实时、高能效AI处理需求的日益增长推动了专为Edge AI应用设计的硬件架构的发展。基于冯·诺依曼架构的传统数字计算硬件难以满足这些AI需求，促使新型计算方案的出现。本章探讨Edge AI硬件的发展历程，重点关注基于自旋电子学的模拟AI平台，如MultiSpin.AI[27]，这些平台可能在欧洲新型Edge AI硬件的发展中发挥重要作用。
6.1 边缘AI硬件推动自旋电子学创新的要求自动驾驶等新兴行业对实时处理、低延迟和低能耗的需求，显著加速了从云端AI处理到边缘AI的转变。这种行业特定的转变导致了对低功耗、高计算效率的专用AI硬件解决方案的需求增加。
6.2 自旋电子学AI平台自旋电子学技术利用电子自旋的内在量子力学特性进行信息存储和计算。这些技术已成为通用神经形态系统和专用模拟存内协处理器的有前景基础。自旋电子学系统具有显著优势，包括超低功耗、提升的可扩展性以及对微型化效应的高鲁棒性，使其非常适合紧凑型、能耗敏感的边缘AI应用。
这些技术革新共同标志着AI硬件领域的变革性突破，为边缘计算环境提供了量身定制的解决方案，其中能效、速度和实时响应能力至关重要。
6.3 边缘AI硬件平台对比
自旋电子学不仅利用电荷传输，还利用电子的自旋特性，显著增强了传统基于电荷的电子学。传统电子学主要依靠电荷来生成电压、电流并定义电阻，而自旋电子学则利用电子自旋——一种代表固有角动量的量子力学性质——来实现更复杂的功能。
电子电荷与自旋的双重利用为计算和数据存储领域的先进技术及新范式开辟了道路。自旋效应带来的额外功能包括：
• 非易失性：基于自旋的设备（如MRAM）即使在断电情况下也能保留存储的信息，无需持续供电。这种固有的非易失性特性有助于实现持久耐用的数据存储，对缩短启动时间和提升电子设备可靠性至关重要。
• 能效：自旋电子学器件相比传统电子设备大幅降低功耗。这种高效性源于操控电子自旋状态所需的能量远低于通过电阻通道移动电荷。自旋电子学因此显著降低能耗，可能将功耗降低数个数量级，从而延长电池寿命并促进更可持续的电子系统。
• 可扩展性：电子自旋的固有特性使自旋电子学技术能够以极高密度集成，在缩小尺寸的同时不降低设备性能。这一特性对于开发下一代电子设备（包括量子计算和先进集成电路）所需的超密集存储解决方案和紧凑型计算架构至关重要。
• 低比特间差异：基于自旋的技术在单个比特间具有天然的低差异性，确保性能的高精度一致性，这对AI工作负载尤为关键。较低的差异性提升了关键应用中的计算精度、可靠性和可重复性，例如神经网络推理、机器学习加速器以及需要稳定可重复结果的精密计算任务。
总之，自旋电子学不仅与传统电子技术互补，还通过实现更高效、鲁棒、可扩展且可靠的计算系统显著推动传统电子技术的发展，因此有望应对未来的技术挑战。
MultiSpin.AI 使用的关键自旋电子学技术如下：
• SOT（自旋轨道扭矩）器件：利用自旋轨道耦合快速切换磁态，实现高速、高能效计算，适用于先进计算和AI应用，显著降低功耗并提升设备可靠性。
• 多级磁隧道结（M2TJ）：支持每个单元的多个磁态，实现n元逻辑运算，提升计算效率、降低能耗、提高AI工作负载的准确性，并提供可靠高效的处理能力。
6.4 MultiSpin.AI：Edge AI处理的范式转变MultiSpin.AI 相较于传统AI硬件具有优势。例如，它引入了n元自旋电子AI协处理器，突破现有AI加速器的限制。关键优势包括：
• 通过内存集成AI处理绕过冯·诺依曼瓶颈
• 能耗比传统数字AI芯片降低超过1000倍
• 支持边缘应用的高密度实时AI推理
为什么要在欧洲监测并开发MultiSpin.AI？
• 欧洲创新领导地位：欧洲目前在AI半导体技术领域缺乏主要参与者。投资MultiSpin.AI符合欧洲芯片JU计划，提升欧洲在芯片开发方面的自主权，并提升下一代AI计算的竞争力。
• 符合可持续发展目标：AI工作负载消耗的能源日益增加。MultiSpin.AI的超低功耗自旋电子技术直接支持欧洲绿色新政，显著降低能源消耗，助力可持续数字化转型。
6.5 自旋电子学AI硬件的可持续未来自旋电子学AI硬件的可持续未来包括以下支柱：
• 资金与政策支持：确保专门的资金和政策支持对于将欧洲定位为自旋电子学AI领域的领导者至关重要。将MultiSpin.AI整合到Horizon Europe中将提供必要资源，并促进战略规划与实施。
• 行业合作：与STMicroelectronics、Infineon Technologies、NXP Semiconductors等半导体公司以及imec等研究机构的合作是实现自旋电子技术商业化的重要途径。他们的设计和制造专长能够加速产品开发和市场进入。
• 学术研究：扩大自旋电子神经形态计算领域的学术研究将提升欧洲在下一代AI硬件中的地位。支持自旋电子材料、器件和算法的研究对于创新和知识产权创造至关重要。
应对日益增长的AI需求：需要高能效、高性能加速器。MultiSpin.AI为可持续AI硬件创新提供了契机。政策制定者、学术界和产业界的合作对于有效开发和商业化这项技术至关重要。
6.6 结论实时、高能效AI处理的需求增长已超出传统数字硬件的能力，促使向专为Edge AI设计的新型架构转变。自旋电子学技术（例如MultiSpin.AI平台）通过实现超低功耗、可扩展且高性能的AI推理，提供了一种有前景的替代方案。自旋电子学系统凭借内存处理、非易失性和量子级效率等优势，解决了Edge AI的关键挑战，包括延迟、能耗和设备小型化。
MultiSpin.AI 代表了范式转变，其能效较传统处理器提升超过1000倍。同时契合欧洲在可持续性、数字主权和产业竞争力方面的战略目标。要充分释放这一潜力，持续投资、跨行业协作和针对性研究至关重要。自旋电子学AI硬件不仅满足边缘计算的技术需求，更确立了欧洲在下一代AI创新中的领导地位。
7 KDT和Chips JU研究与创新时间线Chips JU（前身为Key Digital Technologies）是一个产业主导的倡议，旨在通过应对关键技术和战略挑战来提升欧洲半导体生态系统。其核心聚焦于“先进芯片设计”，目标是为AI、IoT和边缘计算开发下一代架构。在本章中，我们将有意缩小范围，聚焦当前科学Edge AI领域中的主要发展趋势，提炼关键见解与成果。尽管其他项目，如Horizon Europe和国家倡议，也在推动AI和Edge AI的发展，但它们不在我们的数据收集范围内。
7.1 数据收集项目来源于欧盟委员会的CORDIS数据库和Chips JU网站。在审查项目的目标和目的后，我们将项目分为两类：
• 专注于创新Edge AI硬件及应用场景的项目
• 专注于生态系统开发、工具和工程平台的项目
对于每个项目，我们记录了关键维度，包括名称、目标、用例和信息来源（含官方网站）。我们使用ChatGPT-4o（Premium版，支持Web Search）提取项目目标和示例用例，并验证所有结果的准确性。
由于许多交付成果的机密性及其对工业合作伙伴的战略价值，本分析依赖于公开数据。对于第一类，我们研究了公开项目页面上展示的示例用例；对于第二类，我们收集了硬件策略和平台的相关见解。这使我们能够基于公开信息确定每个项目的预期成果和贡献。
KDT JU于2019年在欧洲启动AI4DI（人工智能赋能行业数字化），随后于2020年启动ANDANTE（面向边缘设备与技术的AI）。两个项目均已结束，并取得了切实成果。与此同时，后续项目仍在进行中，其全面影响将在未来几年逐步显现。
所调查的项目共同展示了一系列多样化的Edge AI解决方案，这些方案有望变革汽车、制造、医疗保健和农业等行业。硬件（eg, 嵌入式内存、神经形态芯片）、软件（eg, 联邦学习、实时分析）以及架构设计（eg, 边缘-云连续体）的创新正在推动性能、安全性和可持续性迈上新台阶。此外，这些进展促进了跨行业协作，推动了技术转移和共享价值创造。随着边缘AI的成熟，它有望带来更以人为本、更具韧性且更环保的应用，为横跨整个经济和社会领域的广泛数字化转型奠定基础。
7.2 硬件平台、工程工具及生态系统的设计KDT 和 Chips JU 资助了一系列专注于硬件设计、集成与工程领域工具与平台的项目。表7.2介绍了这些项目中采用的创新硬件方案。
这些举措强调以硬件为中心的创新，每个项目都致力于在半导体设计、低功耗架构和安全设计方面突破边界。这些项目共同致力于优化或开发新的工具链和平台，以简化先进硬件解决方案的创建过程——无论是FPGA、ASIC、神经形态芯片还是安全SoC。
所有项目都高度重视资源受限环境中的能效和AI加速，通常通过在硅片层面集成信任锚点、加密技术以及神经形态或事件驱动范式来实现。最后，这些项目共同聚焦于协作开发与欧洲主权，凸显了提升欧洲在半导体技术和AI创新领域地位的更广泛雄心。
8 市场动态本章讨论的市场动态体现在推动Edge AI创新和在新兴市场中开发新应用的主要企业中。随着大多数欧洲半导体公司全球化，市场边界日益模糊。例如，英飞凌在中国及亚洲的员工数量最多。
战略市场重心正转向印度、墨西哥等新兴工业国家，这些国家属于BRICS联盟。面对当前的地缘政治紧张局势，欧洲日益需要保障供应链安全并实现技术自主。
全球IT和AI巨头如谷歌、AWS和特斯拉早已洞察这一趋势，正构建灵活的跨域架构以实现资产的跨域、跨国灵活调配。
表8.1展示了截至2025年2月14日按市值排名的领先半导体公司概览。当然，市值会因市场波动而变化，该数据基于截至2025年2月14日的最新可用信息。
欧洲主要芯片供应商如恩智浦、英飞凌和意法半导体均位列全球前20，而NVIDIA则遥遥领先。根据market.us的最新报告，全球Edge AI芯片市场规模预计从2023年的24亿美元增长至2033年的252亿美元，预测期内复合年均增长率（CAGR）为26.5%。
Edge AI芯片市场的增长由多个因素驱动。
• 延迟降低：设备端处理数据可减少将数据传输到集中式云服务器所导致的延迟，从而加快决策速度。
• 隐私增强：设备端处理确保敏感数据本地化，降低数据泄露风险并提升用户隐私保护。
• 效率提升：通过设备端处理AI任务，设备运行更高效，节省带宽并减少对持续网络连接的依赖。
这些优势正在推动Edge AI解决方案在消费电子、汽车、医疗和制造等行业的快速普及。需要注意的是，市场预测可能因不同的研究方法和数据来源而有所差异。例如，一些报告显示，全球AI芯片市场（包括边缘和云端AI芯片）预计到2033年将达到5209.1亿美元，年复合增长率（CAGR）为37.77%。
总结而言，边缘AI芯片市场有望实现显著增长，得益于各行业对实时处理、隐私保护增强和效率提升的AI应用需求持续增长。作为市场领先者，NVIDIA提供了一系列全面的平台和解决方案，专为各行业的Edge AI应用定制。
关键产品详见表8.2，该表对NVIDIA最新边缘AI硬件和工具进行了结构化总结，涵盖Jetson模块、独立GPU、开发套件和AI软件。这些平台专为将AI能力直接部署到边缘设备而设计，实现实时处理、增强隐私保护并提升各应用场景的效率。此外，NVIDIA还推出了DIGITS和Cosmos两个新平台。
DIGITS：NVIDIA于2025年CES推出的个人AI超级计算机，专为个人开发者、研究人员和学生提供高性能AI计算能力。该紧凑型系统搭载全新NVIDIA GB10 Grace Blackwell超级芯片，AI算力高达1 petaflop，使用户能够直接在桌面高效地进行大型AI模型的原型开发、微调和运行。DIGITS项目起价3000美元，让高性能AI计算更易获取，减少对云服务及其相关成本的依赖。其紧凑设计支持标准电源插座供电，适用于各类工作环境。
Cosmos：NVIDIA 的 Cosmos 是一个旨在加速物理 AI 系统开发的平台，例如自动驾驶汽车和机器人。它提供基于大量视频数据训练的生成式世界基础模型，能够从各种输入生成物理感知模拟。Cosmos 包含高级 tokenisers 用于高效数据处理，以及 guardrails 以确保安全和伦理标准。通过提供这些工具，Cosmos 旨在让开发者更便捷高效地进行物理 AI 开发。
8.1.1 欧洲厂商的机会与机遇欧洲AI芯片厂商通过几个独特的卖点与英伟达区分开来：
• 能效：例如ARM等公司开发了以能效著称的芯片架构。ARM的设计在移动设备中广泛使用，并越来越多地应用于数据中心以降低功耗，为英伟达GPU提供更可持续的替代方案。
• 信任、安全与保障：在欧盟监管框架下运营的欧洲厂商可受益于旨在提升科技行业高安全与保障标准的政策。例如，2024年推出的AI法案提升了欧洲解决方案的可信度。欧洲公司在电源管理IC和嵌入式安全解决方案方面的专业知识也使其在Edge AI领域具备竞争优势。在汽车系统等受监管应用中部署AI时，安全与保障至关重要，而这些领域常被其他公司忽视。在边缘端本地处理数据可增强安全性和数据保护，这对自动驾驶汽车等应用至关重要。在产品、工具和平台方面，传统功能固定的Edge AI市场已相当成熟。用于部署轻量级、领域特定GenAI模型的工具（如NXP的eIQ GenAI Flow）也为边缘端部署GenAI铺平了道路。
欧洲领先的芯片和微电子公司及知名研究机构已成立Edge AI工作组。他们共同设定了目标，制定路线图以指导Edge AI的未来发展。该路线图旨在维持欧洲在该领域的领先地位，并跟上快速创新的步伐。
8.1.2 意法半导体意法半导体（ST）提供全面的Edge AI技术组合，结合先进的硬件和软件解决方案，以实现各种应用中的高效设备端AI。表8.3汇总了其关键产品。
这些工具共同构建了一个强大的生态系统，帮助开发者在广泛的应用场景中利用STMicroelectronics的硬件平台实现Edge AI解决方案。
8.1.3 NXP恩智浦半导体提供广泛的Edge AI解决方案，涵盖高性能应用处理器、高效跨界处理器和微控制器，均由统一的机器学习软件环境支持。这些解决方案专为边缘AI设计，具备低延迟、隐私保护和高能效特性。
表8.4详细介绍了NXP的最新处理器、开发板、AI加速器和Edge AI软件工具，重点突出关键规格、目标应用和创新，以及它们如何支持模型部署、优化和边缘实时推理。
通过这些创新，NXP赋能开发者创建智能、安全、可靠、认证、高效的边缘应用。
8.1.4 英飞凌科技股份有限公司英飞凌是全球领先的半导体制造商，专注于电力系统和物联网解决方案。表8.5概述了英飞凌的关键Edge AI技术。
这些技术赋能开发者创建适用于多种应用场景的高效、智能边缘设备。
9 目标、目的与行动建议虽然早期GenAI的重点是参数量达数百亿至数千亿的超大型语言模型，这些模型需要强大的计算能力、高速连接、大带宽和海量训练数据，但如今该领域正转向更高效、更易获取的方案，这些方案能在更狭窄的应用场景中提供强劲性能，同时所需资源更少。当前，主流科技公司推出了轻量级AI模型，专为边缘计算设计，即使在资源有限、连接不可靠且对实时性或安全关键要求严格的低功耗设备上（例如汽车应用）也能高效运行。然而，解决设备限制和约束需要创新方法，并在边缘AI的硬件和软件开发中实现范式转变。
边缘AI工作组制定了以下行动：
• 实现欧洲商业和制造业的战略自主，需通过在技术、国防和能源等关键领域促进自力更生来减少对外部实体的依赖。这种方法增强了欧盟独立行动的能力，维护民主价值观，并强化其作为全球行为体的地位。
• 向欧盟委员会及相关利益相关方传达清晰的愿景对于协同努力实现共同目标至关重要。明确的欧洲战略有助于促进开放合作，确保政策一致性，并有效调动资源，从而推进促进EU内创新、竞争力和可持续性的举措。
• 识别行业尤其是中小企业的应用场景，对量身定制技术解决方案以应对现实挑战至关重要。通过了解中小企业的具体需求，可制定相关政策支持其应用AI及其他先进技术，促进增长、提升竞争力并推动AI普及。
• 识别未来5至10年内具有合理市场规模的关键使能技术与基础组件，涉及预测技术趋势和市场需求。这种前瞻性使欧盟能够战略性地投资于Edge AI等领域，确保新兴技术符合欧洲价值观并具有显著的经济影响潜力。
• 识别依赖关系和风险对保障技术自主至关重要。通过评估对非欧盟技术和资源的依赖，欧盟可制定策略以降低风险、推动供应链多元化并加强内部能力，从而增强应对外部冲击的韧性。
• 识别产业与研究机构间的合作机会可促进创新、加速科技发展。企业与研究机构的合作关系促进知识转移，支持研究成果的商业化，并增强EU在全球市场的竞争优势。
• 识别跨领域协同效应、技术转型、生态系统及工具设计，需要识别不同领域和技术之间的重叠。利用这些协同效应可以带来更高效的开发流程、降低成本，并创建适用于多种应用场景的多功能工具，从而最大化技术进步的影响。
• 协助企业做出技术开发与战略合作的投资决策，需要提供市场趋势、技术进步和潜在合作机会的洞察。这种指导使企业能够有效配置资源、持续创新，并在快速变化的技术环境中保持竞争力。
• 利用RISC-V和绿色ICT等赋能技术，需要采用开源硬件架构和可持续ICT。这些技术促进创新、降低成本、符合环境目标，有助于欧盟的数字主权和可持续发展目标。
• 将Edge AI作为Chips JU的战略资产，需要将AI能力直接集成到硬件组件中。这种方法能够提升处理效率、降低延迟，并支持高级应用和编程框架的开发，从而加强欧盟在半导体行业的地位。
• 构建欧洲本地及边缘AI计算能力，包括在本地和深层边缘运行AI学习与推理工作负载的能力，至关重要。这些能力应重点聚焦于部署工具和低功耗芯片，并实现前所未有的能效水平。技能培养是支持先进技术研发和创新的基础。对本地高能效计算基础设施和教育项目的投资，确保欧盟在人工智能和大数据分析等领域拥有必要资源和人才以保持领先地位。
• 推动AI使用与发展的教育与培训，需要设计培训课程，使个人掌握负责任地使用和构建AI技术的技能。聚焦应用AI，确保新一代劳动力满足欧洲数字经济的需求，并推动伦理AI发展。
• 减少人才流失需要营造留住并吸引欧盟内人才的环境，通过整合各国构建统一的人力资源体系。这可以通过提供共同价值观、有竞争力的机会、培育创新生态系统和支持研究与创业来实现，从而避免专业人才流向其他地区。
• 支持并简化Edge AI领域初创企业的创建，包括减少行政壁垒、提供资金支持和导师计划。这些措施鼓励创业，刺激经济增长，并推动欧盟内部的技术创新。促进高潜力人才在欧盟范围内的流动对于培育创新和维持知识增长至关重要。通过促进人才流动，欧盟将增强知识留存，并确保对各国在学生和青年专业人士教育上投资的回报。为更好地评估这些举措的影响，应纳入欧盟每年STEM毕业生数量的数据——这是通过公共教育投资产生的区域潜在智力资本的指标。
欧盟通过聚焦于美国或亚洲尚未主导的领域，可以在新兴技术中开辟细分市场。通过识别并投资于未充分开发的领域，欧盟可以确立领导地位、实现技术组合多元化，并减少对外部技术的依赖。欧盟应统一协作，开发人脑高能效芯片（例如50 Peta Operations/W），专注于高能效、可扩展的本地及边缘AI计算。这将有助于实现脱碳、CO2减排、节水节能，并避免AI计算中心依赖核反应堆供电，如同美国在高性能和云端生成式AI计算中的做法。此外，数据清洗、压缩与增强，以及知识蒸馏、剪枝和深度异构量化等模型优化方法也应作为战略重点。
这些策略共同旨在加强欧盟的技术主权，促进创新，并确保欧洲企业和产业在全球舞台上保持竞争力。
实施以下措施有助于实现这些目标。然而，针对所述目标，需要在欧盟内全面推进Edge AI。
• 战略与全球趋势及欧盟举措的协同：为保持Edge AI领域的竞争力，必须使战略与全球发展趋势和欧盟举措保持一致。欧盟已推出多项重要计划，例如EU AI Champions Initiative和InvestAI，共同调动约2000亿欧元以加速全欧AI创新。与这些举措协同可确保努力协调一致，通过共享资源和知识推动技术进步。
• 评估当前EU及全球Edge AI技术前沿：对EU及全球Edge AI现状进行全面评估至关重要。这需要评估最新进展、正在进行的研究和新兴应用，以识别优势和需要改进的领域。例如，EU资助的dAIEDGE项目联合顶尖研究机构和工业合作伙伴，开发分布式AI解决方案的新范式，使欧洲处于Edge AI创新的前沿。
• 降低Edge AI系统的复杂性：简化Edge AI系统对更广泛的采用和效率至关重要。数据清洗、压缩和数据增强等技术，以及剪枝和量化等模型优化方法，可使AI模型更适合部署在资源受限的边缘设备上。此外，包括框架支持和硬件加速在内的系统优化策略，有助于提升Edge AI工作流程的效率。
• 组织应用与领域咨询：与多元利益相关方进行咨询互动对收集见解和促进合作至关重要。像EU的IoT政策这样的举措，展示了跨行业协作的重要性，即通过开放平台和标准促进工业合作，从而在整个边缘生态系统中实现欧洲领导地位。
• 未来芯片法案联合计划（JU）优先事项、主题与基准设定 ：明确优先事项和基准对于指导未来研究和资金投入至关重要。欧盟芯片法案于2023年9月生效，旨在到2030年将欧洲在全球半导体市场的份额翻倍至20%，并提供430亿欧元的公共和私人投资用于芯片研发。将未来联合计划（JU）的项目征集与该法案对齐，可确保资源投向Edge AI的关键领域。
• 提升技术就绪级别（TRL）与促进市场准备度：推进Edge AI技术的TRL需要将创新从实验室转向实际应用。欧盟投入1.8亿欧元用于突破性数字技术，包括AI、机器人技术和新材料，彰显了弥合研究与市场部署之间差距的承诺。以客户为中心的研发确保技术满足市场需求并为成功应用做好准备。
通过解决这些方面，欧盟可以培育一个创新、具有竞争力且与区域和全球技术进步保持一致的稳健边缘人工智能生态系统。以下目标将提供指导，以克服突出的障碍，并维持和扩大欧洲参与者的地位。
9.1 目标1：构建欧洲生态系统，促进现有生态系统间的协同效应，加速Edge AI解决方案的应用。Edge AI在计算连续体中的作用日益增强。这些技术的采用，尤其是在安全关键系统中，不仅依赖于资源高效的tinyML方法和模型，还依赖于工程和芯片设计流程中的创新，包括仿真和测试。主要技术里程碑和R&I行动应解决：
AI的发展需要全面理解各种技术方面，以开发高效、可靠且以用户为中心的系统。以下是关键的详细阐述：
• 处理向边缘迁移：将计算任务从集中式云服务器转移到边缘设备，可降低延迟并增强隐私。高级内存管理和内存计算加速器等技术在这一转变中至关重要。内存计算通过直接在内存硬件中执行计算，减少了内存与处理单元间数据传输的能耗。该方法在低功耗AI边缘设备中尤为有效，解决了传统架构中固有的内存墙瓶颈问题。
• 基础模型、数据与学习技术：分布式Edge AI通过在多个边缘设备上部署AI模型，实现本地化数据处理与决策。这种范式依赖于专为边缘环境定制的基础模型、高效的数据管理策略，以及支持去中心化训练和推理的学习技术。通过分布式处理AI工作负载，系统能够实现可扩展性和弹性，这对自动驾驶汽车和智慧城市等应用至关重要。
• 支持多种计算范式与多技术AI的芯片：开发能够支持多种计算范式（如经典计算、模拟计算、类脑计算和深度学习）的AI芯片，对于多样化的AI应用至关重要。例如，BrainChip的Akida神经处理器采用基于事件的处理方式，模拟神经功能以提升边缘AI应用的效率。同样，AMD的Instinct MI300系列整合了传统核心和AI优化核心，以加速多样化的计算任务。用于边缘AI的新型自旋电子学硬件有望突破现有硬件架构的局限。
• AI验证与认证：确保AI系统的可靠性和安全性至关重要，尤其是在医疗保健和自动驾驶等领域。验证与确认（V&V）流程系统性地评估AI模型，识别潜在错误或偏差，并验证其性能是否符合预设标准。方法包括对代表性数据集进行测试、进行模拟以及分析决策过程，以确保AI系统在可接受范围内运行。
• AI可解释性、可理解性、验证与认证：构建可信AI系统的基础 ：建立对AI系统的信任对其广泛采用和负责任的部署至关重要。 这始于可解释性与可理解性，旨在使AI的决策过程对人类可理解且透明——这对用户接受度和监管合规（例如AI Act）日益重要。 同样重要的是验证与认证流程，确保AI系统符合安全、公平和可靠性的标准。 这些实践有助于验证AI的行为符合预期，尤其是在高风险应用中。 可信AI还包括模型安全，涵盖已部署模型的认证、对其长期演化的监控，以及验证训练过程中使用的数据的质量和完整性这些要素共同构成了部署强大、可问责且安全的AI系统的基础。
• 互操作性、可扩展性和模块化：设计具备这些特性的AI系统可实现跨平台无缝集成，并适应不断增长的需求。
• 设备端训练是驱动Self-X功能的学习机制：此类训练应包括自学习、自适应、自配置、自愈和自优化，使AI系统具备鲁棒性、自主性、上下文感知能力和自适应性，且无需依赖云，从而提升弹性和效率。
• 用于Edge AI设计、训练、优化、部署、更新、抵御网络攻击及维护的工程工具：专用工程工具助力Edge AI应用的生命周期管理。这些工具协助设计、训练、更新和维护AI模型，确保其长期有效且安全。例如，AI驱动的验证工具提升SoC设计验证效率，减少人工工作量并提高准确性。
• 从需求规格到生命周期结束的全程支持：全面支持整个AI系统生命周期——从需求规格、设计、开发、部署、运行、维护、演进到生命周期结束——对可持续性和合规性至关重要。这一整体性方法确保AI系统负责任地开发、有效维护和安全退役，符合伦理与监管标准。
• 人机交互：优化人机交互的重点在于创建自然的界面与交互方式，并确保AI系统有效理解并响应人类输入。这涉及自然语言处理、自适应学习和以用户为中心的设计原则，以提升用户体验和对AI应用的信任。
• 意图驱动优化、机器对机器交互、与数字孪生的交互：意图驱动优化使AI系统能够预判并响应用户意图，提升效率和个性化。机器对机器（M2M）交互使设备能够在无需人工干预的情况下通信与协作，这对物联网至关重要。与数字孪生（元宇宙和虚拟世界）——物理系统的虚拟副本——的交互促进实时监控、模拟和优化，提升决策和运营效率。
理解并整合这些方面对推进Edge AI技术至关重要，从而在各行业实现更高效、可靠且用户友好的应用。教育和专业培训应补充所提出的R&I行动，以促进欧洲的技能和能力建设。
9.2 目标2：促进欧洲AI价值链从芯片供应商到系统集成商的合作，以及欧盟利益相关方在ECS价值链中从芯片设计商到集成商再到制造商的合作。NVIDIA目前是市场主导者，在机器人等快速发展的领域拥有不断扩大的硬件和软件应用提供商生态系统。NVIDIA通过提供完整解决方案降低集成成本，同时其易用的软件开发SDK在管理、集成和部署方面有效形成供应商锁定，增强客户粘性。NVIDIA负责API更新，并掌控整个价值链。
欧洲边缘AI生态系统目前碎片化，缺乏主导厂商。意法半导体与NVIDIA合作，提供API和工具用于集成NVIDIA的管理、部署SDK及硬件解决方案。此外，英飞凌于2018年将与NVIDIA DRIVE™ Pegasus AI汽车计算平台的安全自动驾驶合作扩展至消费者市场，同时其易于使用的管理、集成和部署软件开发SDKs有效实现供应商锁定，增强客户留存率。NVIDIA负责API的更新，并掌控价值链。
欧洲企业目前是英伟达解决方案的供应商之一，这使英伟达成为市场上增长最快、价值最高的芯片供应商。据英伟达CEO公开采访，最新Blackwell芯片的研发成本高达100亿美元。欧洲没有任何硬件企业能为单颗芯片投入如此巨额资金，更不用说动用欧盟纳税人的资金来实现这一投资规模。因此，本地化部署和高能效边缘计算是欧盟最有效的投资替代方案。应构建嵌入式软件、应用和服务生态系统以配合边缘芯片，因为各行业已通过重点关注中小企业，助力其向AI认可转型。
要挑战NVIDIA在边缘AI领域的主导地位，建立一个类似云计算中Kubernetes的开放生态系统至关重要。该生态系统应涵盖模块化边缘平台和基础设施，促进多样化的欧洲硬件和软件解决方案的整合，从而缓解供应商锁定问题。
实现无缝协作需要统一的术语体系来连接硬件与软件领域，促进有效沟通与知识共享。借助大语言模型可以协调不同概念和术语。重新审视并更新现有参考架构（如RAMI 4.0）有助于进一步整合。
这种协调将促进平衡的市场格局，提升欧洲企业的竞争力。虚拟化和仿真技术对于确保无缝集成、信任与协作至关重要。鉴于价值链中多元化的利益相关方，实施认证机制——例如SoS的自动化安全接入——并确保符合标准至关重要，尤其是在安全关键应用中。
与全球企业、中小企业及初创企业合作也至关重要。大型企业提供可定制的通用组件，而中小企业和初创企业贴近终端用户，作为系统集成商，针对特定需求定制解决方案。模块化与集成化的方法可简化定制化解决方案的开发流程。然而，GDPR合规与严格的安全要求等挑战可能阻碍与中小企业的合作。
欧盟芯片法案应强调软硬件协同设计，探索GenAI之外的AI方法论，包括tinyML、联邦学习和强化学习。相关举措可聚焦于通过共享术语提升价值链的互操作性，例如资助支持多样化方法和模块化架构的平台，并修订RAMI4.0或资产管理壳（AAS）等框架。将开源组织、孵化器和加速器作为合作伙伴对于生态系统发展至关重要。识别并与边缘AI技术的早期采用者（如初创公司、研究人员和SMEs）合作，对于未来几年推动创新解决方案的规模化应用至关重要。值得注意的是，韩国和新加坡等国家对新技术的接受度高于欧洲的保守立场。欧洲企业应基于全球采用趋势制定市场进入策略。
为保持全球竞争力，技术栈必须涵盖垂直与跨领域方面。鉴于需求不断演变，单一通用技术栈不切实际。相反，开发由可互操作模块组成的灵活、模块化技术栈势在必行。这种方法需要在各领域持续推动标准化与互操作性工作。在整个开发过程中，识别空白将为 startups 和 SMEs 带来机遇，促进欧洲边缘AI生态系统的创新与增长。
9.3 目标3：在AI价值链中为边缘AI应用创造更大的市场影响力随着自动驾驶、辅助系统和机器人等多样化应用对低延迟和高能效解决方案的需求不断增长，边缘AI技术迎来了新的机遇。这一趋势还因对安全的AI赋能制造设备的需求持续增长，以及AI在医疗设备中的整合日益深化而进一步强化，从而实现更微创、更个性化的治疗。
• 通过创新创造明确价值：为推动欧洲有影响力的创新，我们必须从对最终产品及其实际价值的清晰愿景开始。学术研究，尤其是大学内的，应更紧密地与产业需求和用户驱动的优先事项对接。加强研究机构、产业合作伙伴与终端用户之间的信息流通，可确保技术进步切合实际需求、可扩展，并对社会进步产生实质性贡献。
• 平衡成本与价值：随着半导体技术的进步，成本正在上升——尤其是在向2nm和3nm节点过渡时，晶体管密度显著增加。摩尔定律的降本效应正在减弱，特别是在AI领域。然而，通过关注为最终用户创造的价值，我们可以证明在基础设施、供应链和先进制造工艺方面的必要投资是合理的。
• 创新与市场需求的协同：半导体创新必须以市场为导向。欧洲不能仅依赖先进制造能力；强大的高端市场同样至关重要。战略协作——尤其是英飞凌、恩智浦和意法半导体等欧洲领先企业之间的协作——对于培育需求和有效分担投资负担至关重要。
• 加强政策、研究与产业协作：政策制定者应构建资金和评估框架，优先考虑长期影响而非短期产出。研究人员则应专注于具有明确市场化路径的应用导向项目。同时，产业相关方必须尽早参与研究过程，以引导创新朝着可行、高影响力的解决方案发展。
• 鼓励欧洲内部的知识与IP共享：僵化的IP壁垒可能阻碍早期创新。构建完善的共享创新框架可以放大影响力并强化欧洲的工业基础。应优先开展涵盖AI、硬件和嵌入式系统的跨层协作，以避免供应商锁定并确保平台在各应用间的可移植性。
• 推动研究对接市场需求：不应仅以论文发表量衡量成功，而应重视具有市场变革潜力、解决紧迫的社会挑战并巩固欧洲在关键技术领域领导地位的创新。实现这一目标需要跨领域的长期协作，聚焦战略协同与实际应用性。
• 推动战略性的前竞争合作：在汽车等行业，共享AI和半导体参考架构已带来实际效益。例如，BMW正在与Bosch、imec、Cadence、Synopsys、Siemens和Arm等合作伙伴共同推动软件定义汽车的协作生态系统，作为Automotive Chiplet Programme的一部分。标准与协调将是构建竞争性和开放性欧洲技术生态的关键。
• 促进欧洲与国际协作：为应对GenAI和新兴技术带来的挑战，欧洲必须加强生态系统内的协作。诸如Edge AI Foundation之类的举措——尽管源自北美——为欧洲提供了以开放、价值驱动方式参与、知识共享并满足客户需求的宝贵平台。
• 实现战略技术自主：欧洲在半导体和AI等关键技术上持续依赖外部来源，对经济、民主和技术主权构成风险。解决这一依赖问题刻不容缓。通过投资自身能力并加强跨境合作，我们能够确保欧洲在全球技术格局中的领导地位和自主权。
Edge AI正处于关键转折点。为释放其全部潜力，欧洲必须通过改进开发工具、减少碎片化并促进跨行业协作来加速创新。与受益于标准化平台的云AI不同，Edge AI面临复杂性和异构性挑战，需要针对从超低功耗设备到高性能芯片的各类场景进行定制化设计。GenAI是变革性力量，也是当前市场动力的关键驱动力。迅速开发欧洲基础模型和AI工具至关重要。战略协作与共享标准——如Automotive Chiplet Programme等举措所示——对推进软件定义移动性和Edge AI至关重要。拥抱系统级思维、在适当框架下鼓励IP共享并促进跨层优化，对欧洲在下一代AI领域的领导地位至关重要。