嵌入式AI的壁垒不在算法，在迭代

刚看到 No Starch 把《Embedded AI》第九章放开免费下载了，讲 sensor machine learning，大意是教你把模型从云端挪到 MCU 上，跑在传感器旁边。说起来是个细分方向，但我最近在看的几个项目都绕不开它。

这行的门槛，我觉得多数人看错了。算法精度、模型压缩，这些是面子；真正卡脖子的是工程化和迭代机制。举个例子。

硬件侧这两年确实在加速，ESP32-S3、MAX78000 这类带 AI 加速的 MCU，一个核专门跑 CNN，响应做到毫秒级，功耗也压得住。场景也是真实的，消费电子、工业自动化、穿戴设备都吃这一套。问题是出货之后。

模型一旦固化进设备，每次更新都要过一遍完整的认证和验证链路。云端大模型今天一个版本明天一个版本，端侧这边设备铺出去一万台，想调个参，OTA 要走合规、认证、现场验证，时间比重新训练还长。我之前聊 Anthropic 算力锁定的时候说过，AI 行业变化太快，任何形式的锁死都是风险。端侧模型焊在硬件里，本质是同一种风险，只是换了层皮。

所以看嵌入式 AI 团队，我不太盯着论文精度，先问三件事：工具链是自研还是拼的，OTA 链路跑没跑通，算法和硬件是不是一个团队。三条都站得住，才有资格谈估值。单靠一块开发板加一个模型，讲不出壁垒。

---

本文编译自 Hacker News，原文：Embedded AI | No Starch Press
版权归原作者所有，本文为基于公开报道的编译与独立分析。