邊緣人工智慧（Edge AI）商機升溫，市場競爭焦點正從單一晶片的算力，延伸至感測、推論與連結能力的系統整合。從PC、智慧型手機、智慧車輛到各種智慧物聯網裝置，還有當紅的機器人，都開始需要了解周遭環境，並在裝置端即時反應，因此IC設計業者所面臨的挑戰也從「能否執行AI模型」，轉變為如何在功耗、記憶體、成本與模型快速演進之間取得平衡。
Edge AI領域的半導體產品和軟體IP授權廠商Ceva於11月初舉辦年度技術研討會，邀集技術團隊、客戶與生態系夥伴，探討實體AI、裝置端推論及新一代無線連結。對這家以無線連結與DSP IP建立市場基礎的公司而言，AI帶來的機會，正在於協助客戶將既有連網裝置，升級為能夠感知環境、自主判斷的智慧系統。
Ceva於11月初於新竹舉辦年度技術研討會，由(左至右)策略長Iri Trashanski、台灣區總經理于長艷，以及市場情報、投資人關係暨公共關係副總裁Richard Kingston共同主持。(攝影：Judith Cheng)
實體AI帶來新挑戰 設計重心轉向系統效率
從嵌入式系統、IoT走向Edge AI，IP供應商與客戶的合作出現哪些改變？Ceva策略長Iri Trashanski指出，裝置必須同時具備感知、推論與連結能力，才能理解環境並採取行動；不同模型與AI代理，也可能分布在終端、閘道器與雲端，必須依任務配置資源。
「我們認為應該在正確的時間、正確的位置，使用合適的引擎；」Trashanski舉例指出，穿戴裝置的常時感測與喚醒詞辨識，適合由低功耗引擎處理；較複雜的模型則可交由手機、閘道器或雲端執行。若將過大的運算引擎放進小型裝置，耗電與散熱便可能成為問題。
Ceva的市場情報、投資人關係暨公共關係副總裁Richard Kingston則以人形機器人為例指出，系統需要透過視覺、聲音與動作感測取得資訊，再於本地端完成即時分析。「當這些資料進入人形機器人時，你需要AI能力，在機器人內部即時處理資訊；」他強調，需要即時回應的工作，不能完全依賴將資料送往雲端處理。
(圖片來源：Ceva)
Ceva將這些需求整合為「AI Fabric」布局，結合AI DSP、MotionEngine感測器融合軟體、NeuPro NPU及無線連結IP，支援實體AI的系統設計。
四款NPU共用架構 延續模型與軟體投入
針對不同運算規模，次世代NeuPro分別以Nano、Prime、Max與Ultra四個系列，分別涵蓋常時感測、主流CNN與Transformer、進階多模態與機器人，以及AI基礎設施應用，並共用NeuPro Studio SDK。
「效率不只是功耗，也包括模型效率；」Trashanski指出，量化、壓縮與模型最佳化可以降低資源需求，硬體須提高每瓦、每平方毫米的有效處理能力，系統端則要減少資料搬移與記憶體存取負擔。根據Ceva的官方數據，新架構每平方毫米AI輸送量最高可達前代兩倍，能效提升50%。
(圖片來源：Ceva)
AI模型的更新速度遠快於晶片開發週期，也讓架構彈性成為關鍵。「每天都有新模型出現，要如何讓部署真正變得簡單而有效率？」Trashanski表示，客戶需要的不只是當下能跑得動模型，更希望產品上市後仍能支援新的應用，因此架構設計必須預先考量模型演進。
不過，可擴展性也有硬體界線。「你無法讓同一顆10 TOPS晶片變成400 TOPS，可能仍然需要開發新的晶片；」他在問答中補充指出：共通架構的價值，在於讓客戶開發下一代產品時，延續既有SDK、工具與部署經驗；既有晶片則可透過模型最佳化改善效率，擴大可支援的功能。
與夥伴共同打造量產AI晶片 授權IP與自研NPU共同分工
Ceva分享了與韓國AI晶片設計業者Mobilint合作打造的REGULUS邊緣AI SoC案例，Kingston指出，該SoC提供超過10 TOPS算力，功耗低於3W，並已應用於Mobilint的MLD-R1 AI加速器，成為NeuPro NPU系列首個量產部署案例。REGULUS同時整合Mobilint自研NPU、Ceva NeuPro Nano與SensePro AI DSP，顯示授權IP與客戶自行開發的架構，可以在同一系統中分工。
「Mobilint也有自己的NPU，因為他們擁有自身的強項與能力；」Kingston表示，客戶自研引擎通常針對特定工作負載最佳化，但若要增加常時運作功能，或支援其他神經網路，仍可能需要較小且具彈性的引擎。他認為，將這類IP與內部開發成果結合，有助於兼顧既有專長與新應用需求。
汽車市場也呈現從設計導入走向實際產品的進展。Ceva表示，其AI DSP與加速器透過瑞薩R-Car V4H平台，應用於2026年式Toyota RAV4。從低功耗裝置到車用視覺，這些案例反映AI運算需求正依應用形成多樣化分工。
與CPU平台協作 從應用需求決定運算組合
面對CPU與NPU整合平台的競爭，沒有自家CPU的Ceva如何維持優勢？Trashanski表示，既有NeuPro客戶多數採用Arm CPU，雙方在系統內分工。「我們將Arm視為合作夥伴，並與他們共同合作；」他指出，CPU與NPU透過共通匯流排交換資料，Ceva的重點是提供符合應用需求的高效率推論引擎。
同樣的思維也適用於MCU。Trashanski指出，MCU具有成熟軟體與開發基礎，但部分AI工作若單靠提高時脈執行，可能增加耗電，仍難滿足回應時間要求。「你必須找到合適的組合，這又回到了效率的問題。」他認為，加入適當規模的NPU，是為了在效能、延遲與電池壽命間取得平衡。
這意味著，晶片設計必須從實際工作負載出發，決定CPU、DSP、NPU與記憶體的組合。單看峰值算力，已難以判斷一套架構是否適合目標產品。
客戶合作加深 IP交付延伸至模型與量產支援
模型與應用持續變化，也讓IP供應商的角色延伸至更長的開發流程。Kingston表示，Ceva與第一代NeuPro超過15家授權客戶合作，累積不同市場的需求，再將運算、記憶體、頻寬與成本方面的經驗回饋至次世代架構。
「這些與第一代客戶合作的經驗，讓我們更了解客戶下一步真正需要什麼；」Kingston補充指出，從IoT、PC到資料中心，不同市場的設計要求，有助於Ceva調整架構與產品方向。
合作對象也從晶片設計團隊，延伸至系統與軟體業者。Trashanski表示，Ceva正與軟體及AI平台團隊合作，從應用需求出發規劃晶片能力；同時結合Sensory、embedUR與BdSound等夥伴，提供模型及應用軟體，協助客戶將運算引擎轉化為語音、聲學感知與其他產品功能。
合作加深也增加支援需求。「AI業務愈成功，我們就需要更多人來支援這些客戶；」Kingston坦言，高階AI工程人才的競爭對象包括大型科技公司。隨著設計導入增加，Ceva必須同步擴充工程支援，才能確保客戶順利完成產品開發。
從連結子系統到AI基礎設施 整合能力決定價值
Ceva也將平台思維延伸至連結業務，透過Ceva-Waves Links整合無線數位IP、射頻與軟體，減少客戶自行組合與驗證的負擔，讓研發資源能投入產品差異化。「對我們來說，連結技術是將AI帶給既有客戶的入口；」Kingston表示，許多業者過去已採用Ceva的Bluetooth、Wi-Fi或DSP技術，當產品需要增加本地推論能力時，既有合作關係便有助於拓展NPU的導入機會。
NeuPro Ultra則將布局延伸至AI基礎設施。Trashanski說明，客戶可將其用於客製化推論加速器，也能整合至記憶體、連結及資料處理子系統。Kingston補充，部分客戶正研究以神經網路取代既有演算法，例如改善資料路由與傳輸延遲，讓AI在系統背後提高運作效率。
當開源模型與硬體選項增加，商用IP的價值也更需要透過產品成果證明。「開源可以提供IP，但你要如何整合、最佳化，並讓它成為真正能交付產品的子系統？」Kingston指出，Ceva希望提供的，是從授權到晶片上市的持續合作，協助客戶降低開發風險。
對台灣IC設計業者而言，Edge AI的機會將取決於能否把模型能力，轉化為功耗與成本可負擔、且能持續更新的產品。IP供應商的競爭，也將進一步落在架構彈性、軟體生態，以及與客戶緊密合作完成系統設計與量產的能力。
本文同步刊登於合作夥伴媒體 Silicon Press｜矽島通訊社，歡迎關注！
- 從連網走向自主智慧 Ceva以系統級IP布局實體AI - 2026/11/09
- EDGE AI Taipei 2026：串聯全球生態系、拓展邊緣AI商機 - 2026/10/28
- 代理式AI帶動CPU需求 Intel以開放生態布局資料中心商機 - 2026/10/06
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
