从云到边缘，再到物理世界：Microchip重构AI落地路径

过去两年，人工智能的叙事几乎被数据中心所主导。超大规模算力集群、千亿参数模型、以及不断攀升的功耗曲线，构成了这一轮AI浪潮的主舞台。

但在云端之外，另一条同样重要的技术路径正在逐渐清晰——AI正从集中式计算，走向分布式部署，从数据中心下沉到边缘设备，最终进入真实世界的各类物理系统之中。

AI不光是依赖云端的极致算力，同时也需要在本地完成低时延推理或者与云端进行分布协同。这已经成为了一个关于性能、功耗、成本、连接与安全的复杂工程权衡。

在近日的一次交流中，Microchip边缘AI业务部资深顾问级市场营销经理Dean Leo系统性地阐述了其对这一问题的理解。从PCIe Gen6交换芯片到以太网连接，再到存储与FPGA业务，以及边缘AI推理和物理AI，这家老牌半导体厂商正在全方位参与到AI竞赛中。

EEWORLD:在Microchip的覆盖AI应用中，涵盖了边缘和云端两方面，您如何看待这两方面发展的协同？

从计算性能、内存限制、网络连接的可靠性，到功耗、数据隐私、方案体积和成本，云端 AI 和边缘 AI 各有各的优势——客户在实际选择时，本质上就是在做取舍。云端依然非常适合用来做计算量巨大的模型训练和更新，而且在追求极致性能的应用中，云端依旧是主角。当然，也不是所有应用场景下，云端都能随时随地用得上。这几年，随着数据中心建设和 AI 技术飞速发展，云端 AI 在新闻和公众视野中确实占据了绝对的“C位”。但另一方面，边缘 AI 的价值也非常清晰——它让 AI 推理可以在本地即时完成，不需要等云、不依赖网络。边缘 AI 的好处在于“刚刚好”。你可以针对具体应用，把性能、内存、连接方式、功耗、安全性、尺寸和成本都做到精准匹配。就像以往的技术演进一样，AI 推理的能力会随着时间推移，从网络核心一步步下沉到终端设备上。最终，每个应用都会找到最适合自己的组合——到底哪些事情放在云端做，哪些事情在边缘完成，怎么搭配效率最高。你有没有想过，10 年之后，你的手机里会有多强的 AI 能力？Microchip 在云端 AI 和边缘 AI 两个方向上都有很强的布局，所以我们的目标其实很简单：就是帮助客户为他们的应用，找到最合适的云端与边缘相结合的混合 AI 架构。

EEWORLD:如何看待2026年AI数据中心的发展及需求？Microchip做了哪些准备。

到 2026 年，AI 数据中心的整体格局主要由两件事驱动：算力需求持续飙升，以及随之而来的功耗压力。大型云服务商的巨额投入正在推动大量新数据中心的建设，而每一个新站点往往都需要数吉瓦级的电力供应，同时还必须配套高密度的液冷系统。这也为 Microchip 在模拟领域带来了不少机会，比如用于高效发电和电源管理的高功率解决方案、精确的流量测量，以及安全相关的应用——包括冷却液泄漏检测和带有热失控检测功能的电池管理。在数字领域，Microchip 同样有非常丰富的机会，尤其是在网络和连接方面。我们拥有非常完整的产品组合，包括工业以太网交换机、物理层芯片和 SPE 器件，同时还推出了行业内首款 3 nm PCIe® Gen 6 交换芯片。在存储方面，Microchip 提供覆盖全面的 NVMe®、RAID 以及各类存储控制器，能够支持多种不同类型的存储设备。此外，我们还提供 METADX2 800 GbE 物理层芯片，支持重定时（retiming），以及一整套网络时间同步解决方案，比如虚拟主参考时间时钟（vPRTC）、NTP 服务器、PTP 主时钟（Grandmaster）和原子钟。这些解决方案您都可以在 Microchip 的官网上看到：

https://www.microchip.com/en-us/solutions/data-centers-and-computing 

EEWORLD:Microchip的处理器种类众多，内核也众多，如何协调好产品组合规划及发展？

Microchip 持续在我们的核心领域进行创新，包括单片机、微处理器、数字信号控制器、无线单片机、嵌入式控制器、FPGA 以及 FPGA SoC。每一类计算产品都有它最合适的应用场景和市场，关键在于具体的使用需求决定了哪一种器件最合适。我们通过深入的市场分析、与客户的持续沟通，以及全面的竞争分析，来制定各个产品线正确的发展路线图，目标是在保证效率和盈利能力的前提下，尽可能覆盖最多的客户需求。说到底，一切都离不开平衡。任何一家成功的公司，都会把市场机会和自身能力对齐，把资源重点投入到那些最能推动能力提升、营收增长和利润增长的方向上。我们也一直在挑战自己，努力做到这一点，而且要做到行业里最好，就必须对自己、也对市场都有非常清醒、深入的认知。

EEWORLD:AI 的落地并不完全依赖于硬件。除了芯片本身的优势外，Microchip 准备了哪些具体的软件或机器学习框架来支持 AI 开发者？

我们的 MPLAB® X IDE 机器学习开发套件插件，是开发者开始拓展 AI 能力的一个非常理想的起点。从 AI 数据采集、数据标注，到机器学习模型的选择、构建、训练、测试，再到最终部署到目标器件，整个流程都可以在这一套工具中完成。同时，我们也支持“自带模型”的开发流程。开发者可以先在行业主流的平台上完成模型开发，然后以 LiteRT（原 TensorFlow Lite）格式，将模型导入到 MPLAB X IDE 中，用于单片机、数字信号控制器以及微处理器的开发（裸机实现）。如果您是 FPGA 或 FPGA SoC 开发者，可以使用 VectorBlox™ 工具套件，对在主流平台上训练好的模型进行优化，并将其导入到 Libero® IDE 中。展望未来，Microchip 在软件开发工具上的规划和投入，与我们在 AI 优化硬件上的投入同样多。开发者还可以通过我们官方提供的 MPLAB Extensions for VS Code，在非常流行的 VS Code® 编辑器中，直接访问并使用完整的 Microchip 工具链。我们一直强调，硬件和软件必须紧密配合，客户才能按时交付一个成功的设计。如今，在选择产品硬件平台时，软件开发人员的影响力已经和硬件设计工程师不相上下。而在边缘 AI 应用中，这一点体现得尤为明显。更多面向边缘 AI 的解决方案，可以在 Microchip 官网查看：

https://www.microchip.com/en-us/solutions/technologies/machine-learning 

EEWORLD:生成式 AI 和边缘计算正在改变芯片架构。Microchip 认为这一趋势更多是挑战还是机遇？它将如何影响你们未来的产品规划？

两方面都有。每一代新芯片的设计本身就是一项挑战，但边缘 AI 带来的机会同样非常大。生成式 AI 正在开始从数据中心，逐步向边缘设备转移，比如工业和消费类的 IoT 节点、智能手机以及汽车。推动这一趋势的原因很清楚：需要更低的时延、更可靠地连接到 AI 推理引擎、更好的数据隐私保护，同时还能降低对云端带宽的依赖和成本。要实现这一点，就必须通过模型优化，把模型规模缩小到边缘节点设备能够接受的程度，同时仍然保持满足应用要求的准确率。这些优化手段包括量化、剪枝，以及模型配对等技术。在一些边缘 AI 应用中，确实需要在硬件中加入神经网络处理单元（NPU）来进行加速；但也有不少应用，其实可以通过纯软件方式，在一些已经存在多年、成本很低的器件上实现。因此，未来的产品路线图必须同时覆盖这两种边缘 AI 方向，才能真正覆盖和打动最多的客户。我们也会沿着这两个方向持续推进。

EEWORLD:如今最火的主题莫过于物理AI，Microchip如何理解并迎接物理AI时代的？  

实体 AI 是当下边缘 AI 领域中最令人兴奋的方向，因为这是人工智能以最直观、最可感知的方式呈现在用户面前的形态。由 AI 技术驱动的机器人、无人机和自动驾驶车辆，在未来二十年里将会在生活的各个方面快速普及——无论是家庭、工作、购物、出行还是教育，几乎无处不在。Microchip 长期深耕机器人领域，多年来持续为这一市场的客户提供支持，产品覆盖 FPGA、FPGA SoC、微处理器、单片机、数字信号控制器、无线模块，以及以太网、EtherCAT®、SPE、PCIe®、USB、时钟与定时器件、安全芯片、存储器、信号链和电源管理芯片。在计算平台方面，我们提供多款具备功能安全就绪特性的产品，并配套 FMEDA 报告、功能安全诊断代码、安全手册、经过认证的编译器，以及来自现场专家的技术支持，帮助您更高效地满足功能安全相关要求。在器件安全方面，我们同样具备成熟而完整的能力，采用以硬件为基础的“安全即设计”理念。这些安全能力既可以直接集成在单片机、微处理器和 FPGA 等产品中，也可以通过独立的、防篡改、可配置的伴随芯片来实现，这类芯片通常被称为安全元件，用于保护加密密钥并实现安全的设备身份认证。如果您正在寻找一位能够真正落地实体 AI 的合作伙伴，那么不妨选择 Microchip。我们拥有实现实体 AI 所需的完整技术组合，以及经验丰富的专家团队，能够在今天就支持您的产品设计。