过去几年，人工智能的发展几乎被云端算力主导。大模型训练依赖GPU集群，数据中心成为AI创新的核心舞台。但当AI真正走向现实世界——进入汽车、工厂、机器人和各种智能终端时，另一个问题开始浮现：AI不仅要“算得出来”，更要“及时做出判断”。
一辆自动驾驶汽车面对突然出现的障碍物，一台工业机器人需要根据视觉反馈调整动作，一套智能检测设备需要在流水线上实时判断产品缺陷。这些场景并不关心服务器有多少万亿次算力，它们更关注的是：延迟能不能再低一点？功耗能不能再少一点？数据能不能在现场完成处理？
这也是嵌入式视觉AI快速发展的原因。而在这条从“AI算法”走向“智能设备”的产业链中，FPGA正在扮演越来越重要的角色。
瑞苏盈科（Enclustra）基于 Mercury+ XU7 FPGA/SoC模块 和 Mercury+ ST1基板 打造的一套视觉AI应用演示，正是FPGA赋能边缘智能的一个典型案例。
图源：AI生图
AI视觉进入边缘时代，硬件架构正在重新洗牌
视觉AI的本质，是让机器具备类似人类视觉系统的能力。摄像头负责采集信息，AI模型负责识别和判断，最终系统需要根据结果做出实时动作。听起来简单，但实际工程落地远比训练一个模型复杂。
一段高清视频流，每秒会产生大量数据。如果所有数据都上传云端处理，不仅带宽压力巨大，还会引入不可控的网络延迟。因此，越来越多应用开始将AI推理能力部署到设备端，也就是所谓的边缘AI（Edge AI）。
但边缘环境有自己的限制：
- 设备体积有限；
- 功耗预算严格；
- 计算资源不像数据中心那么充裕；
- 还需要连接多个传感器和外围设备。
这意味着，边缘AI需要的不是单纯堆算力，而是一种更加贴近应用需求的计算架构。
为什么FPGA成为视觉AI的重要选择？
在传统计算架构中，CPU、GPU和ASIC各有优势，但也存在明显局限。CPU擅长通用计算，却不适合大量并行的视频流处理；GPU拥有强大的并行能力，但功耗较高，并且在实时响应方面存在一定挑战；ASIC可以做到极致性能和能效，但面对快速变化的AI算法，灵活性不足。FPGA则提供了一条不同路径，最大的特点是：既拥有硬件加速能力，又保留软件定义的灵活性。对于视觉AI应用来说，这种特性非常关键。
首先，FPGA可以实现高度并行的数据处理。传统处理器通常需要按照指令顺序执行任务，而FPGA可以通过可编程逻辑构建专用的数据处理流水线。例如，在视觉应用中，图像预处理、特征提取、AI推理和数据输出可以并行执行，大幅减少等待时间。
其次，FPGA能够实现确定性的低延迟。在自动驾驶、工业机器人等领域，“快”只是一个方面，更重要的是每一次响应都要稳定可预测。FPGA直接在硬件层实现算法路径，可以减少操作系统调度、数据搬运等带来的额外延迟。
此外，FPGA天然适合多传感器融合。未来智能设备不会只有一个摄像头，汽车需要融合摄像头、雷达、激光雷达数据；工业设备需要同时处理视觉、位置、压力等多种传感器信息。FPGA丰富的高速接口和可定制逻辑，可以直接完成数据接入、协议转换和预处理，让系统架构更加简洁。
Enclustra Mercury+ XU7：让FPGA真正参与AI视觉计算
理解FPGA优势之后，再来看瑞苏盈科（Enclustra）这套视觉AI方案。
该方案核心硬件由：
- Enclustra Mercury+ XU7 FPGA/SoC模块
- Enclustra Mercury+ ST1基板
组成。
基于 Enclustra FPGA/SoC 平台（Mercury+ XU7 模块 + Mercury+ ST1 基板）的视觉 AI 应用演示
其中，Mercury+ XU7是一款面向高性能嵌入式应用设计的FPGA/SoC模块，将处理系统与可编程逻辑资源结合，为AI推理、图像处理、高速数据采集等应用提供硬件基础。而Mercury+ ST1基板则为系统提供了完整的开发环境，包括外围接口扩展、电源管理以及与外部设备连接的能力。两者结合，使开发者能够快速搭建一套面向实际应用的视觉AI平台。
相比单纯展示一个AI模型运行，这套方案更关注完整系统链路：图像输入 → FPGA硬件加速 → AI模型推理 → 结果输出
这也是工业应用真正需要的流程。
YOLOv3+车辆颜色检测：一次完整的视觉AI流程实践
为了展示FPGA在视觉AI中的能力，瑞苏盈科（Enclustra）设计服务团队在该平台上实现了一套完整视觉应用。
两个 AI 模型按顺序运行：基于 YOLOv3 的图像分类和汽车颜色检测
方案中集成了两个AI模型：
一个是基于YOLOv3的目标识别模型；
另一个是汽车颜色检测模型。
两个模型按照实际应用逻辑串联运行。
首先，系统通过视觉输入获取图像数据，YOLOv3模型负责识别图像中的目标车辆；随后，颜色检测模型进一步分析车辆属性，实现更细粒度的信息提取。
这实际上模拟了真实智能系统中的典型工作流程：机器不仅需要“看到”目标，还需要进一步理解目标。例如，在智能交通系统中，车辆类别、颜色、位置等信息结合起来，才能形成更有价值的数据。
而在这个过程中，FPGA承担的不只是AI推理任务，而是整个视觉计算链路中的加速角色。
Vitis AI：连接AI模型与FPGA硬件的桥梁
对于很多工程师来说，FPGA最大的挑战并不是性能，而是开发复杂度。
如何把训练好的AI模型高效部署到FPGA上？
如何合理利用芯片资源？
如何平衡性能、功耗和开发周期？
这也是AMD Vitis AI工具链发挥作用的地方。
瑞苏盈科（Enclustra）方案采用AMD Vitis AI工具链，将AI模型转换为适合FPGA/SoC架构运行的实现方式，并对硬件资源进行优化。
这一步非常关键。因为AI模型在服务器GPU上运行良好，并不代表直接搬到嵌入式设备就能达到理想效果。FPGA部署需要结合硬件结构，对计算资源、存储访问、数据流进行重新优化。
换句话说：AI算法决定“要做什么”，FPGA架构决定“如何高效完成”。两者结合，才能让视觉AI真正进入实际应用。
FPGA的价值，不只是替代GPU
谈到AI计算，很多人习惯比较GPU和FPGA，但实际上，两者并不是简单的替代关系。GPU依然是云端训练和大规模推理的重要力量，而FPGA的优势更多体现在：
- 实时性要求高；
- 功耗敏感；
- 数据需要本地处理；
- 算法需要长期迭代；
- 多传感器融合复杂。
这些正是未来智能设备大量存在的场景。
随着自动驾驶、机器人、工业智能化的发展，AI正在从数据中心走向物理世界。而进入物理世界之后，硬件需要面对的不再只是算力问题，而是效率、可靠性和适应性。这也是FPGA重新受到关注的根本原因。
写在最后：AI真正落地，需要更懂场景的计算平台
未来几年，AI竞争不会只发生在模型层面。谁能够让AI更低成本、更低功耗、更实时地运行在真实环境中，谁才能真正推动智能化产业落地。
瑞苏盈科（Enclustra）基于Mercury+ XU7 FPGA/SoC模块和Mercury+ ST1基板打造的视觉AI演示，展示了一条清晰路径：利用FPGA的并行计算能力、低延迟特性和灵活架构，让AI从实验室模型走向实际设备。
当FPGA开始“看懂”世界，它承担的不只是计算任务，而是在连接算法与现实之间，搭建一座关键桥梁。
文章来源：瑞苏盈科
