Qualcomm 9月1日发布 Dragonwing Q-2390和IQ-2390，表面上看只是Dragonwing产品线增加了两款中低端SoC（System on Chip），但如果放到整个端侧 AI/ Edge AI产业中观察，它释放出的信号其实相当明确：Edge AI正在从“少数高性能设备拥有AI”，进入“成本敏感型设备也可以默认拥有AI”的阶段。

尤其值得关注的是面向工业领域的 Dragonwing IQ-2390。它不是一颗追求高TOPS的AI芯片。官方公布的AI性能只有 1.1 TOPS，与Dragonwing IQ10系列最高350 TOPS相比甚至不在同一个性能档位。它采用四核CPU——1个Cortex-A78加3个Cortex-A55，同时集成Adreno 704 GPU、Hexagon NPU以及一个用于实时处理的RISC-V MCU。可以把这套架构理解成一台小型工业设备里的“异构计算团队”：并不是CPU、GPU、NPU、MCU都去跑同一个AI模型，而是把不同性质的工作分给最合适的计算单元。

其中最核心的分工是：

Cortex-A78/A55负责“系统与业务逻辑”，Hexagon NPU负责“AI推理”，Adreno GPU负责“图像并行计算与显示”，RISC-V MCU负责“确定性实时任务”。

端侧 AI/Edge AI SoC 包含的CPU、GPU、NPU、MCU如何协同工作？

这恰恰很适合“目标检测、缺陷分类、OCR、状态识别、异常检测、传感器融合”这类工业Edge AI。

一、先看四类计算单元分别干什么

组件	更适合做什么	工业设备中的角色
1× Cortex-A78	高性能通用计算	主控、复杂业务逻辑、AI任务调度
3× Cortex-A55	低功耗通用计算	网络、协议、数据库、后台服务
Hexagon NPU	神经网络矩阵计算	CNN/Transformer等AI模型推理
Adreno 704 GPU	高并行图形/图像计算	图像预处理、后处理、HMI显示
RISC-V MCU	低延迟、确定性实时控制	IO、传感器采集、实时控制、看门狗

这里最容易产生的误解是：

“有NPU了，还要CPU、GPU、MCU干什么？”

因为一个完整的Edge AI任务实际上不是：

Camera → AI模型。

而通常是：

传感器采集 → 数据预处理 → AI推理 → 结果后处理 → 业务判断 → 控制设备 → 上传数据 → HMI显示。

AI模型本身只占其中一部分。

1. 目标检测：NPU负责“看懂”，CPU负责“决定怎么办”

例如一个工业摄像头检测传送带上的零件。

整个链路可能是：

摄像头

↓

ISP / GPU进行图像处理

↓

Hexagon NPU运行YOLO类模型

↓

CPU处理检测框、置信度和业务规则

↓

RISC-V MCU触发剔除机构

具体而言：

GPU / ISP

先完成：

图像缩放；
色彩转换；
畸变校正；
ROI裁剪；
图像增强。

NPU

运行目标检测网络，例如：

YOLO → “这里有一个零件，坐标(x,y)，置信度98%”。

这部分包含大量卷积和矩阵乘法，是NPU最擅长的工作。

Cortex-A78

再处理：

“这个零件是不是当前订单要求的型号？”

或者：

“连续三帧检测到才确认。”

以及：

“这个零件的位置什么时候到达气动剔除机构？”

这些属于规则、逻辑、状态机，不适合NPU。

RISC-V MCU

最后到了精确时刻：

GPIO输出 → 电磁阀动作 → 剔除零件。

这一环节不能因为Linux突然调度其他任务而晚50ms，因此由实时MCU执行更合适。

所以这里其实是：

NPU负责感知，CPU负责决策，MCU负责执行。

2. 缺陷分类：NPU往往是真正的主力

例如检查金属表面：

正常 / 划痕 / 裂纹 / 凹坑。

流程可能是：

Camera → 图像预处理 → NPU CNN → 缺陷类型 → CPU规则 → PLC

这时候NPU运行：

MobileNet；
ResNet；
EfficientNet；
小型ViT；

之类的分类模型。

假设得到：

Scratch：0.91
Normal：0.06
Crack：0.03

CPU再根据工厂业务规则决定：

>0.85 → NG

之后通过工业以太网或者IO通知生产系统。

这里GPU甚至可能基本不参与AI计算。

因为对于一个已经量化成INT8的小CNN：

直接交给NPU往往效率最高。

所以异构架构不是“所有单元必须同时工作”，而是按任务选择路径。

3. OCR：CPU + GPU/NPU协同尤其典型

工业OCR实际上经常包含两个AI阶段：

文字在哪里？

↓

文字是什么？

例如读取：

产品序列号、生产日期、二维码旁字符。

可能的流程：

第一步：CPU/GPU

做透视校正、旋转、增强、去噪。

第二步：NPU

运行Text Detection模型：

找到文字区域。

第三步：NPU

再运行Text Recognition模型：

“A38B210928”

第四步：CPU

检查：

格式是否合法；
是否与数据库匹配；
是否重复；
是否属于本批次。

因此：

NPU解决“识别”，CPU解决“理解业务含义”。

GPU则比较适合做图像几何处理和HMI叠加，例如在屏幕上实时画出检测框。

4. 状态识别：甚至不一定需要GPU

例如：

通过振动、电流、声音判断：

正常 / 轴承异常 / 不平衡 / 松动。

这种任务的数据可能根本不是图像。

数据链路可以非常简单：

振动传感器

↓

RISC-V MCU实时采样

↓

FFT / 特征计算

↓

NPU运行1D CNN / Tiny Transformer

↓

CPU综合判断

↓

报警 / 上报

这里RISC-V MCU非常重要。

因为它可以按照：

1kHz、5kHz甚至更高固定采样周期

严格采集传感器数据。

然后CPU或者DSP类计算单元完成：

滤波、FFT、RMS、频域特征。

最后NPU运行模型：

“轴承异常概率92%。”

CPU再结合：

转速、负荷、温度、历史状态

判断到底是否需要报警。

因此工业AI中非常典型的一种模式是：

MCU采集 → AI模型判断 → CPU做综合诊断。

5. 简单传感器融合：MCU和CPU的价值反而更突出

假设设备同时有：

振动 + 温度 + 电流 + 转速。

MCU首先负责实时采集：

Acc(t)
Current(t)
RPM(t)
Temperature(t)

关键在于给不同传感器提供统一时间基准。

之后CPU进行：

时间对齐；
插值；
滤波；
特征计算；
数据窗口组织。

形成例如：

5秒 × 多传感器

的数据窗口。

再交给NPU运行：

TCN / 1D CNN / LSTM / Transformer

得到：

Normal 0.03
Bearing Fault 0.87
Misalignment 0.10

CPU再结合设备状态和历史数据给出最终判断。

因此所谓Sensor Fusion并不是简单：

“NPU读取所有传感器。”

真正工程结构通常是：

MCU保证数据准确 → CPU整理数据 → NPU发现模式。

为什么还需要一个性能较强的Cortex-A78？

A78的作用很像“车间主任”。

它未必干最繁重的神经网络计算，但要负责协调整个系统。

例如同时运行：

Linux / Android / QNX

以及：

AI Runtime；
摄像头管理；
网络通信；
OPC UA / MQTT；
Web服务；
本地数据库；
HMI；
OTA；
日志；
AI模型切换。

特别是AI应用中还有很多不适合NPU的代码，例如：

如果 defect_score > 0.85
且当前设备处于 RUN 状态
且连续3帧检测到
且当前工件ID有效
则：
    生成NG记录
    保存图片
    通知PLC
    上传MES

这类逻辑CPU做起来非常自然。

为什么还需要3个A55？

因为完全让A78一直运行很浪费功耗。

例如设备大多数时间只需要：

网络连接；
MQTT；
日志；
数据上传；
HMI后台；
系统守护进程。

可以更多地交给A55。

需要复杂操作时，再让A78介入。

因此：

A78 = 性能核

A55 = 效率核

形成类似手机SoC中的Big.LITTLE架构。

GPU和NPU之间也不是简单竞争关系

两者虽然都可以做并行计算，但定位不同。

NPU

更像：

AI专用发动机

优势是：

INT8/INT16效率高；
单位功耗推理性能高；
CNN等模型非常合适。

GPU

更像：

通用并行发动机

适合：

图像处理；
OpenGL/Vulkan；
HMI；
特殊算子；
NPU不支持的模型Operator；
某些后处理。

因此实际AI Pipeline可能出现：

GPU preprocess

↓

NPU inference

↓

CPU postprocess

这是非常典型的结构。

RISC-V MCU可能是工业场景里最容易被低估的一块

对于消费Edge AI设备，有没有MCU可能区别不大。

但对工业设备，这块非常重要。

因为：

AI是概率性的，控制系统必须是确定性的。

例如AI判断：

“发现异常工件。”

真正什么时候打开电磁阀，可能要求误差不能超过几毫秒。

不能让Linux CPU去赌调度时间。

于是可以采用：

Linux CPU：
“请在Encoder计数到125430时剔除。”

↓

RISC-V MCU：

持续读取Encoder：

124950
125012
125301
125430

↓

立即：

DO = HIGH

这种架构把：

AI智能

和

实时控制

进行了非常清晰的隔离。

一台典型Edge AI工业设备可以这样工作

假设做一个AI视觉质检设备：

Camera
  ↓
ISP / GPU
图像处理
  ↓
Hexagon NPU
缺陷AI模型
  ↓
Cortex-A78
业务判断
  ↓
 ┌───────────────┬───────────────┐
 ↓               ↓
A55              RISC-V MCU
MES/数据库        实时IO控制
网络上传          PLC/执行机构
  ↓
Adreno GPU
HMI显示

这就是这类SoC真正有价值的地方。

不是：

“一颗芯片有1.1 TOPS。”

而是它能够把以前可能需要：

CPU板 + AI加速卡 + MCU板 + 图形模块

完成的工作，尽可能压缩到一个SoC平台。

因此对于“目标检测、缺陷分类、OCR、状态识别、异常检测、简单传感器融合”这些应用，更应该把IQ-2390这类架构理解成：

NPU负责AI，CPU负责系统，GPU负责视觉，MCU负责实时世界。

而这四者通过共享内存、驱动和SoC内部高速互连协同起来，最终形成的是一台完整的智能工业控制节点，而不仅仅是一颗“能跑AI模型的芯片”。