当大语言模型推理速度突破 17,000 tokens/sec 这一里程碑时，业界惊叹于其硬件性能的提升。然而，在移动端和边缘设备部署场景中，比吞吐量更关键的命题是：如何在严苛的功耗预算下实现这一性能？移动设备的功耗约束通常在 2W 至 10W 范围内，远低于数据中心的数百瓦甚至数千瓦，这意味着传统的 GPU 加速方案难以直接移植到边缘场景。Taalas 近期发布的专用推理芯片通过模型权重硬布线到硅晶圆的方式，实现了约 10 倍于 GPU 的能效提升，为边缘推理的功耗优化提供了新的技术路径。本文将从移动端功耗约束出发，分析边缘部署的核心挑战，并给出硬件设计与软件协同的实践参数。
边缘设备的功耗预算与能效瓶颈
移动端设备的功耗预算受到多重因素的严格限制。以智能手机为例，SoC 用于 AI 推理的功耗预算通常在 500mW 至 2W 之间，这部分预算还需要与 CPU、GPU、射频模块等其他组件共享。可穿戴设备和物联网传感器的功耗约束更为严苛，往往要求整个系统的平均功耗低于 100mW，甚至在数十毫瓦级别。这种功耗预算直接限制了推理模型的规模、推理速度以及可采用的计算范式。
传统 GPU 在数据中心环境下追求的是峰值性能，其功耗通常在 300W 至 700W 之间，通过高功耗换取高吞吐量。然而，在边缘场景中，功耗与性能的平衡点完全不同。以 NVIDIA H200 为例，其单卡功耗约为 350W 至 400W，而 Taalas HC1 芯片在实现 17,000 tokens/sec 吞吐量的同时，功耗仅为约 250W。更关键的是，HC1 的能效优势体现在单位功耗所产出的 token 数量上：每瓦特可实现约 68 tokens/sec 的吞吐量，而 H200 约为 20 tokens/sec，能效提升约为 3 至 4 倍。
能效瓶颈的核心在于数据移动能耗。在传统冯诺依曼架构中，计算单元与存储单元分离，数据需要在内存和计算单元之间频繁搬运。对于大语言模型推理而言，KV Cache 的读取和写入是能耗的主要来源之一。研究表明，在 8B 参数模型的推理过程中，内存访问能耗可占据总能耗的 60% 至 80%。这一比例在边缘设备上更为突出，因为边缘设备的内存带宽通常远低于数据中心级别的 HBM 或 GDDR6X。
模型硬布线：能效提升的核心技术路径
Taalas 采取的技术路径是将整个模型及其权重硬布线到芯片上，这种方式从根本上消除了传统推理过程中的大部分数据移动能耗。其 HC1 芯片采用 TSMC N6 工艺制造，晶圆面积达到 815mm²，容纳约 53B 个晶体管。在这款芯片上，Llama-3.1-8B 模型的所有权重被直接存储在芯片内部的掩模 ROM 结构中，推理时无需从外部 DRAM 或 HBM 读取权重数据。这种设计使得芯片能够在仅使用 SRAM 存储 KV Cache 和微调权重的情况下完成推理，大幅降低了内存访问的能耗。
从技术实现角度来看，模型硬布线涉及掩模 ROM 和可编程 SRAM 的混合架构。掩模 ROM 用于存储模型的主体权重，这部分数据在芯片制造时就已经确定，无法在运行时修改。可编程 SRAM 则用于存储经过微调的权重和 KV Cache，这部分可以在运行时更新，从而实现一定程度的模型适配。这种架构的能效优势在于：模型主体计算所必需的全部数据都在芯片内部，无需进行耗能巨大的片外数据传输。根据 Taalas 公布的数据，HC1 在处理 Llama-3.1-8B 时可实现 16,000 至 17,000 tokens/sec 的吞吐量，而功耗仅为 250W 左右。
这种极端专用化的设计理念与 2000 年代初的结构化 ASIC 有相似之处，但底层技术完全不同。结构化 ASIC 通过改变少数几层金属互连线来适配不同应用，而 Taalas 的方法则是在保持底层晶体管阵列通用性的同时，通过掩模工艺将特定模型的权重值直接编码到芯片中。两者的关键区别在于：结构化 ASIC 仍然保留了可编程逻辑块，而 Taalas 的硬布线芯片几乎完全移除了可编程逻辑，模型权重成为芯片物理层的一部分。这种设计选择使得芯片的能效达到极致，但代价是灵活性的大幅降低：每款芯片只能运行其对应的特定模型。
量化与模型压缩的协同优化
除了硬件层面的架构创新，模型量化也是边缘推理能效优化的关键技术路径。Taalas 对其 Llama-3.1-8B 模型进行了激进的量化处理，具体采用 3-bit 量化格式。量化通过降低权重和激活值的表示精度，显著减少了计算量和内存带宽需求。从能耗角度来看，量化带来的收益是多方面的：首先，较低精度的乘法运算所需的晶体管切换能耗更低；其次，量化后的数据体积更小，内存访问次数和带宽需求相应减少；第三，量化使得更多的模型参数可以 fit 在芯片内部的 SRAM 中，进一步减少了片外内存访问。
量化与模型硬布线之间存在天然的协同效应。传统 GPU 推理中，量化方案的更改需要重新编译模型并更新推理运行时。而当模型被硬布线到芯片中后，量化方案在芯片制造阶段就已经确定，这使得更激进的量化策略成为可能。Taalas 能够在 HC1 上采用 3-bit 量化，正是利用了硬布线架构带来的这种灵活性。当然，激进的量化也会带来精度损失，这是需要在实际部署中权衡的因素。对于边缘应用场景，如果精度损失在可接受范围内（如下降不超过 2% 至 3%），则能效提升的收益通常远大于精度的轻微损失。
模型压缩的另一个维度是知识蒸馏与结构优化。通过知识蒸馏，可以将大模型的能力迁移到更小的模型中，然后在边缘设备上部署。结构优化则包括注意力机制的简化、层数的减少以及隐藏层维度的降低等。这些技术与量化相结合，可以在更严格的功耗预算下实现可用的推理性能。对于移动端部署，一个典型的优化流程是：首先对基础模型进行知识蒸馏得到小模型，然后应用 4-bit 或 3-bit 量化，最后针对目标硬件进行算子融合和内存布局优化。
移动端部署的热管理与功耗调度
边缘设备的功耗约束不仅来自电能供应，更来自散热能力的限制。移动设备和边缘终端通常采用被动散热或风冷散热，无法承受高功耗芯片产生的热量。智能手机的散热设计功耗通常在 2W 至 5W 范围内，超过这一范围就会导致设备过热、降频甚至自动关机。Taalas HC1 芯片的 250W 功耗显然超出了移动设备的散热能力，但这一定位是面向边缘服务器而非移动终端。
对于接近移动设备功耗预算的边缘 AI 芯片，热管理策略需要从芯片设计阶段就开始考虑。一种常见的方法是动态功耗管理，即根据设备温度和电池电量动态调整推理的频率和吞吐量。例如，当检测到设备温度超过 40°C 时，可以将推理速度降低 30% 以减少热量产生；当电池电量低于 20% 时，可以切换到更保守的功耗模式。另一种策略是任务调度优化，将计算密集的推理任务拆分到设备处于充电状态或温度较低时执行。
在软件层面，运行时功耗管理也需要与硬件协同。现代移动 SoC 通常集成了专用的神经网络处理单元 NPU，其功耗效率远高于通用 GPU。以高通骁龙系列 SoC 为例，其 NPU 在执行 INT8 推理时的能效可达每瓦特 10 至 15 TOPS。软件层面的优化包括：选择适合 NPU 的算子实现、利用混合精度计算、避免不必要的数据类型转换等。此外，批处理策略也需要重新设计：不同于数据中心的大批次推理，边缘设备更适合采用单请求即时处理，以降低平均延迟和峰值功耗。
端云协同与任务划分
在实际的边缘部署中，完全在本地完成大语言模型推理并不总是最优选择。端云协同的混合架构可以根据任务特征和设备状态动态分配推理负载。对于实时性要求高、隐私敏感或需要离线工作的场景，边缘推理是必需的；但对于需要最新知识或复杂推理的任务，云端推理仍然不可替代。关键在于建立合理的任务划分机制，根据延迟要求、功耗预算和网络状态决定哪些 token 在边缘生成，哪些 token 需要回传云端处理。
一个实用的划分策略是基于推理阶段的差异。预填充阶段涉及对输入 prompt 的完整计算，这一阶段的计算量与输入长度成正比，适合在云端或边缘服务器上执行。解码阶段则逐 token 生成输出，计算量相对较小但延迟要求高，适合在靠近用户的边缘设备上执行。通过将预填充部署在云端、解码部署在边缘，可以实现较低的端到端延迟，同时将主要的计算负载放在云端，边缘设备仅承担轻量级的解码任务。这种架构在语音助手、实时翻译等场景中已有应用。
对于功耗敏感的边缘设备，还可以采用分层推理策略：第一层使用小模型进行快速筛选和意图识别，当识别到复杂请求时再调用大模型。这种策略避免了在小模型可以处理的简单任务上消耗过多功耗，同时也保证了复杂任务能够得到高质量的处理结果。实现这种分层架构需要精确的任务分类器和合理的模型切换逻辑，这部分仍有较大的优化空间。
实践参数与部署建议
基于上述分析，对于在移动端或边缘设备上部署高吞吐量 AI 推理系统，以下参数和策略可作为参考。硬件选择方面，优先考虑集成 NPU 的 SoC，其能效比通用 GPU 高出数倍；在模型层面，建议采用 INT8 量化，对于功耗极为敏感的场景可尝试 INT4 量化；系统层面，建议设置功耗上限为设备热设计功耗的 60% 至 70%，留出散热余量。
对于需要部署类似 Taalas 17k tokens/sec 性能级别的应用场景，建议采用边缘服务器架构而非移动终端。单卡 250W 功耗的 HC1 芯片适合部署在标准空气冷却的 1U 或 2U 服务器中，10 卡配置的总功耗约为 2.5kW，可以很好地利用数据中心的既有基础设施。对于更小规模的部署，可以考虑单卡或双卡配置，配合低功耗服务器主板，实现每瓦特最优的 token 产出。
软件栈的设计也需要适配这种专用硬件的特性。由于模型被硬布线到芯片中，推理软件栈变得极为简洁，不需要复杂的模型编译器或运行时优化器。Taalas 声称其软件团队仅由一人组成，这反映了专用芯片在软件复杂度上的天然优势。对于需要自定义模型部署的场景，Taalas 提供的自动化工具链可以将模型在约一周时间内转化为硬件设计，芯片流片周期预计为两个月。
参考资料：
- Taalas 官方网站及产品介绍（taalas.com）
- EE Times: "Taalas Specializes to Extremes for Extraordinary Token Speed"（2026 年 2 月）