算能杯赛题分析
赛题任务
基于算能TPU硬件设计并实现一个边缘计算架构优化的系统，包含至少一项端到端语音模型或机器视觉应用，提供完整的软硬件端到端解决方案，并且需结合AIoT生态。
http://univ.ciciec.com/nd.jsp?id=879#_jcp=1 （赛题链接）
题目解读
关键词： TPU 边缘计算 AIoT 端到端语音模型 机器视觉
1、TPU和边缘计算是什么？
TPU（Tensor Processing Unit）是专为张量运算设计的加速芯片，擅长处理深度学习中的矩阵计算，具备高算力、低功耗特性。算能TPU支持INT8/FP32等精度，适用于边缘端模型推理。
边缘计算 指在靠近数据源的设备端完成计算，而非依赖云端，可降低延迟、提高隐私性。本赛题需结合TPU算力优势，在边缘设备（如开发板、微服务器）上部署智能系统。
两者关联：TPU提供边缘端的高效算力支撑，结合AIoT设备（传感器、摄像头等）实现实时数据处理与决策。
2、赛题要求的端到端语音模型与机器视觉的应用要求是什么？
端到端语音模型 指从原始语音输入到最终输出（如文本、指令）的完整模型，需在TPU上完成推理优化。
机器视觉 需实现图像识别、目标检测等功能，例如基于YOLO、ResNet等模型的移植与加速。
特定场景的解决方案：需在应用场景（如教育、医疗）中提出独特解决方案，例如结合多模态交互（语音+视觉）或轻量化模型设计。
3、如何基于TPU硬件完成设计？
开发流程：
- 模型训练：使用PyTorch/TensorFlow等框架设计模型；
- 模型转换：通过TPU-MLIR工具链将模型转换为TPU可执行格式；
- 硬件部署：在开发板（如Milk-V Duo、Airbox）上集成模型，连接传感器/外设，完成系统联调。
设计指标（基础）
- 基于算能TPU设计一个边缘运算应用：
首先根据场景选择TPU硬件——小算力端侧处理器（如CV1800B）需高实时性，边缘算力处理器（如BM1684X）需支持多模态融合。其中价格高的的硬件设备有低竞争性的天然优势。然后基于硬件设计一个符合赛题要求的应用即可。
- 片上接口应用与扩展：
要尽可能多的使用板卡上的资源，“榨干”板卡的价值。但同时也要预留接口支持外设扩展（如摄像头、传感器），或与其他AIoT设备（如Sipeed Maixcam）联动，给予客户端充分的发挥空间。 、
设计指标（进阶）
- 算法创新：
可以优化自己的算法，也可以应用别人的算法，然后在具体应用场景进行优化。也可以针对大模型，针对任务优化模型结构（如剪枝、量化），或设计新算法（如轻量级AIGC生成），提升推理速度或准确率。
- 多模态融合：
多模态交互指在人机交互过程中，综合运用多种不同的交互方式和信息模态，以实现更加自然、高效、灵活的人机信息交流。在设计作品中应该结合语音、视觉、文本等多模态输入，设计跨模态交互系统（如教育场景的智能助教）。
- 异构协同：
利用开发板多核特性（如CV1800B的Linux+RTOS双系统），分配任务至不同核心，优化资源利用率。实际上运行大模型，本来就需要异构协同，单一个TPU无法进行任务管理。
- 商业落地：
设计具备实际应用价值的方案，例如医疗场景的病理影像实时分析系统，并提供成本与功耗评估。
评分机制
初赛
除了设计报告，初赛需要提供PPT和视频
- 方案设计（20分）：场景合理性、技术原理清晰度、架构创新性。
- 系统实现（45分）：硬件构建完整性、算法创新性、功能扩展性。
- 作品输出（35分）：代码规范性、演示视频流畅度、现场答辩表现。
分区决赛
复赛则主要是演示效果
- 现场演示：系统需在选定硬件上实时运行，重点考核稳定性与实时性（如语音响应延迟≤200ms）。
- 性能对比：提供优化前后数据（如模型推理速度提升50%）。
全国总决赛
决赛一定要做商业计划，同时突出创新点以及创新点的实际应用成果。
- 高阶要求：需实现多模态融合或异构协同设计，并提供商业化落地潜力分析。
- 创新加分：结合AIGC（如边缘端Stable Diffusion生成）、具身智能机器人等前沿方向。
Tips：
- 若使用BM1684X+Airbox，优先探索AIGC场景（如边缘端LLM对话），易获评分倾斜。
学习路线
三步冲刺国奖 ⚡
- 第一步：掌握TPU开发基础——学习TPU-MLIR工具链，完成官方示例（如YOLOv5部署）；
- 第二步：设计完整系统——选择场景（如智能机器人），实现数据采集、模型优化、硬件部署全流程；
- 第三步：突破进阶指标——尝试多模态交互（语音+视觉控制机器人），或优化模型至超越业内SOTA。
推荐资源：