万 朵，胡谋法，肖山竹，张 焱

国防科技大学 电子科学学院 自动目标识别重点实验室，长沙 410073

随着物联网+的普及，边缘计算得到快速发展，以深度学习为代表的智能算法越来越多地被部署到边缘计算设备上，构成万物互联重要的端侧算力。然而，深度学习类算法的网络结构千变万化、层数和参数异常庞大，对算力资源的需求也日益复杂多元。边缘智能计算面临算力、功耗、体积、成本等诸多现实挑战，其中最主要的是算力与功耗的矛盾[1]。近年来，在边缘智能计算应用于实际场景的研究中，涌现了网络剪枝[2]、参数量化[3]、模型蒸馏[4]等一系列网络轻量化技术，同时也特别强调依靠硬件加速技术实现算力与功耗的平衡。硬件适配是硬件加速技术中的代表性实现手段，其中异构并行计算平台（下文中简称“异构平台”，含两种及以上传统计算平台）的硬件实现受到广泛关注。本文针对边缘智能计算的实现问题，对传统计算平台和异构并行计算平台两种硬件适配方案进行分析，旨在从算力、功耗的适配以及开发的便利等角度，为智能算法模型在端侧落地提供硬件平台选择参考。同时，通过梳理关键技术的发展脉络，对关键技术的发展成果进行总结，提出异构并行计算平台所面临的挑战。

本文首先对比分析了传统计算平台的优缺点，并梳理了异构平台中各个核心处理器（传统计算平台）在指令模型、通讯机制和存储体系三个方面的技术发展脉络。……