边缘AI这几年很热。但如果站在工程师的角度看，一个模型能够在开发板上跑起来，距离真正做成产品，其实还差得远。
摄像头采集的数据怎么处理？不同AI模型怎么衔接？推理任务哪些交给CPU，哪些放到FPGA？实时结果怎么输出？设备是不是必须依赖云端？这些问题一个个看起来都不大，真正组合起来，却很容易把一个AI Demo变成一个复杂的工程项目。
所以，边缘AI正在进入一个很有意思的阶段：过去大家关注的是“能不能跑AI”，现在更需要解决的是“能不能把完整AI流程跑起来”。
MakarenaLabs的MuseBox与瑞苏盈科（Enclustra） Mercury+ MP1的组合，正是在这个方向上给出了一个比较典型的思路。它不是简单把一个AI模型放进FPGA，而是试图把Linux处理、FPGA硬件加速、AI模型以及整个推理流程组织到同一个边缘平台中。
一块SoM，为什么还要把CPU和FPGA放在一起？
这套方案的硬件基础是瑞苏盈科（Enclustra）的Mercury+ MP1，核心采用Microchip PolarFire SoC。它的一个关键特点，就是没有把CPU和FPGA割裂开来。Linux运行在SoC的处理系统上，而需要硬件加速的AI任务，则可以通过VectorBlox以及自定义FPGA IP来实现加速。
这套架构其实非常符合边缘设备的现实需求，因为边缘AI不是只有“算”。系统启动、设备管理、网络通信、数据调度、应用逻辑，这些工作依然需要处理器完成；而对于实时性要求更高、数据吞吐更大或者适合并行处理的任务，FPGA则可以提供另一条路径。
简单来说：CPU负责灵活，FPGA负责加速。
这句话听起来有点老，但放到今天的边缘AI里，依然很实用。尤其是当设备面对不同传感器、不同数据流和不同AI模型时，硬件可定制能力就不只是一个“加分项”，而可能直接影响产品能不能落地。
真正让方案发生变化的，是MuseBox
如果只有Mercury+ MP1，那么它本质上仍然是一套具备CPU+FPGA能力的SoC硬件平台。MuseBox加入之后，事情就变了。资料中对MuseBox的定位非常明确——它负责AI流程的编排，可以把完整AI Pipeline放在本地运行，从实时输入一直到推理和输出，不强制依赖云端。
这个变化其实很关键，因为真正的边缘AI应用，很少是一个模型从头跑到尾。实际系统往往是多个处理环节串起来的。比如视觉场景中，前端可能首先获取视频流，然后进行图像处理，再进入目标检测、深度估计或者人脸分析等AI任务，最后把结果交给应用层。
如果这些事情全部靠工程师自己拼起来，开发难度自然不低。MuseBox做的事情，可以理解为给底层硬件和上层AI应用之间搭了一层“编排层”。它让硬件加速能力不再只是孤立存在，而是成为完整AI处理流程的一部分。这也是这个方案比较值得关注的地方。
从“单个模型”到“AI Pipeline”
MuseBox目前展示的AI能力包括人脸检测、识别与分析、目标检测、深度估计，以及人脸和手部关键点检测、手掌检测等。单独看这些功能，其实并没有什么神秘之处。真正值得看的，是这些能力被放到了一个统一的边缘AI平台里。
换句话说，它关注的不是：“我能不能运行一个模型？”，而是：“多个AI任务能不能在设备本地形成一条连续的处理链？”这两个问题看起来只差几个字，背后的工程复杂度却完全不同。
当AI应用从单一识别功能走向多模型协同，模型本身反而不再是唯一核心。数据如何流动、模型如何调度、硬件如何加速、结果如何交互，这些都会变成系统设计的一部分。因此，“AI Orchestration”这个概念开始有了实际意义，它不是单纯管理几个模型，而是把数据、模型、计算资源和应用流程组织起来。
FPGA的价值，也正在发生变化
过去很多人理解FPGA，首先想到的是高速接口、数字信号处理、视频处理或者通信。AI起来以后，FPGA当然也可以承担推理加速。但如果只把FPGA理解成“另一个AI加速器”，其实还是低估了它。
Mercury+ MP1这套架构真正有意思的地方，在于FPGA不是孤立工作的。它和Linux处理系统结合在一起，同时又可以通过VectorBlox或者自定义IP进行硬件加速。这意味着开发者面对的并不是一块只有固定AI能力的芯片，当应用发生变化，需要重新设计数据通路或者加入特定硬件功能时，FPGA仍然留有调整空间。
这恰恰是边缘设备比较看重的一点，毕竟工业视觉、机器人、智能终端等应用，往往不会像云端服务器那样拥有充足的算力和功耗空间。设备端真正需要的是：在有限资源下，把最关键的任务处理得足够快，而且还得稳定。FPGA在这里提供的，除了算力，还有一定程度的硬件自由度。
为什么“本地运行”越来越重要？
这套方案还有一个容易被忽略的关键词：Local。
MuseBox可以让完整AI流程在边缘侧运行，不强制依赖云端。这并不意味着云端AI没有价值，恰恰相反，云端仍然适合大规模模型训练、集中式数据处理以及复杂计算。但到了设备端，很多任务并不需要把原始数据全部送到云端。
实时视觉就是典型例子。摄像头的数据持续进入，如果每一帧都经过网络传输再等待云端返回结果，系统的实时性和稳定性都会受到影响。而在本地完成采集、处理、推理和输出，整个系统的响应链路可以更短。这也是边缘AI真正的价值之一：不是为了“脱离云”，而是让需要实时完成的事情，就地完成。
从硬件平台走向“可用的AI平台”
这套方案还有一个比较现实的设计：MuseBox支持WebSocket集成，并提供可选的No-Code GUI。这两个能力看起来不像FPGA参数那么“硬核”，但对于产品开发反而很重要。
因为硬件厂商最终面对的客户，不一定都是FPGA工程师。如果每一个应用都要求客户深入理解SoC架构、FPGA IP、AI模型部署和底层数据通路，那么硬件平台本身再强，推广起来也会比较吃力。
所以真正成熟的边缘AI平台，最终一定会出现一种趋势：底层越来越复杂，上层反而越来越简单。
复杂性留在平台里面。客户看到的，则应该是一个可以配置、调用和部署的AI能力。MuseBox的No-Code GUI和WebSocket接口，本质上就是在做这种“降低应用门槛”的事情。
对FPGA产业来说，这可能才是更值得关注的变化
如果把Mercury+ MP1和MuseBox单纯当成一个AI Demo来看，其实没有必要过度解读。但如果把它放到整个边缘计算产业里看，就能发现一个趋势越来越清楚：未来的边缘AI竞争，不只是芯片算力竞争。
硬件架构、AI加速能力、软件工具链、模型部署以及应用编排，正在逐渐变成一个整体。这也是为什么SoM越来越适合这种应用。
资料中的完整平台由MakarenaLabs MuseBox AI Server、瑞苏盈科（Enclustra） Mercury+ MP1 SoM与ST1基板、Microchip PolarFire SoC，以及VectorBlox/自定义FPGA加速组成，每一层负责不同的事情：
SoM解决硬件集成问题；
PolarFire SoC提供处理与FPGA资源；
VectorBlox和自定义IP承担硬件加速；
MuseBox则负责把这些能力组织成完整AI流程。
这样一来，AI就不再只是“芯片上的一个模型”，它开始真正成为设备的一部分。
从Demo到产品，中间差的就是这一层
其实现在做一个AI Demo并不算特别难。真正困难的是把它变成一个长期运行、实时响应、能够与设备系统协同工作的产品。
这也是MuseBox与Mercury+ MP1组合给出的一个比较有价值的启示：边缘AI的下一阶段，不应该只追求“把模型跑起来”，而应该关注“把整个AI Pipeline跑起来”。
从输入，到预处理；
从CPU，到FPGA；
从模型推理，到结果输出；
再到应用接口和系统协同。
只有这些环节真正连起来，边缘AI才算完成了从技术演示到产品能力的跨越。
对于FPGA而言，这同样意味着新的角色。它不再只是传统意义上的逻辑资源或者硬件加速器，而有机会成为边缘AI系统里的可编程计算底座。
而PolarFire SoC与Mercury+ MP1提供的是这块底座，MuseBox做的，则是把底层能力真正“组织起来”。
所以，“能跑AI”只是起点。真正值得期待的，是让AI在设备里持续、实时、稳定地跑完整个流程。
这或许才是边缘AI走向规模化落地之后，FPGA真正值得抓住的机会。
长按下方二维码关注我们，获取更多有趣demo及最新资讯。
瑞苏盈科官方微信公众号
来源：Enclustra
