/09/inline_1788397437019.webp 1280w, https://mylogs.cn/wp-content/uploads/2026/09/inline_1788397437019-300x199.webp 300w, https://mylogs.cn/wp-content/uploads/2026/09/inline_1788397437019-1024x678.webp 1024w, https://mylogs.cn/wp-content/uploads/2026/09/inline_1788397437019-768x509.webp 768w" sizes="(max-width: 1280px) 100vw, 1280px" /><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption>示意图（AI 生成）</figcaption></figure>

<h2 class="wp-block-heading">产业方的评价</h2>

<p class="wp-block-paragraph">RAAAM 首席执行官兼联合创始人罗伯特·吉特曼（Robert Giterman）表示，GCRAM 测试载体在格芯 FDX 平台上成功流片，证明了双方在存储器创新与制造能力上的协同；FD‑SOI 技术的超低漏电可延长数据保持时间，为边缘 AI 设备释放可观的能耗节省。格芯 FD‑SOI 产品管理副总裁苏迪普托·博斯（Sudipto Bose）称，该方案重新定义了先进 AI 及其他应用的功耗—性能—面积（PPA）平衡。</p>

<p class="wp-block-paragraph">恩智浦半导体（NXP）前端创新副总裁维克托·王（Victor Wang）表示，产业需要一次片上存储器的范式转变，GCRAM 预计带来的面积缩小与功耗降低，为提升片上存储器容量提供了清晰路径，对减少片外数据搬运、提升系统级效率至关重要。恩智浦正密切评估该方案的收益。</p>

<h2 class="wp-block-heading">端侧 AI 催热片上存储</h2>

<p class="wp-block-paragraph">片上存储器是边缘 AI 芯片竞争力的核心环节之一，高带宽、低功耗的<a href="https://mylogs.cn/%e5%ae%9e%e6%b5%8b%e7%99%be%e6%ac%be%e6%91%84%e5%83%8f%e5%a4%b4%e5%90%8e%ef%bc%8c%e5%ae%b6%e5%ba%ad%e5%ae%89%e9%98%b2%e5%88%b0%e5%ba%95%e8%af%a5%e6%80%8e%e4%b9%88%e9%80%89/">本地存储</a>直接决定端侧模型的响应速度与续航。无论海外还是中国内地，面向智能终端与车规芯片的存储器创新都是值得关注的方向，格芯与 RAAAM 的这次流片也折射出端侧 AI 对<a href="https://mylogs.cn/%e9%b8%bf%e8%92%99-7-%e8%b6%85%e7%a9%ba%e9%97%b4%e5%ad%98%e5%82%a8%e6%89%a9%e5%ae%b9%ef%bc%9a1tb-%e6%9c%ba%e5%9e%8b%e6%9c%80%e5%a4%9a%e8%85%be-109gb/">存储技术</a>的倒逼。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>8 美元单片机，从零训出一个 32 万参数模型</title>
		<link>https://mylogs.cn/train-transformer-from-scratch-on-8-dollar-esp32-s3/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Wed, 05 Aug 2026 07:18:19 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[ESP32]]></category>
		<category><![CDATA[Transformer]]></category>
		<category><![CDATA[小模型]]></category>
		<category><![CDATA[嵌入式开发]]></category>
		<category><![CDATA[开源项目]]></category>
		<category><![CDATA[边缘AI]]></category>
		<guid isPermaLink="false">https://mylogs.cn/train-transformer-from-scratch-on-8-dollar-esp32-s3/</guid>

					<description><![CDATA[训练一个模型必须要有显卡或者数据中心，这几乎是行业默认的常识。一个名为 Qapla&#8217; 的开源项目给 [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">训练一个模型必须要有显卡或者<a href="https://mylogs.cn/ai-%e6%99%ba%e8%83%bd%e4%bd%93%e5%bc%95%e7%88%86%e9%9c%80%e6%b1%82%ef%bc%9a%e6%9c%8d%e5%8a%a1%e5%99%a8-cpu-%e4%ba%a4%e4%bb%98%e8%a6%81%e7%ad%89-30-%e5%91%a8/">数据中心</a>，这几乎是行业默认的常识。一个名为 Qapla&#8217; 的开源项目给出了另一种答案：一块八美元的 ESP32-S3 单片机，也能从零训练出一个 Transformer。</p>



<figure data-wp-context="{&quot;imageId&quot;:&quot;6af9de806a7a2&quot;}" data-wp-interactive="core/image" data-wp-key="6af9de806a7a2" class="wp-block-image size-large aligncenter wp-lightbox-container"><img decoding="async" width="1200" height="600" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/08/e75fe424cbe87aba2abb426900b166a3_header.webp" alt="8 美元单片机，从零训出一个 32 万参数模型" class="wp-image-3646" style="max-width:100%;height:auto" srcset="https://mylogs.cn/wp-content/uploads/2026/08/e75fe424cbe87aba2abb426900b166a3_header.webp 1200w, https://mylogs.cn/wp-content/uploads/2026/08/e75fe424cbe87aba2abb426900b166a3_header-300x150.webp 300w, https://mylogs.cn/wp-content/uploads/2026/08/e75fe424cbe87aba2abb426900b166a3_header-1024x512.webp 1024w, https://mylogs.cn/wp-content/uploads/2026/08/e75fe424cbe87aba2abb426900b166a3_header-768x384.webp 768w" sizes="(max-width: 1200px) 100vw, 1200px" /><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption class="wp-element-caption">图片来源：GitHub / Carloscodix/qapla 项目页</figcaption></figure>





<p class="wp-block-paragraph">这里的关键词是「训练」，不是「运行」。前向传播、反向传播、权重更新，整个学习循环全部发生在芯片内部。</p>



<h2 class="wp-block-heading">和以往的边缘 AI 项目差在哪</h2>



<p class="wp-block-paragraph">边缘 AI 并不新鲜。TinyML 在单片机上做推理已有多年，社区把安德烈·卡帕西（Andrej Karpathy）的极简项目 llama2.c 移植到 ESP32 上，跑起了约 26 万参数的 Transformer；最近还有项目在同样八美元的 ESP32-S3 上跑起了将近 2900 万参数的模型。</p>



<p class="wp-block-paragraph">作者指出，这些工作都很出色，但它们有一个共同点——都是推理。模型诞生在别处，在显卡或数据中心上用数据训练好、量化，然后才被装进芯片里运行。用项目作者的比喻说，大脑是在外面煮熟了端上来的。</p>



<p class="wp-block-paragraph">Qapla&#8217; 想回答的是另一个问题：如果模型根本没法在外面诞生，会怎么样？</p>



<p class="wp-block-paragraph">作者举了两个设想中的场景：一个螺栓固定在田间农机上的传感器，需要学习<strong>这一台</strong>机器的正常振动特征——它和世界上任何其他机器都不一样——从而在出故障前发现异常、安排检修；或者一块地里的传感器，学习<strong>这片</strong>土壤如何变干，它的土质、日照和排水情况，在作物受影响之前预测何时需要灌溉。这些场景里，数据在设备装上去之前根本不存在，没有人能预先训练它，芯片只能在原地独自学习。</p>



<h2 class="wp-block-heading">为什么选了克林贡语</h2>



<p class="wp-block-paragraph">手头没有农机可供实验，作者就用唯一现成的对象来测试芯片的真实学习能力：语言。</p>



<p class="wp-block-paragraph">在单片机里训练，规则和数据中心完全不同。ESP32-S3 只有几 MB 的 RAM/PSRAM，而不是几十 GB，这直接锁死了模型规模——量级是几十万参数而非几百万。这么小的模型能学会一门语言的<strong>结构</strong>（构词方式、音位组合规则、部分语法），但学不会整门语言的深层语义，所以任务必须裁到与模型相称。同时，小模型不需要海量文本，需要的是紧凑、干净、结构清晰，并且在版权上没有麻烦的语料。</p>



<p class="wp-block-paragraph">三个约束叠加，问题就变得具体了：哪种语言同时满足这些条件？作者的答案是克林贡语。</p>



<p class="wp-block-paragraph">这个选择工程考量多过极客趣味。克林贡语由语言学家马克·奥克兰（Marc Okrand）在 1984 年创造，是一门有系统音系、语法和形态的人造语言，采用不常见的宾语—动词—主语语序，构词后缀规则严格。也就是说，它有真实的结构可供学习，这正好能证明小模型是真的在学规律，而不是在死记噪声。同时它字母表很小，按字符处理只有约 30 个符号，模型可以做得足够小；社区还有一部开源许可的词典 boQwI&#8217;，语料不涉及版权风险。</p>



<p class="wp-block-paragraph">作者也把丑话说在前面：这不是口袋版 ChatGPT，它不聊天、不答题、不推理，学到的是语言的<strong>形状</strong>而不是意义；它产出的克林贡语在语义上并不完美；它不快，训练要花好几个小时，甚至好几天。</p>



<h2 class="wp-block-heading">一颗芯片里的完整训练循环</h2>



<p class="wp-block-paragraph">在 ESP32-S3 内部完成的步骤包括：权重随机初始化、读取并切分语料、前向传播、交叉熵损失计算、反向传播（导数全部手写）、权重更新（带 0.9 动量的 SGD 加余弦学习率）、把检查点存入 LittleFS 闪存，以及用学到的权重生成文本。芯片之外要做的事：没有。</p>



<p class="wp-block-paragraph">架构本身没有新意，是一个微型但完整的 Transformer：单个模块、单头因果注意力、权重绑定、ReLU 前馈网络和层归一化，按字符工作，词表约 31 个符号，上下文 32 个字符，总计约 319,000 个参数。</p>



<p class="wp-block-paragraph">这里没有 PyTorch，也没有自动求导，前向传播的每一个导数都用 C 显式写出。为确认没写错，每个梯度都与前向传播的中心差分做了对比，最差相对误差为 1.07e-08，而阈值是 1e-4；内核还先用 ESP-IDF 构建并在 QEMU 的 xtensa 模拟环境中跑通，然后才烧进真实硅片。这两项检查都放在仓库的 tests/ 目录里，可以自行复现。</p>



<p class="wp-block-paragraph">作者强调，真正的难点不是参数量，而是内存。31.9 万参数「只」占约 1.3 MB，但训练不只是放下权重：同一时刻内存里还要有等量大小的梯度副本、一份优化器动量、一份最优模型备份，加上反向传播需要的全部中间激活值，再加上语料本身——加起来是芯片 PSRAM 里的好几 MB。这就是推理与训练的本质差别，也是这个项目与其他边缘 AI 项目的分野。</p>



<h2 class="wp-block-heading">跑出来的数字</h2>



<p class="wp-block-paragraph">全部训练在芯片内完成，供电靠一个手机充电器。参数约 319,000 个，词表 31 个字符，上下文 32 个字符，优化器为带动量（0.9）的 SGD 加余弦学习率，共 5000 步，耗时约两天，硬件是 ESP32-S3 N16R8 搭配一块 SH1106 OLED 屏。</p>



<p class="wp-block-paragraph">损失下降过程如屏幕上所显示：第 1495 步批次损失 2.193、移动平均 2.137；第 2549 步为 1.982 与 2.035；第 4905 步为 1.996 与 1.871。作者提醒，真正该看的是移动平均——单个批次的损失取决于抽到哪些句子，波动很大，而平均值在稳步下降。芯片最终收在约 1.87。</p>



<p class="wp-block-paragraph">模型吐出的文本长这样：</p>



<blockquote class="wp-block-quote is-layout-flow wp-block-quote-is-layout-flow">
<p class="wp-block-paragraph">hIngan motlh puS ruq tuq DujDaq SISwI&#8217; nge&#8217;vI&#8217;</p>
</blockquote>



<p class="wp-block-paragraph">&gt;</p>



<blockquote class="wp-block-quote is-layout-flow wp-block-quote-is-layout-flow">
<p class="wp-block-paragraph">vIn SuvwI&#8217; yIvwI&#8217; qarghtaHvIS SIchoH</p>
</blockquote>



<p class="wp-block-paragraph">不算完全通顺的克林贡语，但形态学值得一看：SuvwI&#8217; 意为「战士」，由词根 Suv（战斗）加后缀 -wI&#8217;（做某事的人）构成，是一个构造正确的真实词汇；DujDaq 意为「在船上」，由 Duj（船）加处所后缀 -Daq 构成；qarghtaHvIS 带有复合后缀 -taHvIS（表示「当……时」，持续体加状语），位置分毫不差；hIngan 距离 tlhIngan——也就是「克林贡」这个词本身——只差两个字母。</p>



<p class="wp-block-paragraph">其余一些词构造合规但并不存在。没有人给模型任何规则、语法标签或形态切分，喂进去的只是逐字符的原始文本，它从中捕捉到了足够的规律，把词根和后缀重组成站得住脚的形状。作者也坦承，仅凭两个样本无法判断其中多少是真正的泛化、多少是语料的统计回声，「一个用小语料训练的 31.9 万参数模型，预期就是二者兼有」。</p>



<h2 class="wp-block-heading">想自己试的话</h2>



<p class="wp-block-paragraph">语料 corpus/klingon.txt 已随仓库提供，采用 Apache 2.0 许可，可用 corpus/build_corpus.py 重新生成，克隆下来就能跑。不过作者认为更有意思的实验不是重复他的，而是把这套东西对准自己的文本：用 tools/gen_header.py 把任意文本转成头文件，再用 PlatformIO 执行 pio run -t upload 烧录，然后用 pio device monitor 看着损失实时下降。</p>



<p class="wp-block-paragraph">硬件需要一块带 PSRAM 的 ESP32-S3（型号 N16R8），一块通过 I2C 连接的 SH1106 OLED 屏（可选，但作者说少了它就少了一半乐趣）。芯片从随机权重开始训练，会定期保存训练损失移动平均最低的检查点；中途拔电，上次存档之后学到的东西就没了，跑完再拔，「大脑」还在。</p>



<p class="wp-block-paragraph">需要提醒的是：这真的要花好几个小时，很多个小时，甚至好几天。用作者的话说，这不是 bug，而是重点所在——它慢，但它确实能跑通。</p>



<p class="wp-block-paragraph">项目代码采用 Apache 2.0 许可开源。作者表示，接下来真正有意思的部分，是把这套引擎推到极限，去处理一门有真实使用者、语料远大于克林贡语的真实小语种。</p>



<p class="has-small-font-size wp-block-paragraph">来源：GitHub / Qapla&#8217; 项目主页（经 Hacker News）</p>

]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
