看不见的战场：决定边缘AI上限的，不止算力，还有“信号链”
当工业设备通过振动传感器预测故障、智能手表通过心电信号监测健康、安防摄像头通过声音识别异常时，大多数人会将这些突破归功于日益强大的AI算法和数字芯片。然而，一个常被忽略的事实是：所有真实世界的信号，如视觉、声音、振动、温度、生物电等，本质上都是模拟信号。连接物理世界与数字大脑的“桥梁”——模拟前端（AFE, analog front-end），其质量直接决定了输入AI模型的“数据粮草”的质量，进而深刻影响最终的决策精度与系统可靠性。
随着边缘AI从概念走向大规模落地，AFE设计正迎来前所未有的挑战与变革。在一些对功耗、面积、延迟或信号特征提取效率要求极高的场景中，传统面向数据采集的设计思路已无法满足AI对信号特征完整性的要求，一场围绕“优化AFE能效”的技术革新正在悄然展开。
边缘AI给AFE带来的设计考量
传统AFE的核心目标是输出“干净、规整”的数字信号，但在机器学习中，那些被滤除的“微小噪声”有时恰恰是设备早期故障的关键特征。这种根本差异，要求设计者必须重新评估并调整设计策略，避免因为过度滤波而导致AI模型丢失有效信息。从而在多个维度上引出全新考量：
- 避免过度滤波，为AI保留原始特征
AI模型看待数据的方式与数字处理器不同，对数字处理器有意义的数据可能对AI模型无用。例如激进的低通和高通滤波可能有助于提供更容易解释的信号，但会掩盖对AI有用的信号特征。因此最好在转换后以数字方式执行滤波，以满足数据的其他下游用途。
- 严格控制失真，同步增益变化
工程师在训练过程中引入虚假信号可能会损害模型训练，所以需要更加谨慎地避免失真。对于具有宽动态范围的信号，可以采用自动增益控制（AGC），并且放大倍数的变化应传递给数字转换器并与传感器数据同步，以便在AI训练期间将其记录为特征。
- 精确时间同步，避免群延迟问题
在多传感器融合设计中，高度依赖统一的时间基准。由不同深度的滤波或数字化链路引起的群延迟变化，会改变信号之间的关系，影响多模态AI模型的推理准确性。
- 采用分级架构，优化能源效率
可编程AFE或可互换的AFE链路可以提高能源效率。边缘设备通常处于“始终在线”的低功耗运行模式，此时，AI模型处于非活动状态，以相对较低的精度获取信号。一旦信号超过阈值，系统就会唤醒AI加速器并进入高精度采集模式。此外，系统也可以引入独立的纳瓦级低精度AFE电路，通过多级唤醒方式限制完整AI模块的激活时长，从而实现能耗控制。
- 考虑独立路径，满足双重数据需求
在从物联网向AIoT过渡的应用中，数据承担着双重职责。传感器既可用于后端系统的常规数据分析，也可作为AI模型的实时输入。因此应考虑为不同用途设置独立的数据路径，避免相互干扰。
从器件到方案：应对复杂场景的挑战
面对这些设计问题，AFE设计的难点往往不在单一器件的参数比拼，而在于多电压域、多传感器接口高集成度与高可靠性等的复杂场景下，能否组合一套全局最优的可靠方案。这对设计团队的选型、验证能力以及供应商的资源广度与技术支持深度提出了更高要求。作为全球领先的技术分销商和解决方案提供商，安富利凭借庞大的供应链体系与技术积累，能够为工程师提供关键支持。例如，安富利可提供来自13家顶级供应商的近1800款模拟开关与多路复用器产品，帮助客户在开发与量产阶段快速匹配最优器件，显著减少供应链摩擦与设计风险。
了解更多详情，请扫描二维码或点击下方链接查看
Analog Switches & Multiplexers
View Product Portfolio
安富利的长期合作伙伴onsemi，在逻辑器件领域拥有丰富的产品组合，为构建高可靠AFE提供了坚实基础。例如多传感器系统中，onsemi的模拟开关与多路复用器，具有低导通电阻、高带宽和低串扰的特性，可确保多个传感器信号的高质量切换。同时，其产品提供极致的小型化封装，尺寸小至0.62×0.32mm²，能够满足可穿戴设备等空间受限应用的需求。这些产品可帮助工程师简化设计、减少元器件数量、提升系统可靠性，同时满足边缘AI对信号完整性的严格要求。了解更多详情欢迎点击文末“阅读原文”访问。
结语
在半导体技术不断发展的今天，边缘AI的性能提升不再单纯依赖单一器件的演进，而更依赖于“感知－计算－执行”这一信号链的协同优化。AFE作为连接物理世界与数字世界的桥梁，其重要性日益凸显。只有夯实“信号处理”这至关重要的第一步，边缘AI才能获得高质量的数据源泉，从而释放出更可靠、智能的价值，更好地服务于千行百业。
