喺人工智能（AI）模型開發領域，高功耗一直係個受爭議嘅問題。好多大型AI系統要消耗大量電力，唔單止增加成本，仲引起環境同能源可持續性嘅憂慮。不過，如果喺能力同準確度上作出一定讓步，即使喺極低功耗嘅硬件上，都可以實現令人滿意嘅圖像識別效果。Hackaday網站於2025年9月7日報道嘅一個創新項目——Grove Vision AI板，就係呢個理念嘅代表。呢塊板可以喺淨係0.35瓦嘅功率下，做到接近實時嘅圖像識別，展示咗邊緣AI喺資源受限環境下嘅潛力。
Grove Vision AI板嘅核心係WiseEye處理器，呢款處理器整合咗兩個ARM Cortex M55 CPU同一個Ethos U55神經處理單元（NPU），係為AI加速而設計。該板透過連接相機模組同主機裝置（例如另一塊微控制器或更高性能嘅電腦）嚟運作。當主機發送信號時，Grove板會拍照、做圖像識別處理，然後將結果回傳俾主機。報道中，開發者Jaryd用UART介面作演示，雖然項目庫有支援I2C通訊以簡化信號傳輸，但UART嘅彈性亦令佢適合唔同場景。呢種設計令Grove板成為一個高效嘅邊緣計算模組，特別適合物聯網（IoT）同嵌入式系統。
為咗喺咁低嘅功耗下運行，呢塊板嘅圖像識別模型要接受啲限制。佢支援YOLO8算法，但只限識別單一物件，解析度降到192×192像素，並量化到INT8精度。呢種量化過程本質上係將浮點數模型轉成整數運算，從而減少計算負擔。儘管呢啲限制聽落較為嚴格，但實際性能仍然令人印象深刻：幀率可達20–30 fps，準確率亦唔錯。Jaryd喺報道中強調，呢種功耗甚至低過典型RGB背光鍵盤上單個按鍵嘅功耗（假設鍵盤LED以較低占空比運行）。呢個比較雖然有誇張成份，但突顯出該板嘅能效優勢——喺唔過份犧牲實用性嘅前提下，將AI推向更低功耗嘅邊界。
Grove Vision AI板嘅模型唔係固定唔變。報道指出，用戶可以揀用其他可用模型，雖然質量參差，但呢個自由度為自訂應用提供空間。如果預設模型未能滿足需求，用戶亦可以訓練自己嘅模型，進一步擴展適用性。呢種靈活性令該板唔止係一件現成工具，更係開發者試驗嘅平台。例如喺監控系統，可以用嚟檢測特定物件，例如入侵者或異常事件，而無需依賴雲端計算，從而減少延遲同私隱風險。
報道亦將呢個項目放喺更廣嘅邊緣AI背景下討論。邊緣AI嘅核心係喺資源有限嘅裝置上實現可用嘅性能，而Grove板就係呢個趨勢嘅體現。相比之下，好多大型AI模型（例如用喺複雜圖像處理嘅神經網絡）需要數百瓦甚至千瓦嘅功率，而Grove板淨係要0.35瓦，就可以處理基本嘅圖像識別任務。呢唔止降低成本，仲減少碳足跡。報道提到，如果需求唔高，甚至可以喺更有限嘅設備上運行語音識別，進一步證明咗「最小資源下最大化效率」嘅理念。
不過，呢項創新並非孤立。Hackaday嘅評論區入面，不少讀者都分享類似觀點。用戶ramzi指出，自20世紀90年代起，人哋就用小波變換（wavelets）實現類似功能。小波係一種數學工具，用嚟分析訊號入面嘅重複模式，常用於圖像壓縮同邊緣檢測。例如喺訊號中識別邊界時，小波可以高效捕捉相似模式，從而減少計算量。另一位用戶Jan要求更多細節，而M則補充咗Viola‑Jones算法嘅例子。呢種算法喺90年代末已經用喺數碼相機嘅人臉檢測，喺低端微控制器（如8051系列）上運行，能夠喺幾秒內完成多次檢測。Viola‑Jones嘅巧妙之處在於使用Haar特徵，透過動態規劃喺恆定時間內計算區域特徵，即使圖像區域面積改變，亦只需3–4項簡單算術運算。更重要嘅係，與神經網絡唔同，Viola‑Jones可以喺子區域冇目標時提前退出，避免全前向傳播，從而節省時間同能量。
評論區亦有啲質疑聲音。用戶Andrew批評報道中鍵盤功耗嘅比喻唔準確：單個RGB LED嘅功率遠低過0.35瓦，一個104鍵RGB鍵盤嘅總功耗亦唔會超過35瓦。佢認為呢種誇張表述損害咗項目可信度。notmyfault2000則反駁話，如果假設RGB LED喺5V電壓下以20mA電流同100%占空比運行，三色總功率可達0.3瓦，但實際鍵盤會透過矩陣掃描同降低占空比嚟節省電力。Greg A進一步指出，現代藍光或白光LED最大電流通常係3mA，而非20mA，高電流會燒毀LED或造成過度亮度。呢場討論反映咗技術社群對功耗細節嘅敏感性，同時提醒開發者喺宣傳時要謹慎。
另外，報道亦批評咗項目演示相片嘅選擇。相片顯示咗UART連接，但只連咗電源同地線，呢點可能誤導讀者忽略實際所需嘅四條跳線。另一位用戶rasz_pl以玩笑方式指出，該板嘅識別準確率只有50%，甚至會將手誤認為面，暗示喺簡化模型下準確性仍有好大提升空間。CaptSutter200就問到，Google同類任務嘅功耗係幾多？呢啲討論引發咗對雲端計算同邊緣計算嘅比較：雲端AI雖然能力強，但功耗龐大；而邊緣裝置如Grove板更注重效率。
無論點樣，Grove Vision AI板展示咗AI親民化嘅可能性。通過犧牲部分能力同準確性，佢將圖像識別帶入低功耗領域，適合智能家居、機械人或便攜裝置使用。報道結尾提到，有啲人會刻意降低圖像識別效果去探討AI嘅侷限，呢點亦提醒我哋技術進步需平衡倫理同實用。即使評論中對「新瓶裝舊酒」嘅質疑（例如小波同Viola‑Jones嘅先例）唔絕於耳，Grove板嘅集成度同易用性仍令佢突出。未來隨住NPU優化同模型壓縮技術進步，呢類低功耗AI有望更廣泛應用，推動可持續計算嘅浪潮。