谷歌开源全栈平台Coral NPU，能让大模型在手表上全天候运行

十大品牌 2025年10月16日 15:50 0 admin

机器之心报道

编辑：Panda

今天，谷歌有点忙。

一方面，他们与耶鲁大学合作基于 Gemma 研发的 Cell2Sentence-Scale 27B (C2S-Scale) 首次预测了一种新的潜在癌症疗法，引发世界广泛关注。另一方面，他们又更新上线了 Veo 3.1，为用户带来了大幅提升的视频生成能力，参阅报道《刚刚，谷歌 Veo 3.1 迎来重大更新，硬刚 Sora 2》。

再一方面，他们又推出了 Coral NPU，可用于构建在低功率设备上持续运行的 AI。具体来说，其可在可穿戴设备上运行小型 Transformer 模型和 LLM，并可通过 IREE 和 TFLM 编译器支持 TensorFlow、JAX 和 PyTorch。

和前两个新闻一样，这也同样引起了开发者的广泛热议。

Coral NPU：一个为边缘设备打造的全栈开源 AI 平台

谷歌给 Coral NPU 的定位是「一个全栈、开源的平台，旨在解决性能、碎片化和隐私这三大核心挑战，而这些挑战限制了功能强大、始终在线的 AI 技术在低功耗边缘设备和可穿戴设备上的应用。」

也就是说，使用 Coral NPU，未来我们有望打造出能在智能手表等设备上本地持续运行的好用 AI，让智能直接嵌入到用户的个人环境中。

然而，要做到这一点却并非易事。谷歌总结了三大方面的挑战：

性能差距：复杂且先进的机器学习模型需要更多的计算资源，这远超边缘设备有限的功率、散热和内存预算。
碎片化成本：为多样化的专有处理器编译和优化机器学习模型既困难又昂贵，这阻碍了跨设备实现一致的性能。
用户信任缺失：要想真正发挥作用，个人 AI 必须优先保障个人数据和情境的隐私与安全。

而谷歌今天推出的 Coral NPU 基于其最初的 Coral 项目，「可为硬件设计者和机器学习开发者提供了构建下一代私密、高效边缘 AI 设备所需的工具。」

具体来说，Coral NPU 是与 Google Research 和 Google DeepMind 合作设计的成果，乃是一个 AI 优先的硬件架构，可用于支持下一代超低功耗、始终在线的边缘 AI。

它提供了统一的开发者体验，使部署环境感知等应用变得更加容易。它专为在可穿戴设备上实现全天候 AI 而设计，同时能最大限度地减少电池消耗，并且可通过适当配置来适应更高性能的应用场景。

谷歌已经发布了相关文档和工具，以便开发者和设计者可以立即开始构建。

项目主页：https://developers.google.com/coral
代码库：https://github.com/google-coral/coralnpu

技术细节

顾名思义，Coral NPU 采用了 NPU（神经处理单元 /neural processing unit）架构，其为下一代高能效、针对机器学习优化的片上系统 (SoC) 提供了构建模块。

该架构基于一套符合 RISC-V 指令集架构 (RISC-V ISA) 的 IP 模块，专为最低功耗而设计，使其成为始终在线的环境感知的理想选择。

其基础设计可在仅消耗几毫瓦功率的情况下，提供 512 GOPS (每秒十亿次操作) 级别的性能，从而可为边缘设备、耳戴式设备、AR 眼镜和智能手表带来强大的端侧 AI 能力。

Coral NPU 生态系统统一视图，展示了为 SoC 设计者和机器学习开发者提供的端到端技术栈。

这种基于 RISC-V 的开放且可扩展的架构为 SoC 设计者提供了灵活性，让他们可以修改基础设计，或将其用作一个预配置的 NPU。

Coral NPU 架构包含以下组件：

一个标量核心（scalar core）：一个轻量级、可用 C 语言编程的 RISC-V 前端，负责管理流向后端核心的数据流。它采用简单的「运行到完成」 (run-to-completion) 模型，以实现超低功耗和传统的 CPU 功能。
一个向量执行单元（vector execution unit）：一个强大的单指令多数据 (SIMD) 协处理器，符合 RISC-V 向量指令集 (RVV) v1.0 规范，能够对大型数据集进行同步操作。
一个矩阵执行单元（matrix execution unit）：一个高效的量化外积乘积累加 (MAC) 引擎，专为加速神经网络的基本运算而构建。请注意，该矩阵执行单元仍在开发中，将于今年晚些时候在 GitHub 上发布。

从传统设计到 Coral NPU 的架构转变示意图。

统一的开发者体验

Coral NPU 架构是一个简单的、可用 C 语言编程的目标平台，可以与 IREE 和 TFLM 等现代编译器无缝集成。这使得它能够轻松支持 TensorFlow、JAX 和 PyTorch 等机器学习框架。

Coral NPU 包含一个全面的软件工具链，其中包括针对 TensorFlow 的 TFLM 编译器等专用解决方案，以及一个通用的 MLIR 编译器、C 编译器、自定义内核和一个模拟器。这可为开发者提供了灵活的路径。

例如，一个来自 JAX 等框架的模型首先会使用 StableHLO 方言 (dialect) 导入为 MLIR 格式。这个中间文件随后被送入 IREE 编译器，该编译器会应用一个硬件特定的插件来识别 Coral NPU 的架构。之后，编译器会执行渐进式降低 (progressive lowering)—— 这是一个关键的优化步骤，在此过程中代码会通过一系列方言被系统地翻译，逐步接近机器的本地语言。优化后，工具链会生成一个最终的、紧凑的二进制文件，以便在边缘设备上高效执行。

下表展示了 Coral NPU 的软件开发优势：

这套行业标准的开发者工具有助于简化机器学习模型的编程，并能在各种硬件目标上提供一致的体验。

Coral NPU 编译器工具链，展示了从机器学习模型创建、优化、编译到设备端部署的完整流程。

Coral NPU 的协同设计过程聚焦于两个关键领域。

首先，该架构能高效加速当今设备端视觉和音频应用中领先的、基于编码器的架构。
其次，谷歌正与 Gemma 团队紧密合作，针对小型 Transformer 模型优化 Coral NPU，以确保该加速器架构能够支持下一代边缘生成式 AI。

这种双重关注意味着 Coral NPU 有望成为首个开放、基于标准、专为将大语言模型 (LLM) 引入可穿戴设备而设计的低功耗 NPU。

对于开发者而言，这可提供一条单一且经过验证的路径，可以用最低的功耗和最高的性能来部署当前和未来的模型。

目标应用

Coral NPU 旨在支持超低功耗、始终在线的边缘 AI 应用，尤其侧重于环境感知系统。其主要目标是在可穿戴设备、手机和物联网 (IoT) 设备上实现全天候的 AI 体验，同时最大限度地减少电池消耗。

潜在用例包括：

情境感知：检测用户活动（如步行、跑步）、距离或环境（如室内 / 室外、移动中），以启用「免打扰」模式或其他情境感知功能。
音频处理：语音和声音检测、关键词识别、实时翻译、转录以及基于音频的无障碍功能。
图像处理：人物和物体检测、面部识别、手势识别以及低功耗视觉搜索。
用户交互：通过手势、音频提示或其他传感器驱动的输入进行设备控制。

硬件强制的隐私保护

Coral NPU 的一个核心原则是通过硬件强制的安全性来建立用户信任。

谷歌表示：「我们的架构正在被设计用来支持 CHERI 等新兴技术，该技术提供细粒度的内存级安全和可扩展的软件分区。我们希望通过这种方法，将敏感的 AI 模型和个人数据隔离在硬件强制的沙箱中，以抵御基于内存的攻击。」

构建生态系统

开源硬件项目的成功依赖于强大的合作伙伴关系。

为此，谷歌宣布了与 Synaptics 的合作关系，这也是其「第一个战略芯片合作伙伴」，同时也是物联网领域嵌入式计算、无线连接和多模态传感的领导者。

今天，Synaptics 在其技术日活动上宣布了其新的 Astra SL2610 系列 AI 原生物联网处理器。该产品线采用了他们的 Torq NPU 子系统，这是业界首个 Coral NPU 架构的量产实现。该 NPU 的设计支持 Transformer 并支持动态算子，使开发者能够为消费和工业物联网构建面向未来的边缘 AI 系统。