为什么 DSP 突然无处不在

当 ARM CPU 内核首次被包括 Apple 在内的一些计算领域的主要公司采用时，其使用量激增，尤其是在移动应用程序中。回想起来，优势是显而易见的——任何设备都可以通过嵌入式处理器变得更加灵活和功能丰富。同时，这种能力可以通过软件升级：单个硬件平台可以通过纯软件升级来驱动多个产品发布。

（来源：CEVA）

这些计算引擎非常灵活，非常适合我们智能手机和其他移动产品中的许多管理和通用计算任务，但这种通用性有一个缺点。某些操作在通用计算机上运行速度太慢并且消耗太多功率而不实用。智能手机无线通信部分的调制解调器就是一个早期的例子。这必须实时处理无线电信号，在每种情况下都不是处理手机计算部分内部使用的熟悉的数字字和位，而是处理无线电传输和接收中使用的不断变化的模拟信号的数字化版本.

数字信号处理器 (DSP) 专为此类分析而设计。它们具有数字化信号所需的内置浮点表示，并且对信号处理所需的数学函数（例如多重累加 (MAC) 函数）具有强大的支持。它们还针对处理流数据进行了优化，而不是传统计算中常见的面向批处理的处理，这是在这种情况下处理连续无线电传输和接收的基本特征。

音频处理需要共享许多在无线信号处理中看到的相同功能。 DSP 的这种应用在高端音频应用中变得普遍，例如均衡和范围压缩（例如杜比压缩），然后越来越多地用于降噪耳机等功能，让您在飞行过程中不受干扰地睡眠。

然后人工智能起飞，最初只在数据中心，但现在越来越多地用于移动和其他边缘应用程序。我们的汽车现在可以检测行人和潜在的碰撞，它们可以检测车道标记，以自动驾驶的基本形式指导转向。我们可以通过语音命令控制我们的电视或智能扬声器，以查找歌曲或电影或调低或调高音量。我们甚至可以通过语音命令控制自行车安全头盔上的 GoPro 开始或停止拍照。

所有这些功能都依赖于实时或非常接近实时地处理流数据（语音）或图像（相机静止图像）或两者（视频）。首先看音频处理。首先，您需要通过来自多个麦克风的音频波束成形、回声消除和噪声抑制来捕获高质量的流音频信号，这些领域在 DSP 实施方面已有多年经验。

然后，您必须使用经过训练的神经网络识别命令，这是几乎所有这些 AI 技术的基础。这些算法看起来与在 CPU 上运行的算法大不相同；虽然它们可以在 CPU 上运行，但它们会很慢并且很快就会耗尽电池电量。更好的方法是在提供高度并行性的架构上对神经网络进行编程，允许同时运行许多计算，而不是像在 CPU 上那样串行运行。这是DSP的另一个核心优势——计算并行。

您可能想知道，尽管具有所有这些优点，但 DSP 是否可能过于复杂，以至于除了别无选择只能使用它们的专家以外的任何人都无法采用。当然，它们不像 CPU 那样易于使用，但差异并不大。您需要为两者编写 C 代码，但您需要在为 DSP 编写的代码中更加深思熟虑，以充分利用性能。

（来源：CEVA）

至于广泛采用，您手机上的每个无线电（蓝牙、Wi-Fi 和蜂窝网络）都使用一个或多个 DSP。蓝牙耳塞使用 DSP，用于蓝牙和音频。许多智能扬声器使用 DSP。声控遥控器使用 DSP。家庭安全系统使用 DSP 来检测摄像头上的异常运动和不寻常的声音，例如狗吠声或玻璃破碎声。您汽车中的智能传感器使用 DSP 来检测前方和后方的危险并检测车道标记。

为什么不将 GPU 用于所有这些功能？ GPU 确实非常有名，尤其是在 AI 方面，并已广泛用于数据中心进行神经网络训练。但是对于许多边缘应用程序来说，它们太大、太耗电且太昂贵。出于功率、安全性和隐私的原因，将更多的 AI 功能转移到这些设备上是一个巨大的推动力。但这些必须是非常具有成本效益的解决方案。在大多数情况下，很少有人愿意大幅增加整体解决方案（汽车、电视、家庭安全）的成本。

这就是嵌入式 DSP 无处不在的原因。您可以以低成本和低功耗为您的产品添加语音控制、物体检测、音频质量控制等更多功能，并且仍然具有软件可编程性的灵活性。他们不会取代 CPU 进行管理和一般处理，但看起来他们正在接管与智能音频和视频/成像有关的一切。

本博客是该系列的第一篇，并继续发布“当 DSP 击败硬件加速器 ”和“决定、决定：硬件加速器或 DSP ?”。