在生成式人工智慧掀起全球技術浪潮的同時，另一個更為“低調”卻同樣關鍵的技術方向正悄然崛起，那就是邊緣 AI，或者說有個今年更為流行的名字——端側 AI。如果說邊緣 AI 聚焦於計算資源的下沉，那麼端側 AI 則主要涉及在裝置端直接部署和執行人工智慧模型、實現快速資料處理和智慧決策，二者同屬“分散式智慧計算”的不同層級，內涵方面有很大的重合。

過去一段時間，無論是 NXP 重金收購 Kinara，還是高通宣佈收購 Edge Impulse，科技巨頭們的頻繁動作揭示了一個清晰訊號：邊緣 AI/端側 AI 正在從“概念驗證”走向“戰略支柱”。這場技術遷徙的背後，不僅是算力重構的必然趨勢，更是圍繞資料主權、即時決策與能效平衡的新一輪全球競爭。因此，本文將基於此，來聊聊科技巨頭不惜巨資拿下邊緣 AI/端側 AI 領域明星企業，主要基於哪些戰略考量。

據悉，Kinara 的分立 NPU (包括 Ara-1 和 Ara-2) 在效能和能效方面位居行業前列，因此非常適合用於視覺、語音、手勢等新興 AI 應用，以及其他各種由生成式 AI 驅動的多模態實現。這兩款器件均採用創新架構，能夠對映推理圖，以便在 Kinara 的可程式設計專有神經處理單元上高效執行，更大限度地提高邊緣 AI 效能。此外，Kinara 還提供豐富的軟體開發套件，便於客戶最佳化 AI 模型效能及簡化部署流程。

恩智浦表示，透過將 Kinara 的離散 NPU 與其自身的處理器、連線和安全軟體產品組合相結合，此次收購將幫助其提供“從 TinyML 到生成式 AI 的完整且可擴充套件的 AI 平臺”。

看重 TinyML 的不只恩智浦，2025 年 3 月 11 日，高通宣佈收購邊緣 AI 技術公司 Edge Impulse，旨在整合 Edge Impulse 的邊緣 AI 開發平臺，增強高通在人工智慧 (AI) 和物聯網 (IoT) 領域的能力。

Edge Impulse 是 TinyML (微型機器學習) 領域的明星公司，由 Zach Shelby 和 Jan Jongboom 於 2019 年創立，彼時，他們意識到微控制器的計算能力已經發展到可以執行特定領域的 AI 模型，從而可以在裝置上直接執行這些模型。儘管硬體條件成熟，但缺乏一個簡單的方法來構建、最佳化並將邊緣和領域特定的 AI 模型部署到這些裝置上。因此，Edge Impulse 應運而生，其構建的 AIoT 平臺，可以大大縮短為感測器、微控制器和攝像機等小型裝置建立機器學習模型所需的時間。

透過此次收購，高通能夠將 Edge Impulse 的端到端邊緣 AI 開發平臺納入其物聯網生態系統。

除了最近幾個月這幾筆引發廣泛關注的大額收購案之外，再往前看——

2024 年 8 月，亞馬遜以 8000 萬美元現金收購晶片製造商和 AI 模型壓縮公司 Perceive ，Perceive 是一家開發突破性神經網路推理解決方案的公司，專注於在邊緣裝置上提供大型人工智慧模型的技術，旗艦產品是 Ergo AI 處理器，它可以在各種環境中執行資料中心級神經網路，即使在電力受限的情況下。

2023 年 7 月，英偉達已收購人工智慧初創公司 OmniML，後者推出了一個名為 Omnimizer 的平臺，該平臺可以壓縮機器學習模型的大小，以便大模型在更小的裝置上執行，而非依賴於雲端算力。

當未來趨勢愈發明顯，科技巨頭們的動作也愈加迅速，透過收購和整合邊緣 AI/端側 AI 技術，持續鞏固自身在人工智慧領域的領導地位，滿足不斷增長的市場需求，並推動技術創新和應用落地。

透過分析上述的幾起收購案，我們也能得到一些基本洞察：

在諸多科技巨頭中，半導體巨頭們是對邊緣 AI/端側 AI 反應最為強烈和迅速的群體。半導體巨頭透過併購快速獲取核心技術，實現搶佔高增長市場的目標。

從戰略意義上來看，一方面，雲端 AI 面臨算力成本高、延遲和隱私風險等挑戰，而邊緣 AI/端側 AI 透過本地化處理資料，顯著降低了頻寬需求和響應時間，增強資料隱私保護並降低成本。半導體企業透過提供邊緣端晶片和解決方案，幫助客戶突破雲端限制。同時，在傳統 PC 與移動終端市場趨於飽和的背景下，邊緣 AI/端側 AI 為晶片廠商提供了全新的增量市場，包括工業自動化、智慧城市、智慧駕駛、智慧安防等高潛力場景。對於像高通、恩智浦、英特爾、AMD這類半導體廠商來說，佈局邊緣 AI/端側 AI 不僅是搶佔下一代 AI 算力入口，更是延長“摩爾定律”紅利的現實路徑。

比如，恩智浦巨資拿下的 Kinara，其產品可在包括傳統 AI 和生成式 AI 等一系列神經網路中實現高能效的 AI 效能，滿足工業與汽車市場快速增長的 AI 需求。同樣，高通收購的 Edge Impulse，也將提高其為零售、安全、能源和公用事業、供應鏈管理和資產管理等關鍵領域提供全面技術的能力。

顯然，邊緣 AI 發展正推動硬體生態變革，成為晶片企業的“增長跳板”。

另一方面，邊緣 AI/端側 AI 對高效能晶片、低延遲處理和安全性的要求，直接依賴於半導體制程進步和硬體創新。當 AI 從雲端向邊緣滲透，半導體企業透過技術投資和生態合作，不僅鞏固了自身在產業鏈的核心地位，也推動了整個行業的轉型升級。未來，隨著邊緣 AI 裝置（如智慧手機、具身機器人）的普及，半導體行業將進一步受益於這一技術浪潮。

上述的幾起收購案中，都涉及一項重要技術—— TinyML。所謂 TinyML，是指將機器學習模型部署在資源受限的嵌入式裝置(如微控制器、感測器模組等)上，實現本地化、低功耗、低延遲的智慧推理的技術。

從巨頭們的動作可以看出，隨著技術的不斷成熟，TinyML 將成為邊緣 AI/端側 AI 的重要實現路徑，未來會廣泛應用於智慧家居、可穿戴裝置、工業物聯網等對成本、功耗與響應速度高度敏感的場景中。

TinyML 的核心目標是在毫瓦 (mW) 級功耗的微控制器 (MCU) 上執行機器學習模型，是目前唯一能夠在毫瓦級能耗+KB 級儲存+極低成本硬體上穩定執行 AI 模型的技術路徑，天然適配邊緣 AI/端側 AI 最典型的部署需求。

隨著 AI 應用從“集中式雲推理”向“邊緣智慧、端側智慧”遷移，智慧的部署重心發生遷移，而 TinyML 所支援的部署平臺（如 Cortex-M 系列、RISC-V MCU、DSP 核等），正是分散式智慧計算網路中的最末端節點，TinyML 使這些極小節點也具備基本 AI 感知與判斷能力，實現真正的“泛在智慧”。

而且，以往的 AI 往往侷限於雲端大模型和高效能算力中心，技術門檻高、開發成本大，而 TinyML 生態正在推動：①低程式碼/視覺化建模工具：非 AI 專業人員也可訓練部署模型；②硬體平臺通用化：模型一鍵遷移；③訓練推理分離：模型可在雲上訓練、裝置端獨立推理，降低裝置成本。這都讓 AI 真正具備了“像嵌入式軟體一樣開發和部署”的可能性，極大加速了邊緣智慧的普及。

基於在低功耗、即時性、隱私保護、硬體適配性以及廣泛的應用場景等方面的獨特優勢，可以說 TinyML 是邊緣/端側 AI 的最核心技術支撐之一。沒有 TinyML，就沒有真正意義上的“邊緣泛智慧”與“端側普適 AI”。

邊緣/端側 AI 雖好，我們也需認識到其理解能力有限，難以處理複雜推理、語義理解等高階任務；大模型能力強，但算力開銷巨大，難以在邊緣或終端部署，也不適合即時響應。因此，大模型主導認知推理、複雜生成任務，邊緣輕量模型主導即時感知、本地響應，兩者協同恰好互補。

在未來的泛在智慧架構中，邊緣輕模型是響應之“快”，大模型是理解之“深”，兩者協同才能構建一個既高效又可靠的 AI 系統。科技巨頭正是看中這一演進趨勢，才加快了對邊緣部署能力與模型管理平臺的全面佈局。

舉例而言，就在高通收購 Edge Impulse 過去沒多久的 4 月 2 日，其又透過官網宣佈收購越南人工智慧（AI）新創企業——MovianAI。該公司前身是 VinAI 應用與研究股份公司 (VinAI) 的生成式人工智慧部門，作為一家領先的人工智慧研究公司，VinAI 以其在生成式人工智慧、機器學習、計算機視覺和自然語言處理方面的專業知識而聞名。

這起交易將和高通此前收購 Edge Impulse 形成協同效應：MovianAI 專注於智慧手機和汽車的大規模人工智慧模型，而 Edge Impulse 則針對資源受限的小型裝置最佳化人工智慧，這為高通提供了整個人工智慧價值鏈的全新“端到端”專業知識。

根據 Future Market Insights 的新研究，到 2032 年底，邊緣人工智慧市場將達到 396 億美元，在預測期內，市場將以 20.8% 的 CAGR 擴張。

隨著市場的增長，邊緣/端側 AI 的發展正邁向更高層次的智慧協同階段，而晶片架構最佳化、TinyML技術成熟及雲邊協同機制的不斷演進，將促成形成“本地即智慧、雲端更智慧”的泛在 AI 格局。對於希望在 AIoT 時代搶佔先機的企業而言，提早佈局邊緣智慧與模型協同架構，已成為不可或缺的戰略選擇。