真的无处不AI，恩智浦(NXP)将以3.07亿美元收购边缘人工智能先锋企业Kinara

MATLAB画图

荷兰埃因霍温2025 年 2 月 10 日消息 —— 恩智浦半导体公司（NXP)（纳斯达克股票代码：NXPI）宣布，已达成一项最终协议，将以 3.07 亿美元全现金收购边缘人工智能先锋企业Kinara。
Kinara 是高性能、节能且可编程的离散神经网络处理单元（NPUs）领域的行业领导者。这些设备支持广泛的边缘人工智能应用，包括多模态生成式人工智能模型。此次收购将以全现金交易方式进行，价值 3.07 亿美元，此次收购预计在 2025 年上半年完成，但需满足惯例成交条件，包括监管批准。
随着边缘人工智能处理市场快速增长，对安全、经济高效且节能的人工智能处理需求不断增加。收购 Kinara 能增强NXP在人工智能领域的能力，凭借领先的NPUs和人工智能软件，增强NXP领先的处理器产品组合，以推动工业和汽车边缘市场的智能系统解决方案发展。
智能系统的未来需要在边缘进行安全、经济高效且节能的人工智能处理。因此，边缘人工智能处理市场正在迅速增长。边缘的先进人工智能能够在本地独立于云端做出关键决策，从而实现更快的响应、更好的数据隐私保护和成本降低。
借助 Kinara 离散 NPUs 推进边缘人工智能创新Kinara 公司是一家美国半导体公司，2013 年由 Rehan Hameed、Wajahat Qadeer 和 Jason Copeland 创立，最初名为 Core Viz ，创立后公司更名为 Deep Vision，2022 年再次更名为 Kinara。
2020 年，Kinara 推出首款产品 Ara-1 边缘 AI 处理器，该产品采用多态数据流架构。2023 年 12 月，Kinara又推出 Ara-2产品，其速度比 Ara-1 快 5 至 8 倍，最高可达 40TOPS（每秒万亿次运算），针对生成式 AI 进行了系统级高性能优化。
Ara-1 和 Ara-2在性能和能效方面处于行业领先地位。这使得它们成为视觉、语音、手势以及其他各种由生成式人工智能驱动的多模态应用中新兴人工智能应用的首选解决方案。这两款设备均采用创新架构，能够映射推理图，以便在 Kinara 可编程的专有神经网络处理单元上高效执行，从而最大化边缘人工智能性能。这种可编程性确保了随着人工智能算法从卷积神经网络（CNNs）不断发展到生成式人工智能，以及未来诸如智能体人工智能（agentic AI）等新方法的出现，仍具有适应性。
Ara-1 是第一代离散 NPU，能够在边缘实现先进的人工智能推理。Ara-2 是第二代 NPU，最高可达 40 TOPS（每秒万亿次运算），针对生成式人工智能实现系统级高性能进行了优化。Ara-1 和 Ara-2 NPUs 可以轻松集成到嵌入式系统中，以增强其人工智能能力，包括对现有现场系统进行升级。

th45t0iojtz6402420246.png

Kinara 还提供完整的软件开发工具包，使客户能够优化人工智能模型性能并简化部署。Kinara 的人工智能软件产品组合包括广泛的模型库和模型优化工具，这些将集成到恩智浦的 eIQ AI/ML 软件开发环境中，使客户能够快速轻松地创建端到端的人工智能系统。

dfmg4m1n4db6402420346.png

什么是边缘人工智能（Edge AI）边缘人工智能是指在物理世界中的各类设备上部署人工智能应用程序。之所以称为 “边缘人工智能”，是因为人工智能计算是在网络边缘靠近用户的地方进行的，这里接近数据的产生地，而不是在云计算设施或私有数据中心的核心位置进行。
由于互联网覆盖全球，网络边缘可以指代任何地方。它可以是零售店、工厂、医院，或者我们身边的各种设备，比如交通信号灯、自动化机器和手机。
边缘人工智能为何在当下兴起？各行各业的组织都在寻求提高自动化程度，以优化流程、提升效率和安全性。为了实现这一目标，计算机程序需要识别模式，并重复且安全地执行任务。然而，现实世界是无固定结构的，人类执行的任务种类繁多，涵盖了无数难以在程序和规则中完整描述的情况。
边缘人工智能的进步为机器和设备创造了机会，使它们无论身处何处，都能具备类似人类认知的 “智能” 来运行。搭载人工智能的智能应用程序能够学习在不同情况下执行相似任务，就像在现实生活中一样。
在边缘部署人工智能模型的成效源于最近的三项创新成果：

神经网络的成熟：神经网络及相关人工智能基础设施已发展到能够支持通用机器学习的阶段。各组织正在学习如何成功训练人工智能模型，并将其部署到边缘的实际生产环境中。

计算基础设施的进步：在边缘运行人工智能需要强大的分布式计算能力。最近，高度并行的图形处理单元（GPU）取得了进展，能够适配并执行神经网络。

物联网设备的普及：物联网的广泛应用推动了大数据的爆发式增长。借助工业传感器、智能摄像头、机器人等设备，企业能够在各个业务环节收集数据。现在，我们拥有了在边缘部署人工智能模型所需的数据和设备。此外，5G 技术以更快、更稳定和更安全的连接为物联网提供了助力。
[/ol]
为何要在边缘部署人工智能？边缘人工智能有哪些优势？人工智能算法能够理解语言、视觉、声音、气味、温度、面部特征和其他非结构化的模拟信息形式，因此在终端用户面临实际问题的场景中特别有用。由于存在延迟、带宽和隐私等问题，在集中式云平台或企业数据中心部署这些人工智能应用程序并不实际，甚至无法实现。
边缘人工智能的优势包括：

智能性：人工智能应用程序比传统应用程序更强大、更灵活。传统应用程序只能对程序员预先设定的输入做出响应，而人工智能神经网络并非针对特定问题进行训练，而是学习如何回答某一类问题，即便遇到全新的问题也能应对。如果没有人工智能，应用程序几乎无法处理文本、语音或视频等无限多样的输入内容。

实时洞察：边缘技术在本地分析数据，而不是在遥远的云端进行分析，避免了因长距离通信带来的延迟，能够实时响应用户需求。

降低成本：将处理能力移至靠近边缘的位置，应用程序所需的网络带宽减少，极大地降低了网络成本。

增强隐私保护：人工智能可以在不将信息暴露给任何人的情况下分析现实世界中的信息，对于那些需要分析外貌、声音、医学影像或其他个人信息的人来说，极大地增强了隐私保护。边缘人工智能通过在本地处理数据，仅将分析结果上传至云端，进一步强化了隐私保护。即便为了训练目的上传部分数据，也可以进行匿名化处理，以保护用户身份。通过保护隐私，边缘人工智能简化了数据合规方面的挑战。

高可用性：去中心化和离线处理能力使边缘人工智能更为可靠，因为数据处理无需依赖互联网连接。这为关键任务和生产级别的人工智能应用程序带来了更高的可用性和可靠性。

持续改进：人工智能模型在训练过程中使用的数据越多，其准确性就越高。当边缘人工智能应用程序遇到无法准确或自信处理的数据时，通常会将其上传至云端，以便对原始人工智能模型进行进一步训练，之后更新边缘的推理引擎。因此，模型在边缘的运行时间越长，就会变得越准确。

[/ol]边缘人工智能技术如何工作？

en1i0fj4jht6402420446.png

为了让机器具备视觉、物体检测、驾驶汽车、理解语音、说话、行走等能力，或者模拟其他人类技能，它们需要在功能上复制人类智能。
人工智能采用一种名为深度神经网络的数据结构来模拟人类认知。通过向这些深度神经网络展示大量特定类型的问题及其正确答案，训练它们回答这类问题。这个训练过程被称为 “深度学习”，由于训练出准确模型需要大量数据，且数据科学家需要协作配置模型，因此该过程通常在数据中心或云端进行。训练完成后，模型便成为一个 “推理引擎”，能够回答现实世界中的问题。
在边缘人工智能部署中，推理引擎在工厂、医院、汽车、卫星和家庭等偏远位置的计算机或设备上运行。当人工智能遇到无法处理的问题时，通常会将有问题的数据上传至云端，对原始人工智能模型进行进一步训练，经过训练更新后的模型会在某个时间点替换边缘的推理引擎。这个反馈循环在提升模型性能方面发挥着重要作用；一旦边缘人工智能模型部署完成，它们只会变得越来越智能。
边缘人工智能的应用案例有哪些？人工智能是当今时代最强大的技术力量，正在彻底改变全球最大的几个行业。在制造业、医疗保健、金融服务、交通运输、能源等各个领域，边缘人工智能都在推动新的业务成果，包括：

能源领域的智能预测：对于能源等关键行业而言，能源供应的中断可能会威胁公众的健康和福祉，因此智能预测至关重要。边缘人工智能模型有助于结合历史数据、天气模式、电网状况和其他信息，创建复杂的模拟，为能源资源的更高效生产、分配和客户管理提供参考。

制造业的预测性维护：传感器数据可用于早期检测异常情况，并预测机器何时可能发生故障。设备上的传感器会扫描是否存在缺陷，如果机器需要维修，会向管理人员发出警报，以便尽早解决问题，避免高昂的停机成本。

医疗保健领域的人工智能设备：边缘的现代医疗仪器正逐渐搭载人工智能技术，例如利用超低延迟的手术视频流，实现微创手术，并按需提供诊断见解。

零售业的智能虚拟助手：零售商希望通过引入语音下单功能，用语音指令取代基于文本的搜索，从而改善数字化客户体验。有了语音下单功能，购物者可以使用智能音箱或其他智能移动设备轻松搜索商品、查询产品信息并在线下单。

[/ol]云计算在边缘计算中扮演什么角色？人工智能应用程序既可以在公共云的数据中心运行，也可以在靠近用户的网络边缘的现场运行。云计算和边缘计算各有优势，在部署边缘人工智能时可以将二者结合起来。
云计算在基础设施成本、可扩展性、高利用率、服务器故障恢复能力和协作方面具有优势；边缘计算则具有响应时间更快、带宽成本更低和网络故障恢复能力更强的特点。
云计算可以通过多种方式支持边缘人工智能部署：

在模型训练阶段，云计算可以提供运行环境。

随着从边缘收集的数据不断用于重新训练模型，云计算可以持续运行模型的训练过程。

当计算能力比响应时间更重要时，云计算可以运行人工智能推理引擎，作为现场模型的补充。例如，语音助手可能会对唤醒词做出本地响应，但将复杂请求发送回云端进行解析。

云计算负责提供人工智能模型和应用程序的最新版本。

[/ol]同样的边缘人工智能通常会在现场的一系列设备上运行，同时配合云端的软件协同工作。
边缘人工智能的未来得益于神经网络的商业成熟、物联网设备的广泛普及、并行计算的进步以及 5G 技术的发展，现在已经有了完善的通用机器学习基础设施。这使企业能够抓住巨大的机遇，将人工智能引入业务场景，依据实时洞察采取行动，同时降低成本并增强隐私保护。
边缘人工智能在智能家居、工业自动化、智能安防等领域有着广泛应用，正深刻改变着我们的生活和工作方式，未来发展潜力巨大。
智能系统的未来发展需要在边缘进行安全、经济高效且节能的 AI 处理，边缘 AI 处理市场正迅速增长。恩智浦通过收购 Kinara，能够更好地满足市场对高性能、低功耗的边缘 AI 解决方案的需求，进一步巩固其在全球半导体市场的领先地位。随着物联网设备、自动化工厂、智能城市等领域的发展，对边缘 AI 的需求持续攀升，收购 Kinara 有助于恩智浦在这一增长的市场中占据有利地位 。
参考来源
https://www.nxp.com/company/about-nxp/newsroom/NW-AI-PR-2025?cid=soc_pro25007_tac2062200_li
https://blogs.nvidia.com/blog/what-is-edge-ai/