直击2026慕展｜ TI打造AI规模化落地的系统级底座

作者毛烁在慕尼黑上海电子展2026electronica China 2026现场基于大语言模型的自然语言交互、智能体Agent以及各类生成式AI演示几乎成为各大展台的标配。AI正在快速进入越来越多的电子系统也让产业关注点从模型能力本身进一步延伸至支撑AI运行的底层基础设施。当AI开始从模型演示走向规模化部署底层基础设施所承受的压力也在快速放大。数据中心需要支撑更高密度的算力集群边缘设备需要在有限功耗下完成更复杂的AI推理而作为支撑的供电、散热、连接和计算架构都在逼近传统系统设计的能力边界。对于长期布局电源管理、模拟芯片、嵌入式处理器以及传感器等底层技术的德州仪器TI而言其产品覆盖从数据中心到边缘设备的多个基础环节。正因身处AI系统底层基础设施的关键位置TI对于AI规模化落地过程中暴露出的工程挑战有着更深入的观察。01 AI规模化落地的工程“拐点”剖析AI产业的发展轨迹需要建立系统工程的全局视角。交流中德州仪器TI系统与市场部门总经理曾繁宸从底层逻辑出发将AI产业链的物理结构自下而上拆解为五个维度最底层是能源其上是支撑运行的半导体器件再往上是包含数据中心、液冷系统和高速网络的基础设施随后是模型与算力最顶层则是应用。德州仪器TI系统与市场部门总经理 曾繁宸TI所处的位置正是连接能源与基础设施的第四层。作为一家长期深耕模拟与嵌入式半导体的企业TI通过模拟芯片与嵌入式处理器一方面提升电能转换与分配效率向下支撑能源系统。另一方面为数据中心、工业及边缘计算等基础设施提供底层芯片支撑向上连接AI算力平台。面向全行业AI规模化落地的拐点德州仪器TI系统与市场部门总经理曾繁宸坦言道“很多人都希望找到一个能够定义AI产业‘拐点’的标准答案认为它会由某项技术突破或某个爆发性事件触发。对此曾繁宸有不同的观点他表示AI的规模化落地并非依赖单一变量而是整个产业链不断成熟的结果。很多底层的物理与工程因素会共同推动这个拐点的到来。具体来说在工程实践上这一拐点至少需要具备三个条件。其一终端应用须具备足够的技术经济性只有当AI带来的系统价值能够覆盖新增的物料清单BOM成本边缘AI才具备大规模部署的商业基础。其二芯片需要在有限的工程条件下实现更优的微架构平衡这其中包括静态功耗、动态功耗、静态随机存取存储器SRAM与闪存Flash容量以及推理延迟Latency等关键指标而并非单纯追求更高的AI算力。其三需要完整的软件工具链支撑。从模型量化、编译优化到目标硬件部署标准化开发流程能够降低寄存器配置和指令集调优门槛缩短AI应用的开发与部署周期。事实上在“云—边—端”不同部署场景下AI对底层硬件的需求并不相同因此半导体设计的重点也存在显著差异。对于数据中心而言核心挑战在于提升功率转换效率、优化供电架构并持续提高单位体积的功率密度而在边缘计算侧则需要在微瓦级待机功耗、确定性的实时响应以及存储成本之间实现更优平衡。这意味着AI规模化并不存在一套适用于所有场景的芯片方案而是需要针对不同应用构建差异化的系统级产品组合云端聚焦高压、高频功率拓扑等电源架构创新以支撑不断增长的算力需求边缘侧则通过中央处理器CPU、数字信号处理器DSP和神经网络处理单元NPU等异构计算单元的深度集成在有限功耗和成本条件下实现更高效的本地AI推理共同支撑AI从云端向边缘和终端持续延伸。02 48V到800V重构数据中心AI规模化落地涉及供电、散热、计算、连接等多个系统级挑战而供电正是其中最基础的一环。随着算力密度持续提升数据中心单机柜功率不断攀升传统48V母线架构逐渐逼近物理极限电源架构Power Delivery Architecture的升级已经成为AI基础设施演进过程中最现实的工程课题之一。其实对于AI数据中心而言挑战并不在于如何制造更多电能而是如何将越来越大的功率以更高效率、更高可靠性的方式送到图形处理器GPU。正因如此800V高压直流HVDC配电架构正在迅速成为下一代AI数据中心的发展方向。一直以来48V母线架构长期支撑服务器供电体系但当单机架功率迈向数百千瓦乃至兆瓦级后电流、铜材消耗以及布线空间等问题开始集中暴露。继续提升算力密度就必须同步提升供电能力而提高母线电压是目前突破这一工程边界最直接、也是行业普遍认可的技术路径。相比48V母线将总线电压提升至800V后同等功率下的线路电流能够下降至原来的十几分之一不仅大幅减少铜母排尺寸与重量释放出更多机架空间也可用于部署计算板卡同时还能显著降低配电网络中的I²R损耗焦耳损耗PlossI2R进一步提升系统整体效率和功率密度。然而从48V迈向800V并不只是提高耐压等级而是需要对整个电源架构进行系统性重构。高压带来的绝缘设计、电气隔离、瞬态耐受能力以及长期可靠性都远比传统供电系统更加严苛。而面对这一挑战经验积累比单纯的技术突破更重要。曾繁宸指出高压供电涉及绝缘设计、抗瞬态冲击以及长期运行可靠性等一系列工程问题并非短时间内能够攻克。如果没有相关经验是没有办法把可靠性做好的。正因如此TI将数十年来在工业电源以及新能源汽车高压平台积累的成熟技术、工艺和工程经验引入数据中心。“这是一个把可靠性从95分提升到99分的过程。”曾繁宸如是说。这种跨行业技术积累也成为TI切入AI数据中心高压供电的重要优势。800V HVDC配电架构解决的是高压电能输送的问题但电源转换效率和功率密度还需要依靠电力输送架构的设计。在传统AI服务器中从交流输入到GPU核心供电电能通常需要经历多级功率转换从固态变压器SST输出380V DC再转换48V母线随后经过隔离式总线转换器IBC降至12V最后再由多相电压稳压模块VRM转换为适配GPU的不足1V的核心工作电压。这种多级串联拓扑已经十分成熟但每增加一级转换就意味着增加一级开关损耗、导通损耗以及额外的印制电路板PCB面积同时系统复杂度和潜在故障点也会同步增加。而当AI服务器持续向更高功率演进时这些系统级损耗也会不断累积。针对这一趋势TI展示了基于800VDC的完整电源架构参考设计将传统多级转换压缩为仅两个功率转换级。德州仪器的800V DC电源架构最大限度地提高了整个电源路径的转换效率和功率密度从而实现了更具可扩展性和可靠性的AI数据中心运行第一阶段采用高效率隔离式母线转换器IBC可直接将800V高压直流转换至6V。相比传统800V转换至12V的方案直接降压至6V能够进一步降低后级负载点POL, Point-of-Load电源的降压比优化占空比使得占空比分辨率更高也让后续供电效率进一步提升。第二阶段由高电流密度POL多相降压转换器完成6V至GPU核心工作电压1V以下的最后一级供电。对于AI服务器而言这一级也是整个供电链路中最严苛的环节。具体来说所谓“多相”是将十几路Buck并联、开关时刻按360°/N均匀错开各相分担电流的同时让纹波在相位上相互抵消等效开关频率提升N倍从而在千安级电流下仍能维持毫伏级的电压稳定。而POL模块贴近GPU封装的设计也进一步缩短了大电流路径、降低了阻抗损耗。多相并联与POL贴近封装解决的还只是“稳态”下的大电流问题。随着GPU功耗持续攀升负载电流会在数百纳秒内发生剧烈跳变di/dt高达数千A/μs对POL的瞬态响应能力提出了更苛刻的要求。此时更低的输入电压反而成了优势而6V相比传统的12V输入单级降压比更小、电感取值更低电流建立速度更快也就更契合AI芯片突发性负载的供电节奏。从单颗芯片的供电回到整个数据中心的视角围绕这套电源架构TI同时展示了完整的产品矩阵。包括支持30kW 输出的800V AC/DC高功率密度电源方案、功率密度达到40W/in³的800V电容器组单元CBU)采用双电层电容EDLC超级电容电芯以及面向计算托盘Compute Tray设计的800V转12V/6V母线变换器等关键器件覆盖了从市电入口到芯片核心的完整供电链路。当然电源架构的优化并非没有代价。支撑这套两级方案的核心是GaN氮化镓器件其低开关损耗能让LLC谐振等拓扑在133:1的极端降压比下依然能守住97.6%的峰值效率若换成硅器件这一级要么效率崩塌要么就需要插一级中间降压如先降到48V再降到6V两级架构也就无从谈起了。但当GaN把开关频率推升至500kHz甚至MHz量级电压切换沿的dV/dt可达100V/ns以上、电流切换沿的dI/dt也高达数千A/μs如此陡峭的开关瞬态会通过器件寄生电容、PCB走线和变压器耦合向外辐射出覆盖数十MHz到GHz频段的宽带噪声。加上800V母线本身电压幅值大、机柜内器件密度较高传导干扰会顺着电源线传回电网辐射干扰甚至会串扰到旁边的高速信号链路。所以如何在不牺牲效率和功率密度的前提下抑制电磁干扰EMI/电磁兼容EMC就成了800V HVDC架构落地必须迈过的一道坎。在曾繁宸看来dV/dt本身不是问题这是高频带来的必然结果关键是怎么解决传导引起的EMC。事实上传统方案通常采用分立器件Discrete设计将GaN场效应晶体管GaN FET、栅极驱动器Gate Driver以及保护电路部署在PCB不同位置再通过布线完成连接。这样虽然具有较高的设计灵活性但不可避免的会引入寄生栅极环路电感Gate Loop Inductance以及共源极电感Common Source Inductance。随着开关速度不断提高这些寄生参数容易引发栅极振铃Gate Ringing栅源极Vgs出现高频衰减振荡波形、误导通False Turn-on等问题使PCB布局和EMI优化变得更加复杂。TI的思路是进一步提升器件的集成度。通过将栅极驱动器、保护电路、采样等功能高度集成到同一封装内缩短驱动回路长度从芯片物理层面降低寄生环路电感减轻高频开关产生的传导电磁干扰Conducted EMI。同时其器件支持可调压摆率Slew Rate工程师可以根据系统需求在开关损耗、热设计以及电磁兼容性能EMC Performance之间进行更加精细的平衡无需完全依赖外围电路反复调试。如果说GaN解决的是供电效率和功率密度的问题那么随着GPU热设计功耗持续攀升散热系统则成为AI数据中心基础设施面临的另一项挑战。近年来液冷正在逐渐取代传统风冷冷却液分配单元CDU也成为液冷系统中的关键节点。其中微漏液检测是液冷系统可靠性设计中最具挑战性的环节之一需要在复杂工况下实现快速检测同时避免环境湿度、冷凝等因素带来的误报。传统漏液检测通常采用电阻式检测方式存在检测精度和抗干扰能力有限的问题。针对这一场景TI展示了一套基于精密信号链与传感器融合Sensor Fusion的解决方案前端以系列精密模数转换器ADC采集电阻式漏液感应线的阻抗变化作为主检测通道同时叠加HDC3020湿度传感、TMP275或PT100ADS112C04温度传感、以及压力与流量多路模拟信号构成覆盖阻抗、湿度、温度、压力、流量的多物理量交叉验证网络所有信号在本地MCU上完成边缘侧实时融合与判决在尽可能降低误报率的同时实现快速微漏液识别。这一方案不仅用于异常检测还进一步延伸至预测性维护。通过持续采集水泵电机相电流、振动等运行参数边缘MCU还能识别轴承磨损、润滑状态变化等早期异常对设备“亚健康”状态进行提前预警从而提升液冷系统乃至整个AI数据中心的运行可靠性。03 MCU装上NPU边缘AI“异构创新”供电和散热是AI基础设施的问题但要实现规模化落地还需让AI进入数量更加庞大的终端设备。然而相较于拥有充足算力和电力资源的数据中心边缘AI从诞生之初便是受限于严苛的工程挑战。由于终端设备无法拥有云端充沛的供电网络与庞大的高速缓存SRAM/DRAM边缘AI系统在设计之初就必须遵循功耗、成本与实时性三者的硬性制约。这也是边缘AI与云端最大的不同。在曾繁宸看来对于边缘AI不能“既要又要”。云端有很强的算力也有很大的存储空间不需要做大量取舍。但边缘本来就有很多局限性不同场景的硬性要求完全不同所以场景永远是第一位的。边缘AI的取舍最终都会落回芯片架构本身。传统MCU之所以难以独立承担神经网络推理根源就在于其最初并不是为这类计算任务设计的。其实无论是基于Arm Cortex-M内核还是基于DSP传统MCU的指令集和逻辑单元主要面向的是标量运算、逻辑判断和分支控制设计。而神经网络推理的核心是大量权重与输入数据之间密集的矩阵与张量乘加运算MAC。若让通用CPU去强行运行高并行度的计算指令获取、数据搬运和中间结果读写都会被反复放大最终带来明显的效率损耗并且CPU会被长时间占用。在一般消费电子场景中这可能只是响应变慢、续航下降但在工业控制这类实时系统中问题就严重得多。一旦AI推理挤占实时控制任务导致控制环路的确定性延迟被打破后果将会导致电机失步、逆变器炸管甚至安全联锁失效。因此TI选择了一条异构路线把专用的TinyEngine™ NPU集成进MCU内部并围绕总线矩阵和存储器架构重新设计数据通路。这样一来实时控制任务和AI推理可以在物理层面实现隔离与并行。CPU继续负责高确定性的控制逻辑NPU专门处理张量计算两类任务各自运行在更适合的计算路径上避免相互抢占资源。TinyEngine™ NPU是一款专有硬件加速器专为嵌入式系统设计人员在大规模部署边缘AI模型时降低延迟、提升能效而设计。集成TinyEngine™ NPU的TI边缘AI MCU简化框图TinyEngine™ NPU可以与主CPU并行执行机器学习算法使资源受限的器件也能实时处理神经网络模型。其针对深度学习推理运算进行优化能够降低边缘端处理的延迟与功耗消除云端推理带来的往返延迟从而提升系统响应速度。相比纯软件AI方案TinyEngine™ NPU将单次推理能耗降低至约1/120推理时延缩短至约1/90在超低功耗条件下仍可提供2.56 GOPS算力满足边缘设备实时AI推理需求。为适应不同模型对精度和资源的要求TinyEngine™ NPU还支持8位、4位、2位及混合精度计算并具备量化和就地计算In-place Computing能力在保证推理效率的同时有效降低存储器占用。模型兼容性方面TinyEngine™ NPU支持卷积、深度卷积、逐点卷积、转置卷积、全连接、平均池化、最大池化以及批量归一化等主流神经网络算子可覆盖大多数轻量化AI模型部署需求。与此同时配套工具链经过简化优化模型部署流程也会进一步缩短开发周期可由原来的数周压缩至数小时加快边缘AI应用落地。但是对于边缘AI来说真正困难的地方并不只是把神经网络模型塞进MCU而是要在实时性、功耗、成本、存储和外设接口之间找到对应场景的最优解。因此TI用不同的MCU覆盖不同应用场景。面向高频闭环控制重点是让AI推理不能干扰控制环路面向工厂自动化和机器人重点是多轴控制与状态监测能否在同一颗芯片上并行完成面向可穿戴和智能仪表则是要在极低功耗下运行轻量神经网络。TMS320F28P55x、AM13E230x和MSPM0G5187正好对应了这三类典型边缘AI场景。第一类是以TMS320F28P55x系列MCU重点面向工业控制、功率转换、电机驱动等高频闭环场景。这类场景对采样、计算、输出之间的确定性响应有更高要求控制链路里任何一段延迟被拉长都会直接影响电机控制、电源转换或逆变器运行的稳定性。在控制侧TMS320F28P55x搭载150MHz C28x 32位DSP CPU并集成符合IEEE 754标准的单精度浮点运算单元FPU32和三角函数数学单元TMU。该芯片中TI还放入了运行在150MHz的控制律加速器CLA。作为具备独立总线的32位浮点协处理器CLA可以直接响应ADC中断在CPU不介入的情况下执行闭环PID等控制算法。这样一来采样、计算、脉宽调制PWM输出之间的路径被进一步压短“采样到输出Sample-to-Output”延迟也更容易被控制在确定范围内。AI能力则交给内置TinyEngine™ NPU承担。TMS320F28P55x的TinyEngine™ NPU针对深度卷积神经网络做了优化支持8位与4位混合精度。可在75MHz时钟下8bWx8bD配置输出600MOPS算力4bWx8bD配置提供1200MOPS算力。相比纯软件推理卷积神经网络CNN推理延迟可降低5到10倍。把这种“控制任务由控制单元承担AI推理由NPU承担”的分工放在光伏和储能场景中来看直流电弧故障检测需要持续分析电流波形里的时域与频域特征如果完全交给CPU处理容易挤占逆变器控制任务的执行窗口。于是TMS320F28P55x的做法是让NPU在本地运行预训练CNN模型识别直流电弧故障DC Arc Fault特征C28xCPU和CLA继续负责高频PWM更新、电流环控制和电网同步。两条任务链在同一颗芯片上并行运行AI检测就不会打乱实时控制节奏。检测数据显示AI电弧检测准确率可以达到99%以上。在现场展示的智能空调Demo中这套架构被放进了更接近终端设备的场景。NPU根据传感器采样数据和系统运行状态在本地执行模型推理辅助压缩机和风扇控制策略优化。控制逻辑负责保障系统稳定运行AI模型负责识别负载变化和环境变化让空调在能效和舒适性之间实现更细颗粒度的调节。AM13E230x系列面向的是工厂自动化、移动机器人、多轴执行机构等复杂控制场景和TMS320F28P55x重点布局的单路高频闭环不同这类场景的关键问题是多路控制需要同时保持响应速度和同步精度。多轴电机、机械臂、移动底盘都要求多个执行单元在同一系统中稳定协同控制能力、模拟采样能力和系统集成度缺一不可。具体来看AM13E230x的核心是一颗最高主频200MHz的Arm Cortex-M33算力水平约为310DMIPSCoreMark基准测试成绩约800分。在模拟与控制外设上AM13E230x配备3颗最高6.67MSPS的12位ADC、4个高速比较器子系统和内置10位参考数模转换器DAC同时集成增强型正交编码器脉冲eQEP、增强型捕获模块eCAP捕获模块以及可配置Crossbar交叉开关矩阵。ADC可以负责电流、电压等模拟信号的高速采样比较器用于过流、过压等快速保护eQEP和eCAP则面向位置、速度和脉冲信号采集。依靠这些片上资源单颗芯片最高可以支持四个电机的实时控制环路。这也让AM13E230x具备了进入工业控制场景的基础能力。在此之上TinyEngine™ NPU承担起后台智能分析任务在主CPU之外运行AI推理模型用于自适应负载检测、电机异常识别和预测性维护等场景。对于工厂自动化系统来说这一能力的价值在于芯片可以直接贴近电机、电流、转速、负载等底层信号在设备出现明显故障前捕捉异常趋势减少对上位机或云端分析的依赖。过去要同时实现实时控制和后台智能分析系统往往需要MCU、外部AI协处理器以及额外存储共同完成。AM13E230x把控制、采样、AI推理和系统互联能力集中到一颗芯片里可以让多电机系统设计更紧凑也为BOM下降留下了空间。在可穿戴设备、智能仪表和低功耗传感器节点等电池供电场景中设备体积、电池容量、算力预算都相对有限。系统既要长期保持待机又要在事件发生时完成本地感知和AI推理。因此产品需要在微瓦级功耗下运行可用的神经网络。面向这一需求TI集成的TinyEngine™ NPU的MSPM0G5187配备了128KB Flash和32KB SRAM在80MHz工作频率下NPU可提供约2.56 GOPS计算能力同时支持8位、4位乃至2位权重量化为极限压缩模型提供部署空间。借助硬件加速智能仪表、可穿戴设备以及各类传感器节点上的目标识别、分类、异常检测等轻量AI任务可以直接在终端完成而无需频繁唤醒主控或将数据上传至云端。“电池大小已经固定了系统要跑三个月功耗就是第一性原理。”曾繁宸强调对于可穿戴设备和各类边缘节点而言AI能力不只是算力竞争更是能耗竞争。而MSPM0G5187的价值就是在几乎不增加电池负担的前提下将轻量化神经网络推理带入终端设备使设备具备本地感知、决策和响应能力。TI已经把不同边缘场景需要的MCU准备好了但芯片能不能变成产品里的AI能力还要看开发者能不能低成本、低门槛地完成模型部署。对边缘AI来说芯片算力只是基础。终端设备的SRAM与Flash都不宽裕直接把云端训练出的FP3232位浮点模型部署到MCU上并不现实。所以模型需要量化、压缩、适配硬件还要在有限存储空间和功耗预算内完成调试。但是对大量传统嵌入式工程师而言模型量化、部署、调试是边缘AI落地的主要门槛。于是TI推出了CCStudio™ Edge AI Studio。这是一套免版税的一体化开发平台面向AI算法背景相对薄弱的嵌入式工程师提供No-code图形化工作流覆盖数据采集、特征提取、模型选型、训练优化到目标硬件部署的完整过程。在模型资源上这套平台里的TI Model Zoo承担“模型起点”的角色其相当于TI为常见边缘AI场景预先准备好的模型库内置超过60个预训练示例覆盖电弧故障检测、电机轴承故障识别、ECG心电分析、时序分类等工业和嵌入式场景。工程师可以直接基于这些模型做验证也可以导入自有数据进行二次训练让模型更贴近实际设备和现场工况。坦白讲这套工具链的价值在于打通了从数据到芯片的完整路径。前端负责数据准备和模型选择中间处理量化、压缩和优化后端将模型部署到集成TinyEngine™ NPU的TI实时MCU上。开发者可以在同一流程里综合评估模型精度、Flash占用、SRAM需求、推理延迟和功耗表现。04 写在最后四十年深耕TI穿越周期的长期主义从高压配电拓扑的重构到微安级边缘计算节点的异构设计TI展示的是一套围绕物理世界的半导体系统工程能力。今年恰逢德州仪器进入中国市场40周年。40年来中国半导体产业伴随着消费电子、通信设备新能源、工业自动化和AI终端的发展不断迈向新的阶段。随着应用形态不断变化底层系统却始终离不开真实世界的信号采集、电能稳定转换和分配、控制指令的时序传递执行等几类基础能力。“TI长期关注的正是这些物理世界里的底层环节包括采样、电源转换、逻辑控制、接口与信号链等。也正是在这些环节上TI持续创新技术形成了穿越多个产业周期的工程积累。”曾繁宸如是说。从产业发展脉络中看TI早期在DSP上的积累奠定了其对实时计算和信号处理的理解。而今天广泛应用于工业控制的C2000™系列实时微控制器依然延续着DSP在数学计算和实时控制上的基因并在新的应用需求下继续演进。这种演进体现在多个层面处理器不断增强实时计算能力电源器件持续提升能量转换效率边缘AI则把AI推理进一步推向末端设备。虽然技术路径各不相同但最终都服务于同一个目标那就是提升整个电子系统的运行效率。AI的竞争最终比拼的不仅是模型能力更是系统能力。而TI覆盖感知、供电、计算和控制的完整半导体产品体系把AI所需的数据链路、能量链路和控制链路连接起来为AI走进工业、汽车、能源和各类终端设备提供了完善的底层支撑。