冷库内空气未必最危险,设备离开冷区进入潮湿环境时,水汽才会迅速凝结。低温机器人若把结露和覆冰当成同一问题,只加一个加热片,常会顾住视窗却把水引进壳体。
车队规模增加后,单车路径都可行也不代表系统能持续吞吐。多机器人调度最容易被两类耦合拖住:窄通道里的循环等待,以及低电量车辆集中到站造成的补能拥塞。
休眠电流做到很低,却在事件到来时丢掉首帧或反复复位,说明系统只优化了静态功耗。边缘AI的低功耗成败,常集中在几十毫秒的唤醒窗口。
稀疏输入降低平均计算量,却不保证每个时间窗都轻。边缘AI面对事件流或条件执行网络时,必须按活跃度长尾和排队上界设计,而不能只报平均功耗。
现场有些慢帧既不是模型变重,也不是带宽不够,而是访问同样的数据时忽快忽慢。NPU碰到这类抖动,往往要先把目光从算子移开,去看地址翻译链路里的 IOMMU 映射和 TLB 命中到底稳不稳。
模型一旦从固定分辨率走向多尺寸输入,最先失稳的常不是算力,而是执行形状本身。NPU若把动态图只理解成“支持可变尺寸”,现场很快就会碰到重编译、缓存失配和内存计划同时抖动。
一看到芯片上有多个计算簇,很多团队就自然期待吞吐按核数线性上涨。NPU在多核场景里最常见的反例,恰恰来自切分后新增的同步点、边界复制和归并等待把理论并行度吃掉了。
很多节点单模型测试时吞吐正常,一到现场并发就忽快忽慢,问题常不在峰值带宽,而在共享仲裁。NPU只要和相机、编码器、CPU 后处理共用 DDR,QoS 规则写得不好,实时性会先出问题。
低比特部署看上去最先涉及的是权重存储,但真正决定上限的往往是中间累积怎么做。
量化部署出问题时,很多人先盯权重量化精度,真正先失真的却常是激活分布。NPU如果只把校准当成“给每层找个 scale”,激活尾部和重标定链条很快就会把少量异常值放大成整层误差。
模型跑得慢,不一定是后端阵列没吃饱,前端提交也可能已经成了瓶颈。NPU如果把每个小算子都拆成独立命令缓冲,再配上频繁的门铃触发和 fence 等待,吞吐会先在提交链上掉下来。
很多芯片标称 TOPS 很高,实测却总在复杂模型上跑不满。NPU遇到这种落差时,先要看的往往不是乘加阵列,而是片上 SRAM 装不装得下合理分块,以及片外读写是否踩在对齐边界上。
NPU领域最危险的一类问题,就是编译阶段一切顺利,运行后却出现结果飘移、偶发超时或局部崩溃,因为固件、编译器和驱动实际并没有站在同一语义上。
很多团队做性能排查时,第一眼就看利用率曲线,数字低就怀疑算子没铺满,数字高就以为系统接近极限。NPU如果只剩这一根指标,很多慢路径都会被错判,因为高利用率未必代表高效率,低利用率也未必意味着算力闲着。
高准确率模型仍会遇到训练集之外的输入,也可能卡死而不给结果。边缘AI进入控制链后,安全性取决于能否识别“不该判断”和“已经失效”这两种状态。