在人工智能（AI）模型开发领域，高功耗一直是备受争议的问题。许多大型AI系统需要消耗大量电力，不仅增加了成本，还引发了环境和能源可持续性的担忧。然而，如果在能力与准确性上做出一定妥协，即使在极低功耗的硬件上，也能实现令人满意的图像识别效果。Hackaday网站于2025年9月7日报道的一项创新项目——Grove Vision AI板，正是这一理念的典型代表。该板能够在仅0.35瓦的功率下，实现近实时图像识别，展示了边缘AI在资源受限环境下的潜力。
Grove Vision AI板的核心是WiseEye处理器，这款处理器集成了两个ARM Cortex M55 CPU和一个Ethos U55神经处理单元（NPU），专为AI加速设计。该板通过连接相机模块和主机设备（如另一块微控制器或更强大的计算机）来工作。当主机发送信号时，Grove板会拍摄照片，进行图像识别处理，并将结果反馈给主机。报道中，开发者Jaryd使用UART接口进行演示，虽然项目库支持I2C通信以简化信号传输，但UART的灵活性也让其适用于各种场景。这种设计让Grove板成为一个高效的边缘计算模块，特别适合物联网（IoT）和嵌入式系统。
为了在如此低的功耗下运行，该板的图像识别模型必须接受一些限制。它支持YOLO8算法，但仅限于识别单个物体，分辨率降低到192×192像素，并量化到INT8精度。这种量化过程本质上是将浮点数模型转换为整数运算，以减少计算开销。尽管这些限制听起来较为严格，但实际性能仍令人印象深刻：帧率可达20‑30 fps，准确率良好。Jaryd在报道中强调，这种功耗甚至低于典型RGB背光键盘上单个键的功率消耗（假设键盘LED以较低占空比运行）。这一比较虽略显夸张，但突出了该板的能效优势——在不牺牲太多实用性的前提下，将AI推向更低功耗的边界。
Grove Vision AI板的模型并非一成不变。报道指出，用户可以选择其他可用模型，虽然质量参差不齐，但这为自定义应用提供了空间。如果默认模型不满足需求，用户还可以训练自己的模型，进一步扩展其适用性。这种灵活性让该板不仅仅是一个现成工具，更是开发者实验的平台。例如，在监控系统中，它可以用于检测特定物体，如入侵者或异常事件，而无需依赖云端计算，从而减少延迟和隐私风险。
报道还将这一项目置于更广阔的边缘AI背景下。边缘AI的核心在于在资源有限的设备上实现高性能，而Grove板正是这一趋势的体现。相比之下，许多大型AI模型（如那些用于复杂图像处理的神经网络）需要数百瓦甚至千瓦的功率，而Grove板只需0.35瓦，就能处理基本的图像识别任务。这不仅降低了成本，还减少了碳足迹。报道提到，如果需求不高，甚至可以在更有限的设备上运行语音识别，进一步证明了“最小化资源最大化效率”的哲学。
然而，这一创新并非孤立存在。Hackaday评论区中，多位读者分享了类似观点。一位名为ramzi的用户指出，自20世纪90年代以来，人们就使用小波变换（wavelets）实现类似功能。小波是一种数学工具，用于分析信号中的重复模式，常用于图像压缩和边缘检测。例如，在信号中识别边界时，小波可以高效捕捉相似图案，从而减少计算量。另一位用户Jan要求更多细节，而M则补充了Viola‑Jones算法的例子。这种算法早在90年代末期就被用于数字相机中的人脸检测，在低端微控制器（如8051系列）上运行，能在几秒内实时处理多次检测。Viola‑Jones的巧妙之处在于使用Haar特征，通过动态编程在恒定时间内计算区域特征，即使图像区域面积变化，也只需3‑4个简单算术运算。更重要的是，与神经网络不同，Viola‑Jones可以在子区域无目标时提前退出，避免全前向传播，从而节省时间和能量。
评论区也出现了一些质疑。用户Andrew批评报道中键盘功耗的比喻不准确：单个RGB LED的功率远低于0.35瓦，一个104键RGB键盘的总功耗也不会超过35瓦。他认为这种夸张的表述损害了项目的可信度。notmyfault2000则辩护道，如果假设RGB LED在5V电压下以20mA电流和100%占空比运行，三色总功率可达0.3瓦，但实际键盘通过矩阵扫描和降低占空比来节省电力。Greg A进一步指出，现代蓝色或白色LED的最大电流通常为3mA，而非20mA，高电流会烧毁LED或造成过度亮度。这场讨论反映了技术社区对功耗细节的敏感性，也提醒开发者在宣传时需谨慎。
此外，报道批评了项目演示图像的选择。图片显示了UART连接，但仅连接电源和地线，这可能误导读者忽略实际所需的四根跳线。另一位用户rasz_pl调侃道，该板的识别准确率仅50%，如将手识别为脸，暗示在简化模型下，准确性仍有很大提升空间。CaptSutter200则提问，谷歌同类任务的功耗是多少？这引发了对云计算与边缘计算的对比：云端AI虽强大，但功耗巨大，而边缘设备如Grove板更注重效率。
不管怎样，Grove Vision AI板展示了AI亲民化的潜力。通过牺牲部分能力和准确性，它将图像识别带入低功耗领域，适用于智能家居、机器人或便携设备。报道结尾提到，有些人试图故意降低图像识别效果，以探讨AI的局限性，这也提醒我们，技术进步需平衡伦理与实用。尽管评论中不乏对“新瓶装旧酒”的质疑（如小波和Viola‑Jones的先例），但Grove板的集成性和易用性仍使其脱颖而出。未来，随着NPU的优化和模型压缩技术的进步，这种低功耗AI将更广泛应用，推动可持续计算的浪潮。