當 ARM CPU 內核首次被包括 Apple 在內的一些計算領域的知名廠商采用時，使用量激增，尤其是對于移動應用程序。回想起來，優勢是顯而易見的——任何設備都可以通過嵌入式處理器變得更加靈活和功能豐富。同時，該功能可以通過軟件升級：單個硬件平臺可以通過純軟件升級驅動多個產品發布。

這些計算引擎非常靈活，非常適合我們智能手機和其他移動產品中的許多管理和通用計算任務，但這種通用性也有一個缺點。通用計算機上的某些操作會運行得太慢并且消耗太多功率而無法實用。智能手機無線通信部分中的調制解調器就是一個早期的例子。這必須實時處理無線電信號，在每種情況下處理的不是電話計算部分中使用的熟悉的數字字和比特，而是無線電傳輸和接收中使用的不斷變化的模擬信號的數字化版本.

數字信號處理器 (DSP) 專為此類分析而設計。它們具有數字化信號所需的內置浮點表示，并且對信號處理所需的數學函數（例如多重累加 (MAC) 函數）具有強大的支持。它們還針對處理流數據進行了優化，而不是傳統計算中常見的面向批處理的處理，在這種情況下，這是處理連續無線電傳輸和接收的基本特征。

音頻處理需求共享無線信號處理中的許多相同特性。DSP 的這種應用在均衡和范圍壓縮（例如杜比壓縮）等高端音頻應用中變得很普遍，然后在降噪耳機等功能中越來越普遍，它可以讓您在飛行過程中不受干擾地入睡。

然后人工智能起飛了，最初只在數據中心，但現在越來越多地出現在移動和其他邊緣應用程序中。我們的汽車現在可以檢測行人和潛在的碰撞，并且它們可以檢測車道標記以指導自動駕駛基本形式的轉向。我們可以通過語音命令控制我們的電視或智能揚聲器，以查找歌曲或電影，或者降低或提高音量。我們甚至可以通過語音命令控制自行車安全頭盔上的 GoPro 來開始或停止拍照。

所有這些功能都依賴于處理流數據（語音）或圖像（相機靜止圖像）或可能兩者（視頻），每個都是實時的或非常接近實時的。首先看音頻處理。首先，您需要通過來自多個麥克風的音頻波束成形、回聲消除和噪聲抑制來捕獲高質量的流式音頻信號——所有這些領域在 DSP 實施方面已有多年經驗。

然后，您必須使用經過訓練的神經網絡識別命令，這是幾乎所有這些 AI 技術的基礎。這些算法看起來與您在 CPU 上運行的算法大不相同。雖然它們可以在 CPU 上運行，但它們會很慢并且會很快耗盡電池電量。更好的方法是在提供高水平并行性的架構上對神經網絡進行編程，允許許多計算同時運行，而不是像在 CPU 上那樣串行運行。這是 DSP 的另一個核心優勢——計算中的并行性。

您可能想知道，盡管有所有這些優勢，DSP 是否過于復雜而無法被除專家以外的任何人采用，他們別無選擇，只能使用它們。當然，它們不像 CPU 那樣簡單易用，但差異并沒有那么大。您為兩者編寫 C 代碼，但您需要在為 DSP 編寫的代碼中多加考慮以充分利用性能。

至于廣泛采用，您手機上的每個無線電——藍牙、Wi-Fi 和蜂窩網絡——都使用一個或多個 DSP。藍牙耳塞使用 DSP，用于藍牙和音頻。許多智能揚聲器使用 DSP。語音控制的遙控器使用 DSP。家庭安全系統使用 DSP 來檢測攝像機上的異常運動和異常聲音，例如狗吠或打碎玻璃。汽車中的智能傳感器使用 DSP 來檢測前方和倒車危險以及檢測車道標記。

為什么不將 GPU 用于所有這些功能？GPU 確實非常有名，尤其是在 AI 方面，并且已廣泛用于數據中心進行神經網絡訓練。但對于許多邊緣應用來說，它們太大、太耗電且太貴。出于電源、安全和隱私的原因，將更多的人工智能功能轉移到這些設備上是一個很大的推動力。但這些必須是非常具有成本效益的解決方案。在大多數情況下，不太愿意顯著增加整個解決方案（汽車、電視、家庭安全）的成本。

這就是嵌入式 DSP 無處不在的原因。您可以以低成本和低功耗將語音控制、對象檢測、音頻質量控制等添加到您的產品中，并且仍然具有軟件可編程性的靈活性。他們不會取代 CPU 進行管理和一般處理，但看起來他們正在接管與智能音頻和視頻/圖像有關的一切。

此博客是系列博客中的第一篇，并繼續發表文章“當 DSP 擊敗硬件加速器時”和“決策，決策：硬件加速器還是 DSP？“。

審核編輯 黃昊宇