他把GPU和TPU强行组队，家用安防的算力账算出了3个意外

80%的监控画面是风吹树动，这条数据来自一位折腾了三年自托管安防系统的开发者。当你不再满足于"能录像"，而是要求摄像头"看得懂"，硬件成本的陡增几乎不可避免。

但有人找到了一条奇怪的路：把消费级GPU和谷歌的Coral TPU（张量处理单元，专门跑AI推理的芯片）塞进同一台机器。听起来像是把跑车引擎和无人机电机绑在一起，实际跑出来的效果却让他重新算了一笔账。

从"能录"到"看懂"，算力需求翻了不止一倍

基础监控是个低门槛活。插电、联网、存硬盘，三件套搞定。麻烦始于你想要更多：区分人和车，过滤树叶晃动，甚至按人脸检索事件。这些需求把系统从"录像机"变成了"实时分析师"。

解码视频流、逐帧分析、目标检测、特征提取——每一步都在啃算力。开发者最初的选择是Frigate，一个开源的本地AI安防平台。它能把所有处理留在家里，不用把画面传到云端。但本地化的代价是，你的硬件得扛住全部负载。

他算了笔账：单路1080p摄像头，如果要做实时目标检测，CPU占用能直接拉满。四路摄像头同时跑？风扇起飞，延迟飙升，通知迟到五分钟，安防变成事后诸葛亮。

这时候他面临经典二选一：加钱上更强的通用处理器，还是砍掉功能保流畅。

但他选了第三条路。

TPU干脏活，GPU打杂工，分工比想象中细

Coral TPU的设计很直白：不做通用计算，只跑神经网络的推理部分。把它插进系统，相当于给AI检测配了个专用临时工。目标检测、图像分类这些重复性高、并行度高的任务，TPU能以极低功耗吃掉。

开发者原本担心TPU会成为瓶颈。实际测试后，他发现分工可以做得更细：TPU负责核心的目标检测模型，GPU则接手解码、重编码、以及部分后处理。两者不是竞争关系，而是各取所长。

具体数字他没公开，但描述了一个关键变化：四路摄像头同时跑AI检测，CPU占用从"接近满载"降到了"后台水平"。系统响应延迟从" noticeable lag"（明显可感知）变成了"接近实时"。

更意外的是功耗。TPU的标称功耗只有几瓦，GPU在轻负载下也能降频运行。整体电费账单比他预想的"加一块高端CPU"方案低出一截。

这个组合的真正价值，在于把"必须买更贵硬件"变成了"用对现有硬件"。

自托管的隐藏成本：不是买设备，是买确定性

云安防服务按月收费，看起来便宜。但开发者提到一个被低估的痛点：延迟和隐私的权衡。云端AI检测再强，画面得先上传。带宽波动时，通知延迟从秒级变成分钟级。更麻烦的是，你默认把家门口的画面交给了第三方服务器。

本地方案的前期投入高，但边际成本趋近于零。加一路摄像头，只需要多一个TPU能承受的检测线程。他的配置最终稳定在五路摄像头，TPU负责检测，GPU管解码和存储压缩，老旧CPU反而成了最闲的部件。

这套配置也有边界。TPU对模型格式有要求，必须用Edge TPU编译器转换。Frigate社区维护了一套预转换模型，但如果你想跑自定义模型，得自己折腾量化（把模型参数压缩到TPU能处理的精度）。开发者试过几次，结论是"能用，但别期待和GPU一样灵活"。

另一个限制是分辨率。TPU的峰值算力固定，4K检测的帧率会明显下滑。他的折中方案是：摄像头录4K存盘，但检测用1080p的降采样流。画质和算力各取所需。

社区里的分歧：专用芯片是不是弯路

这个方案在技术论坛里有过争论。一派认为，NVIDIA的Jetson系列（集成GPU+AI加速器）才是正解，单芯片搞定所有事，生态更成熟。另一派坚持x86+独立GPU的通用性，认为TPU是谷歌的封闭玩具，哪天停产就抓瞎。

开发者的回应很实际：Jetson的显存和编解码能力有限，多路高码流场景下反而吃力。纯GPU方案的问题是，推理任务的能效比远不如专用芯片。他的混搭路线，本质是"用最低功耗搞定最难的AI部分，剩下的交给通用算力兜底"。

成本对比上，一块Coral TPU USB加速器的二手价在百元级别，加上一块中端二手显卡，总投入控制在千元内。同性能的纯GPU方案，显卡 alone 就得翻倍。Jetson开发板的定价则在这个区间的上游，且扩展性更差。

关键不是哪个芯片更强，是你的场景需要什么样的"强"。

他的场景很明确：固定几路摄像头、固定几种检测目标、对延迟敏感、对电费敏感、不想折腾云服务。这个组合恰好卡住了甜点。

一个被忽略的细节：检测精度比算力更重要

开发者最后提到一个反直觉的发现。早期他执着于降低误报，把检测阈值调得很高。结果是漏报增加，真正该报警的事件被过滤掉。后来他把阈值放宽，依赖Frigate的"区域过滤"和"时间窗口"做二次判断——比如"人形必须在门口停留3秒才触发"。

误报率反而下来了。算力没变，策略变了。

这个调整让他意识到，硬件升级有天花板。TPU+GPU解决的是"能不能实时跑模型"，但"模型跑得好不好"取决于训练数据、阈值调参、和后处理逻辑。社区里有人用同样的硬件配置，误报率是他的三倍，差距全在软件层。

他现在把更多时间花在标注自己的数据集上。门口那棵会触发检测的灌木，他手动标了几十张负样本。系统学会忽略它之后，通知质量明显提升。

如果算力成本继续下降，专用AI芯片和通用GPU的边界会越来越模糊。但在眼下这个节点，把两者拆开用、组合用，可能是家庭场景里最务实的解法。你的摄像头有几路？有没有算过，其中多少画面其实不值得存？