Industriell Edge AI kräver mer än rå beräkningskraft

Under decennier har utformningen av edge-hårdvara följt en enkel hierarki: maximera dataflöde, sedan hantera effekt och termiska aspekter runt omkring. Rå beräkningskraft var taket som allt annat byggdes under. Den logiken var rimlig när edge-enheter var stationära, miljöer var kontrollerade och centraliserad bearbetning kunde hantera allt som edge-enheten inte kunde. Men ingen av dessa förhållanden gäller i dagens industriella miljöer, och den gamla hierarkin bryts ner på grund av det.

Operatörer av industriella anläggningar driver nu AI-drivna automatisering direkt på fabriksgolvet, krävande intelligent, beslutsam handling så nära verksamheten som möjligt. Ambitionen är sund. Men att översätta den till pålitlig hårdvara som fungerar under verkliga industriella förhållanden kräver en omprövning av chipdesign från grunden.

En ny begränsningshierarki

Den globala industriella edge-marknaden beräknas växa från 21 miljarder dollar 2025 till nästan 45 miljarder dollar 2030, och de hårdvarukrav som följer med denna tillväxt ser fundamentalt annorlunda ut än vad chipdesigners historiskt har optimerat för. När AI-drivna automatisering flyttar från kontrollerade testmiljöer till levande fabriksgolv har begränsningshierarkin som styr edge-distributioner i princip vänts upp och ner:

1. Effekt är nu i topp. Alltid-på-verksamhet kräver flexibla kontrolllägen för att minska slöseri och minimera utgifter som är förknippade med distribution av edge-AI-system.
2. Termiska och miljömässiga faktorer kan påverka prestanda avsevärt. Industriella anläggningar introducerar miljöextremer som höga temperaturer och termiskt bromsande, samt potentiell skräp och fukt, allt som kan försämra funktionen oförutsägbart.
3. Fördröjning och determinism är avgörande i precisionscentrerade användningsfall som de som finns i industriella anläggningar, eftersom tidig och korrekt åtgärd kan göra skillnaden mellan framgång och skrothögen.
4. Rå dataflöde kommer sist i denna paradigm. Även om det är viktigt, är bandbredd och dataflöde mindre kritiska när inbäddade funktioner är sunda. Kritisk bearbetning och resonemang sker på enheten, vilket minskar behovet av konstant överföring till en central bearbetningsenhet.

Inversionen av dessa begränsningar kräver att designer antar en ny strategi när de utformar för den industriella edge, en som tar hänsyn till mer än bara rå beräkningskraft.

Att hitta vad som är “lagom”

I utvecklingsmiljöer, till exempel när man utformar en industriell robot vid arbetsbänken, kan GPU:er fungera bra. De är högpresterande och effektiva komponenter som kan bearbeta stora mängder data snabbt och korrekt. Men dessa processer sker i högt kontrollerade miljöer.

Industriella enheter installeras ofta på äldre utrustning i anläggningar som redan är i drift. De kan vara mobila. Effekt, utrymme och termisk kapacitet är förutbestämda av miljön, inte av enhetens behov. Det lämnar endast chipdesignet självt som variabeln, och allmänna syftesspecifika kretsar är dåligt lämpade för att fylla den rollen. De är antingen för stela eller för breda för att möta de specifika, varaktiga kraven för industriell edge-AI.

Till exempel erbjuder system på chip (SoC) med integrerade NPUs en mittpunkt för dessa typer av byggen, med låg effekt och robusta deterministiska funktioner. Men de tenderar att vara otillräckliga i krävande edge-miljöer på grund av deras design, som är optimerad för sporadisk funktion i termiskt begränsade miljöer. En design som fokuserar på burst-inferens gör dem till en opålitlig passning för de mer komplexa realiteterna i industriella anläggningar.

För att göra automatiserad industriell verksamhet till verklighet behöver designer något däremellan: chip som är tillräckligt flexibla för att fylla de varierande luckorna men tillräckligt specifika för att hantera specialiserade applikationer.

FPGAs: En mer kapabel medhjälpare

Allt fler edge-utvecklare börjar utnyttja fältprogrammerbara grindmatriser (FPGAs) som svaret. Avgörande är att FPGAs inte positioneras som en total ersättning för GPU:er, CPU:er eller andra centrala bearbetningsalternativ. Istället fungerar de som medhjälpare, sittande bredvid primära processorer för att hantera de uppgifter som allmänna syftesspecifika kretsar hanterar dåligt i fältförhållanden: alltid-på-sensorövervakning, realtidsförbearbetning, deterministisk respons och effektstyrning.

Beroende på arkitekturen kan dessa medhjälpare placeras bredvid GPU:en eller CPU:en, eller placeras närmare sensorn själv, vilket ger designer flexibilitet i hur och var arbetsbelastningen överförs. Förmågan att fungera i denna medhjälparroll är vad som gör FPGAs så väl lämpade för industriella edge-miljöer, där den primära processorn behöver skyddas från att bli överbelastad av kontinuerlig lågnivåbearbetning.

Den globala FPGA-marknaden var värd 11,6 miljarder dollar 2024 och beräknas nå 41,6 miljarder dollar 2033, en bana som speglar den växande erkänslan av just denna typ av medhjälpararkitektur i industriella och edge-distributioner. Som medhjälpare bringar FPGAs en specifik uppsättning funktioner som direkt adresserar den omvända begränsningshierarkin:

• Parallell, dataflödesorienterad bearbetning, som möjliggör för enheter att hantera avancerad förbearbetning innan överföring till central bearbetningshårdvara. Detta minskar datavolymer, mitigates fördröjning och säkerställer pålitlig drift.
• Deterministiska resonemangsförmågor, som kan identifiera kända utlösande händelser för att möjliggöra realtidsrespons i kritiska scenarier.
• Logikbaserad effektstyrning, som möjliggör för enheter att skala energianvändning baserat på miljöutlösare (rörelse eller andra förändringar), så att högkravsprocesser endast är aktiva när de behövs.
• Inbyggda säkerhetsfunktioner, som tillåter FPGAs att fungera som en maskinvarurot för förtroende (HRoT) och hjälpa till att skydda central bearbetning från intrång som härrör från enheter placerade i offentligt tillgängliga platser, vilket lägger till ett extra säkerhetslager för alltmer komplexa system.

Medan dessa funktioner är avgörande för att främja edge-AI-förmågor är FPGAs flexibilitet vad som gör dem till de optimala “problemlösarna” för edge-byggen. De fungerar oftast som intelligenta förbearbetare, hanterar realtids-, enhetsbaserad sensorfusion för att både minska datatransmissionsbehov och möjliggöra tidig respons.

Deras parallella bearbetningsförmågor tillåter dem att integrera och analysera data snabbt och eskalera till högeffektsprocessorer vid behov, eller agera i realtid i en kris. Eftersom FPGA kan hantera dessa mindre uppgifter på egen hand, behåller central bearbetning mer bandbredd för att hantera de mer komplexa uppgifter som faktiskt skickas vidare.

Dessutom är FPGAs omkonfigurerbara av design, så systemchefer kan uppdatera sina edge-AI-implementeringar när arbetsbelastningar, miljöer och behov förändras. Enheter som använder FPGAs som medhjälpare kan utvecklas tillsammans med systembehov utan utbyte av hårdvara eller återdistribution. Till exempel tillhandahåller de den flexibilitet som behövs för att anpassa sig när post-kvantkryptografi främjar och gör befintliga krypteringsalgoritmer ineffektiva.

Bättre tillsammans

Den industriella edge är där AI-baserad automatisering kommer att visa sin fulla potential, och realvärldens automatiseringskrav väntar inte på att allmänna syftesspecifika chip ska komma ikapp. Edge-utvecklare behöver börja anta nya designprinciper och bygga optimerade grunder som balanserar flexibilitet och specificitet i lika mått.

FPGAs kan göra just det. Där GPU:er och SoC:er når sina begränsningar fyller FPGAs gapet som kapabla medhjälpare, tillhandahållande alltid-på-inferens, deterministisk kontroll, lågeffektsdrift och potentialen att växa tillsammans med utvecklande AI-förmågor och industriella användningsfall. Oavsett om de distribueras oberoende eller i par med allmänna syftesspecifika processorer, hjälper FPGAs till att lägga den robusta, pålitliga och anpassningsbara grunden som behövs för att göra edge-AI-ekosystem till verklighet.