▼點擊下方名片，關注公眾號，獲取更多精彩內容▼
大家好，我是子衡，嵌入式 AI 工程師，《嵌入式AI：讓單片機學會思考》主理人，專注AI在MCU上的落地實踐。
零基礎速通嵌入式AI（加好友免費領取嵌入式AI資料）
我的上一篇文章，嵌入式AI落地避坑指南：用6個步驟找到最適合本地AI的產品場景（建議收藏備用）主要講了大家應該如何判斷自己的應用場景適合做本地AI。下面羅列出來，哪些常營不適合做本地AI？先看最常見的一類誤區(qū)：業(yè)務本身并不要求設備立刻做判斷，卻還是想把模型放到本地。比如一些系統(tǒng)只是每天匯總一次數據，生成日報、周報、趨勢圖，或者做離線統(tǒng)計分析。這類任務的核心不是“馬上出結果”，而是“后面統(tǒng)一分析”。既然動作不著急，就沒有必要把推理過程前移到設備端。放在云端或者后臺系統(tǒng)中處理，通常更省事，也更容易維護。還有一種情況，是輸入數據本身就不連續(xù)。設備不是持續(xù)產生高頻數據，而是隔很久才上報一次狀態(tài)量、計數值或者簡單事件。在這種場景下，本地 AI 最重要的幾個優(yōu)勢基本發(fā)揮不出來。因為本地部署最適合處理的，往往是連續(xù)流式數據，比如音頻、振動、圖像幀、時序波形。只有數據持續(xù)產生，本地“邊采邊判”的價值才明顯。如果數據本來就稀疏，實時推理往往只是看上去很先進，實際并沒有解決關鍵問題。很多項目最后失敗，不是因為芯片不夠強，也不是因為模型不夠先進，而是因為數據本身就不具備建模條件。最典型的問題，就是拿不到穩(wěn)定標簽。你連什么叫正常、什么叫異常、什么叫觸發(fā)、什么叫不觸發(fā)都說不清楚，模型自然也學不清楚。還有一些場景雖然表面上有標簽，但實際上并沒有可驗證標準。比如某些設備狀態(tài)，本來就依賴老師傅經驗判斷。或者這些判斷就像領導的“左右腦互博術”（今天說這樣算異常，明天又說那樣也算異常，團隊內部都沒有統(tǒng)一標準）。這類場景也不適合做本地AI。所以，任何本地 AI 項目在立項前都要先問一句：這個任務到底有沒有清晰、穩(wěn)定、可重復的輸入輸出關系？如果這件事本身說不清楚，就不應該急著談部署。本地 AI 不是沒有邊界。尤其是 MCU、低功耗邊緣節(jié)點、傳感器終端這類設備，資源限制一直都在。如果一個場景必須依賴很大的模型，必須使用復雜算子，或者推理時還要占用大量 RAM、Flash、帶寬和供電預算，那它從一開始就不適合做本地推理。（為啥不適合，自己想去吧，賀老師不在此重復）很多人評估一個本地 AI 場景時，只盯著模型精度，這是遠遠不夠的。真正該看的，是精度、推理時間、峰值內存、程序空間、功耗、系統(tǒng)耦合度這些指標能不能同時過線。只要其中一個明顯超標，這個方案就不適合在當前設備上落地。說得更直接一點：如果為了上本地 AI，你不得不大改硬件、升級芯片、增加存儲、提高供電規(guī)格，最后連整機 BOM 和開發(fā)周期都被重新推翻，那這個場景就要重新評估。因為你做的已經不是“優(yōu)化產品能力”，而是在重做一套產品。真正適合做本地 AI 的，一般是那種數據持續(xù)產生、判斷必須及時完成、網絡條件又不穩(wěn)定、上傳原始數據成本高，同時傳統(tǒng)規(guī)則已經越來越難維護的場景。反過來，如果一個任務不要求實時響應、數據又不連續(xù)、標簽也不穩(wěn)定，或者設備資源明顯撐不住，那就不應該急著上。很多項目之所以走偏，不是技術不行，而是一開始場景選錯了。產品還沒想清楚到底為什么要放在本地，就先開始研究模型、量化、部署、加速，最后投入了很多精力，結果業(yè)務收益并不明顯。所以，做本地 AI 之前，最重要的不是先問“模型怎么做”，而是先問“這件事為什么一定要在設備端做”。這個問題想清楚了，后面的路線才不會跑偏。歡迎關注賀老師的公眾號，一起學習、一起成長。可以添加我的微信及技術交流群，獲取免費資料、與高手一起學習。
掃描上方二維碼加群，回復【加群】或掃碼加我好友，限時免費進入技術交流群。
感謝大家閱讀，如果喜歡
請點贊和“在看”吧，或者分享到朋友圈。
點擊跳轉到原文，限時優(yōu)惠加入我們的知識星球（加好友獲取免費券）
