【導讀】目前行業多數邊緣 AI 方案僅能完成單模型推理演示，真正落地產品時，會面臨多模型聯動復雜、軟硬件調度困難、實時性不足、云端依賴強、開發門檻高等一系列工程問題。邊緣 AI 的競爭重心，已經從 “能否跑通模型” 轉向 “能否穩定運行完整業務流程”。瑞蘇盈科 Mercury+ MP1 異構平臺結合 MakarenaLabs MuseBox 編排方案，依托 CPU+FPGA 異構架構，構建端側完整 AI 處理流水線，為邊緣 AI 工程化落地提供了成熟路徑。
邊緣AI這幾年很熱。但如果站在工程師的角度看，一個模型能夠在開發板上跑起來，距離真正做成產品，其實還差得遠。
攝像頭采集的數據怎么處理？不同AI模型怎么銜接？推理任務哪些交給CPU，哪些放到FPGA？實時結果怎么輸出？設備是不是必須依賴云端？這些問題一個個看起來都不大，真正組合起來，卻很容易把一個AI Demo變成一個復雜的工程項目。
所以，邊緣AI正在進入一個很有意思的階段：過去大家關注的是“能不能跑AI”，現在更需要解決的是“能不能把完整AI流程跑起來”。
MakarenaLabs的MuseBox與瑞蘇盈科（Enclustra） Mercury+ MP1的組合，正是在這個方向上給出了一個比較典型的思路。它不是簡單把一個AI模型放進FPGA，而是試圖把Linux處理、FPGA硬件加速、AI模型以及整個推理流程組織到同一個邊緣平臺中。
一塊SoM，為什么還要把CPU和FPGA放在一起？
這套方案的硬件基礎是瑞蘇盈科（Enclustra）的Mercury+ MP1，核心采用Microchip PolarFire SoC。它的一個關鍵特點，就是沒有把CPU和FPGA割裂開來。Linux運行在SoC的處理系統上，而需要硬件加速的AI任務，則可以通過VectorBlox以及自定義FPGA IP來實現加速。
這套架構其實非常符合邊緣設備的現實需求，因為邊緣AI不是只有“算”。系統啟動、設備管理、網絡通信、數據調度、應用邏輯，這些工作依然需要處理器完成；而對于實時性要求更高、數據吞吐更大或者適合并行處理的任務，FPGA則可以提供另一條路徑。
簡單來說：CPU負責靈活，FPGA負責加速。
這句話聽起來有點老，但放到今天的邊緣AI里，依然很實用。尤其是當設備面對不同傳感器、不同數據流和不同AI模型時，硬件可定制能力就不只是一個“加分項”，而可能直接影響產品能不能落地。
真正讓方案發生變化的，是MuseBox
如果只有Mercury+ MP1，那么它本質上仍然是一套具備CPU+FPGA能力的SoC硬件平臺。MuseBox加入之后，事情就變了。資料中對MuseBox的定位非常明確——它負責AI流程的編排，可以把完整AI Pipeline放在本地運行，從實時輸入一直到推理和輸出，不強制依賴云端。
這個變化其實很關鍵，因為真正的邊緣AI應用，很少是一個模型從頭跑到尾。實際系統往往是多個處理環節串起來的。比如視覺場景中，前端可能首先獲取視頻流，然后進行圖像處理，再進入目標檢測、深度估計或者人臉分析等AI任務，最后把結果交給應用層。
如果這些事情全部靠工程師自己拼起來，開發難度自然不低。MuseBox做的事情，可以理解為給底層硬件和上層AI應用之間搭了一層“編排層”。它讓硬件加速能力不再只是孤立存在，而是成為完整AI處理流程的一部分。這也是這個方案比較值得關注的地方。
從“單個模型”到“AI Pipeline”
MuseBox目前展示的AI能力包括人臉檢測、識別與分析、目標檢測、深度估計，以及人臉和手部關鍵點檢測、手掌檢測等。單獨看這些功能，其實并沒有什么神秘之處。真正值得看的，是這些能力被放到了一個統一的邊緣AI平臺里。
換句話說，它關注的不是：“我能不能運行一個模型？”，而是：“多個AI任務能不能在設備本地形成一條連續的處理鏈？”這兩個問題看起來只差幾個字，背后的工程復雜度卻完全不同。
當AI應用從單一識別功能走向多模型協同，模型本身反而不再是唯一核心。數據如何流動、模型如何調度、硬件如何加速、結果如何交互，這些都會變成系統設計的一部分。因此，“AI Orchestration”這個概念開始有了實際意義，它不是單純管理幾個模型，而是把數據、模型、計算資源和應用流程組織起來。
FPGA的價值，也正在發生變化
過去很多人理解FPGA，首先想到的是高速接口、數字信號處理、視頻處理或者通信。AI起來以后，FPGA當然也可以承擔推理加速。但如果只把FPGA理解成“另一個AI加速器”，其實還是低估了它。
Mercury+ MP1這套架構真正有意思的地方，在于FPGA不是孤立工作的。它和Linux處理系統結合在一起，同時又可以通過VectorBlox或者自定義IP進行硬件加速。這意味著開發者面對的并不是一塊只有固定AI能力的芯片，當應用發生變化，需要重新設計數據通路或者加入特定硬件功能時，FPGA仍然留有調整空間。
這恰恰是邊緣設備比較看重的一點，畢竟工業視覺、機器人、智能終端等應用，往往不會像云端服務器那樣擁有充足的算力和功耗空間。設備端真正需要的是：在有限資源下，把最關鍵的任務處理得足夠快，而且還得穩定。FPGA在這里提供的，除了算力，還有一定程度的硬件自由度。
為什么“本地運行”越來越重要？
這套方案還有一個容易被忽略的關鍵詞：Local。
MuseBox可以讓完整AI流程在邊緣側運行，不強制依賴云端。這并不意味著云端AI沒有價值，恰恰相反，云端仍然適合大規模模型訓練、集中式數據處理以及復雜計算。但到了設備端，很多任務并不需要把原始數據全部送到云端。
實時視覺就是典型例子。攝像頭的數據持續進入，如果每一幀都經過網絡傳輸再等待云端返回結果，系統的實時性和穩定性都會受到影響。而在本地完成采集、處理、推理和輸出，整個系統的響應鏈路可以更短。這也是邊緣AI真正的價值之一：不是為了“脫離云”，而是讓需要實時完成的事情，就地完成。
從硬件平臺走向“可用的AI平臺”
這套方案還有一個比較現實的設計：MuseBox支持WebSocket集成，并提供可選的No-Code GUI。這兩個能力看起來不像FPGA參數那么“硬核”，但對于產品開發反而很重要。
因為硬件廠商最終面對的客戶，不一定都是FPGA工程師。如果每一個應用都要求客戶深入理解SoC架構、FPGA IP、AI模型部署和底層數據通路，那么硬件平臺本身再強，推廣起來也會比較吃力。
所以真正成熟的邊緣AI平臺，最終一定會出現一種趨勢：底層越來越復雜，上層反而越來越簡單。
復雜性留在平臺里面。客戶看到的，則應該是一個可以配置、調用和部署的AI能力。MuseBox的No-Code GUI和WebSocket接口，本質上就是在做這種“降低應用門檻”的事情。
對FPGA產業來說，這可能才是更值得關注的變化
如果把Mercury+ MP1和MuseBox單純當成一個AI Demo來看，其實沒有必要過度解讀。但如果把它放到整個邊緣計算產業里看，就能發現一個趨勢越來越清楚：未來的邊緣AI競爭，不只是芯片算力競爭。
硬件架構、AI加速能力、軟件工具鏈、模型部署以及應用編排，正在逐漸變成一個整體。這也是為什么SoM越來越適合這種應用。
資料中的完整平臺由MakarenaLabs MuseBox AI Server、瑞蘇盈科（Enclustra） Mercury+ MP1 SoM與ST1基板、Microchip PolarFire SoC，以及VectorBlox/自定義FPGA加速組成，每一層負責不同的事情：
SoM解決硬件集成問題；
PolarFire SoC提供處理與FPGA資源；
VectorBlox和自定義IP承擔硬件加速；
MuseBox則負責把這些能力組織成完整AI流程。
這樣一來，AI就不再只是“芯片上的一個模型”，它開始真正成為設備的一部分。
從Demo到產品，中間差的就是這一層
其實現在做一個AI Demo并不算特別難。真正困難的是把它變成一個長期運行、實時響應、能夠與設備系統協同工作的產品。
這也是MuseBox與Mercury+ MP1組合給出的一個比較有價值的啟示：邊緣AI的下一階段，不應該只追求“把模型跑起來”，而應該關注“把整個AI Pipeline跑起來”。
從輸入，到預處理；
從CPU，到FPGA；
從模型推理，到結果輸出；
再到應用接口和系統協同。
只有這些環節真正連起來，邊緣AI才算完成了從技術演示到產品能力的跨越。
對于FPGA而言，這同樣意味著新的角色。它不再只是傳統意義上的邏輯資源或者硬件加速器，而有機會成為邊緣AI系統里的可編程計算底座。
而PolarFire SoC與Mercury+ MP1提供的是這塊底座，MuseBox做的，則是把底層能力真正“組織起來”。
所以，“能跑AI”只是起點。真正值得期待的，是讓AI在設備里持續、實時、穩定地跑完整個流程。
這或許才是邊緣AI走向規?；涞刂?，FPGA真正值得抓住的機會。
結論
邊緣 AI 規?；涞氐暮诵钠款i不在于算力，而在于系統級工程能力?；?PolarFire SoC 的 Mercury+ MP1 平臺依靠 CPU 兼顧系統業務靈活性、FPGA 保障實時加速性能的異構架構，適配各類受限邊緣場景。搭配 MuseBox 實現的端側全流程 AI 編排，可完成多模型協同、本地數據處理、脫網推理與標準化輸出，徹底打通從數據采集到結果輸出的完整鏈路。同時低代碼部署能力大幅降低開發難度，讓邊緣 AI 擺脫演示屬性，真正實現穩定、可量產的商業化運行，也推動 FPGA 從單純硬件加速器升級為下一代邊緣 AI 的可編程核心底座。
