前阵子我和一家专注可重构低功耗AI芯片的团队负责人聊方案，他顺手给我算了一笔智能门锁的账。算完之后我才意识到，很多人选错AI芯片，不是算力不够，而是没把“可重构”和功耗、算法迭代放在一起考虑。智能门锁恰好是这个领域最典型、也最能说明问题的落地场景之一：高度受限的供电、快速迭代的模型、对安全性的硬要求——每一项都逼着芯片架构做出取舍。
这篇文章会把这家团队在智能门锁应用上的技术路线、功耗账簿、工程踩坑和选型经验完整拆开聊，希望给正在做门锁或类似低功耗视觉产品的朋友一些直接能用的参考。
1. 一块低功耗AI芯片，为什么成了智能门锁的“隐蔽战场”
1.1 门锁的算力需求不是“高”，而是“恰到好处”
智能门锁最早加摄像头模块时，不少方案走的是云端抓拍识别。但门锁一断电，或者处在弱网环境，云端基本失效。后来厂商普遍转成本地人脸识别，问题立刻转变：门锁不像手机，没有大电池，四节五号电池或一块锂电池可能要撑半年到一年。任何一颗芯片功耗多加0.2W，都会直接换算成续航缩水几个月。一个很常见的现象是：有些门锁为了省电，把唤醒识别灵敏度调得很低，用户稍微逆光站立，门锁就认不出人，回头率直线上升。
这个场景对AI芯片的诉求很拧巴：需求峰值不算高，人脸检测和特征比对这类任务，算力也就是0.5到2 TOPS级别；但功耗预算极其苛刻，待机要微瓦级，识别瞬间可以放开跑，跑完必须立刻睡。更麻烦的是，算法一直在变，今天用轻量人脸检测，明天要加活体防伪，后天可能换对抗逆光的新模型。用固定电路加速某一代算法，很容易被下一版模型淘汰。
1.2 团队为什么死磕“可重构”这条路线
那家团队从成立就把重心押在“可重构计算”上，对外讲得最多的是低功耗AI芯片。但可重构到底能干什么，很多客户听完PPT还是半信半疑。真正让他们跑通落地的，是一批智能门锁和智能家居厂商的定制需求。这些厂商找上门的原因惊人一致：通用视觉芯片功耗压不下来，专用人脸识别IC一旦升级算法就推倒重来。
两边合作以后才发现，门锁这个品类看起来小众，但它几乎把低功耗AI的全部难点都集中了：电源受限、场景多变、算法迭代快、安全要求高。把门锁做明白，再去做其他IoT设备会轻松很多。这也是我后来愿意花一整篇文章来复盘这个项目的原因。
2. 可重构AI架构在“通用”和“专用”之间怎么走第三条路
2.1 可重构到底重构的是什么
很多人听到可重构，第一反应是FPGA。但团队做的粗粒度可重构架构（CGRA）和FPGA有本质区别：FPGA重构的是底层逻辑门和布线，粒度细，配置开销大；CGRA重构的是运算单元阵列和数据通路，配置粒度在算子级。
做个不太严谨但好懂的生活类比：FPGA像是把一整盒乐高积木拆开，按图纸一块块拼出新结构，灵活没错，但拼装和拆解本身很费时费力；可重构架构更像一套精密的组合家具，今天组装成书架，明天拆成餐桌，切换的是大模块，而不是每一颗螺丝。芯片内部有一个规则排列的运算单元阵列，通过运行时改变每个单元的连接关系和功能，把不同算法直接映射到硬件上执行。算法改，映射就跟着改，硬件不需要重新流片。
这套思路跟门锁的需求天然契合：同一个芯片，既能跑老版轻量检测模型，也能跑后续推出的加强版活体模型。固定ASIC做不到这一点，或者说能做到，但代价是要重新投片；通用NPU可以跑不同模型，但大量通用逻辑和调度开销在门锁的严苛功耗下并不划算。
2.2 四类AI硬件路线摆在一起看
为了方便理解，我把CPU/GPU、ASIC、FPGA、CGRA四条路线放到同一张表里对比：
| 路线 | 灵活性 | 单位能效 | 典型静态功耗 | 适合场景 |
|---|---|---|---|---|
| CPU/DSP | 高 | 低 | 中等 | 控制、轻量算法 |
| GPU/通用NPU | 较高 | 中高 | 高 | 云端或大算力边端 |
| ASIC | 极低 | 最高 | 最低 | 算法冻结、海量出货 |
| FPGA | 高 | 中低 | 高（配置电路开销大） | 原型验证、动态重配 |
| 可重构阵列（CGRA） | 较高 | 高 | 低 | 算法迭代快的低功耗边缘AI |
这里最容易被忽略的是第三列“静态功耗”。对门锁来说，AI芯片一天99.9%的时间都在睡觉，如果架构本身带着一堆闲置但漏电的电路，那么即便运行功耗做得再漂亮，整机续航也撑不住。CGRA的优势就在于：阵列可以在微秒级完成配置切换，也可以在不需要时彻底关断，只保留极小的唤醒逻辑。
2.3 为什么“折中”对门锁特别有价值
门锁市场的算法迭代速度远超大多数人想象。某厂商今年主推人脸识别，明年可能就要加指静脉；型号与型号之间的活体等级要求也不一样。如果全都压在ASIC上，公司基本要每半年投一次片，费用和周期都受不了。
采用可重构方案后，同一个硅片可以覆盖多个型号、多代算法。原本需要为低端型号单独流片的需求被合并了，单颗芯片摊薄成本大幅下降。而且，可重构阵列能把连续算子直接安排在相邻单元上，让数据像流水一样“一趟走完”，中间结果不必反复写回外部存储。在部分检测模型上，这种数据搬运的节省比计算本身还明显，直接体现在整机功耗曲线里。
3. 门锁AI的功耗账本：真正的开销都藏在细节里
3.1 一次解锁全过程的时间线和功耗分布
先从整体看门锁的工作流程：
- 待机阶段：主控MCU低功耗运行，AI芯片处于深层睡眠，人体感应模块工作
- 唤醒阶段：热释电或雷达检测到人靠近，主控拉高AI芯片电源域，启动摄像头
- 处理阶段：图像采集、人脸检测、活体判断、特征比对
- 动作阶段：比对通过，开锁电机转动，AI芯片回到睡眠
整个AI运算部分可能只占100到200毫秒，摄像头曝光、补光灯点亮、电机转动同样耗电。很多团队做节能只盯着AI芯片，忘了补光灯可能是最大的电老虎。有一家厂商实测发现，红外补光LED点亮时电流可达几百毫安，甚至超过AI推理峰值，所以系统级调度远比单芯片功耗指标重要。
3.2 平均功耗是陷阱，瞬态功耗才是关键
电池供电设计里，最常见的错误是只算平均功耗。假设每晚触发10次开锁，每次AI运行时间100毫秒，那么AI运算的总耗电折算下来，对整块电池续航的影响其实有限。真正让人头疼的是两个指标：
- 待机漏电流：24小时连续消耗，决定“能放多久”
- 唤醒瞬间峰值电流：如果超过电池或电源管理芯片的供电能力，系统会直接掉电压，出现识别一半重启的诡异故障
可重构芯片这边的好处是设计了更细的多级睡眠：核心阵列完全关断只留内部状态保持、外设时钟全部停掉、仅保留唤醒接收逻辑。不同门锁厂商的触发方式不同，有的用PIR，有的用雷达，有的用按键，唤醒源设计得灵活一些，整机方案会省很多额外器件。
3.3 一次粗略的能耗估算，看懂数量级
我不太建议照着某个固定公式给所有芯片下结论，但我们可以做一个简化量级估算来找感觉。假设一颗面向门锁的AI协处理器在推理时运行频率约500MHz，核心电压0.8V，实测电流约300到800mA，那么推理阶段的功耗大约在0.25到0.65W之间。一次推理持续100毫秒，单次能耗就是25到65mJ。
对比待机：如果芯片睡眠功耗做到50微瓦，那么一天待机耗电约4.3焦耳，也就是4300mJ，足够支撑几十次、上百次开锁的AI推理。这说明一个反直觉的结论：AI识别本身并不是门锁续航的杀手，保持AI芯片长期低漏电、同时别让外围器件空转，才是续航设计的主战场。选芯片时，真正要看的是“唤醒到识别完成的系统级能量曲线”，而不是PPT上的峰值TOPS/W。
4. 在门锁项目里踩过的几个工程坑
4.1 接口带宽不够，数据搬运直接把时延拖垮
有一版快速打样方案，主控用UART把摄像头灰度图传给AI芯片。看起来逻辑没错，一帧640x480灰度图像差不多30万像素，UART跑1.5Mbps，算下来输一帧就要接近两秒，识别实时性完全没法看。后改成SPI接口加双缓冲DMA，又把缩放、裁剪这些图像预处理放到AI芯片内部去执行，传输数据量从几十万字节压缩到几万字节，整个流程才真正达到门锁可用水平。
这个坑给我留下的经验是：低功耗AI芯片不光看算力，还要看它和主控之间的数据通道。很多团队选完算力才发现通信接口成了瓶颈，最后为了塞进更高带宽的SPI或者并口，主板改动一轮又一轮。最好在方案初期就确认好图像数据从哪来、以什么格式传、预处理在谁那边做，别把“搬运”的工作流到最后一刻才优化。
4.2 补光灯和AI调度没联动，待机电流悄悄超标
另一个让人头疼的问题是补光灯。门锁在暗光环境做人脸识别几乎必须用红外补光，但补光灯一开，电流立刻拉高几十到几百毫安。如果代码逻辑是“等AI识别完再关灯”，那么即便AI芯片只用了100毫秒，补光灯可能点亮了整整一秒，整机功耗直接被带偏。
他们在量产调试阶段把补光灯、摄像头曝光和AI推理放进了同一条硬件调度链路：红外补光只在摄像头曝光的极短窗口内点亮，AI计算刚结束就立刻关灯，同时芯片进入睡眠状态。这需要主控固件和AI芯片驱动之间做细粒度同步，通常是几个GPIO信号或硬件定时器配合，而这一层配合往往会决定整块门锁能否过功耗认证。
4.3 算法升级后，可重构配置反而要重新调
这是我觉得最值得展开的一个坑。某厂商从上一代轻量人脸检测模型切换到新推出的抗逆光模型后，发现同一颗可重构AI芯片跑起来性能始终不理想。排查了一周多，问题不在算子本身，而是新版模型里的图像归一化层和缩放层，在阵列上的数据排布跟旧版差异太大，导致缓冲区频繁冲突，流水线被打断。
解决方案也很实在：把归一化层拆成更细的算子片段，重新映射到阵列的不同子区域，同时调整了中间数据的排布方式。经过这一轮调试，性能不仅追平旧版，后续再升级其他模型时也有了成熟的调整套路。这也是可重构芯片一个容易被低估的门槛：硬件只是地基，把模型高效“搬”到阵列上的工具链和算子库，才是决定交付速度的关键。
4.4 安全子系统的分工，不能全塞在AI芯片里
门锁涉及家人安全和财产防护，人脸方案必须有活体检测，还要防拆报警。这个团队踩过更深一层的问题：要不要把密钥存储和比对逻辑也放进AI芯片？如果全塞在一起，AI芯片一旦被侧信道攻击或调试接口没封好，整个门锁的安全边界就没了。
最后量产方案采用了“AI芯片只提特征，安全MCU做最终认证”的分工：AI芯片负责把人脸图像变成特征向量，不接触任何账户密钥；安全模块独立保存模板和开关锁记录，两者之间只传特征向量和指令。即便AI芯片被暴力破解，攻击者拿到的也只是当前帧特征，不能直接开锁。对门锁这类安全敏感设备，这个隔离设计比单纯追求算力重要得多。
5. 复盘：选智能门锁AI芯片时，究竟要盯哪几张表
5.1 不要被TOPS/W峰值带偏
现在很多AI芯片厂商喜欢讲TOPS/W，好像数字越大就越省电。实际上，门锁根本不跑大算力模型，也不存在长期满载运行的场景。真正值得做的是列一张“系统级电流表”，把摄像头、补光、主控、无线模块、AI芯片全部拉进去，测完整解锁链路的电流曲线。峰值TOPS/W只能说明短时间计算的账，说明不了“待机+唤醒”这套组合拳够不够稳。
量化验收时，我建议盯这几个指标：待机平均电流、唤醒到首帧输出时延、识别成功时的总电流脉冲包络、连续被触发多次后的功耗漂移。这四个指标过了，门锁续航基本不会出大问题。
5.2 工具链和算法可移植性比纸面性能更值钱
选择可重构AI芯片，本质上是选择一个“模型到硬件的映射体系”。如果工具链只能支持少数几个固定模型，或者新增算子要芯片原厂改驱动，那这样的可重构就是伪可重构。真正成熟的做法是：把客户自己的算法模型丢进编译器，经过量化、调度、映射，自动生成配置流和二进制，并提供足够准确的功耗估计。
选型时要做一次实际的小样本移植，让候选团队把你的一个真实模型跑在他们工具链上，记录从拿到模型到跑通的时间。如果这个时间是几天而不是几周，说明工具链整体成熟度不错；如果原厂要求你先准备一堆他们指定的模型格式，可能后续算法迭代时你会被被动牵着走。
5.3 供应商协作模式，决定量产后的运气
最后一条经验关于合作本身。芯片指标再好，联调时找不到人，照样出不了货。一家好的AI芯片团队，应该能提供不止芯片还有开发板、参考驱动、典型模型的功耗报告和现场支持。门锁厂商多数主攻结构、电机、云端和App，AI芯片对他们来说是个新物种，如果供应商只在卖芯片时出现，后面对接模型升级、功耗调参会非常痛苦。
另外建议把验收流程分段：先验唤醒成功率和识别时延，再验全链路电流曲线，最后做高低温环境下的漏电流测试。不要一次性丢一个大目标，更容易排查问题。可重构芯片因为可配置性更强，有时候同一颗芯片在不同温度下的漏电特性也有差异，这些细节需要原厂和方案商一起担责任。
回头聊起这个项目，那位负责人有句话我印象很深：“可重构带来的不是多卖几颗芯片，而是让终端厂商敢把更多AI功能往下压，敢在边缘侧尝试以前只能跑在云端的想法。”智能门锁只是被验证的第一个场景，后面还有更多小功耗设备会沿这条路线走。对我个人来说，这次交流最大的收获是把“可重构”从一个PPT概念，变成了一笔笔能耗账和一个又一个工程坑。希望这篇整理也能帮你在选型会议上有底气地问出下一句：“这套架构，能跑我的模型吗？”
