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2026（electronica 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，Ploss=I2R），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PT100+ADS112C04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310DMIPS，CoreMark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FP32（32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。