第9章 高能對決：芯片之爭（第2頁）

要求苛刻到變態，納瓦級的待機功耗下，毫秒內得喚醒處理復雜任務。

這問題有多變態？

擱十幾年后，這都算得上芯片設計的世界級難題。

何強嘴角撇了撇，幅度小到可以忽略。

黑暗里，音頻波紋跳動得跟心臟似的。

他心里清楚，這是對面在摸他的底。

但他一點沒慌，聲音沉下去，穩得一批：“納瓦級待機功耗和毫秒級喚醒？

又不是不能一起搞。

關鍵在于用非對稱多核架構，再加上事件驅動的細粒度電源門控技術。

睡覺的時候，就留一個特省電的‘哨兵核心’在那聽動靜、看看表，其他核心跟外設統統斷電。

一有喚醒信號，‘哨兵核心’直接用提前裝好的微碼。

把管事的那個核心集群和必要的總線激活，跳過那些慢吞吞的系統引導，嗖一下就響應了。”

他不光把核心思路講透了，還順帶扯遠了點，說了怎么用動態電壓頻率調整（DVFS）和自適應體偏壓技術，根據任務輕重再摳點功耗。

他這套說辭，邏輯嚴密，理論基礎扎實，而且明顯甩了現在市面上的芯片設計好幾條街。

屏幕那邊的音頻波紋僵了幾秒，像是被何強的技術砸懵了。

沉默了一會兒，估摸著在消化信息。

“……非對稱多核……事件驅動電源門控……這想法……確實新鮮。”

對方的聲音少了幾分小心翼翼，多了幾分凝重。

“那，多傳感器數據融合處理，實時性和精度怎么搞？

尤其是在噪音大的地方，低延遲的同時，怎么把那些雜信號過濾掉，還能把有用的特征抓出來？”

對面又扔過來一個燙手山芋，這回是信號處理和算法的事。

何強指尖在鍵盤上輕點了幾下，聲音清脆。

他笑了笑，不緊不慢地說：“噪音大的時候搞數據融合，傳統的什么卡爾曼濾波、粒子濾波，效果有限，計算量還大。

我推薦用基于深度學習的自適應濾波算法，再配上硬件上的脈沖神經網絡（SNN）加速器。

SNN對噪音天生抵抗力強，還巨省電，最適合處理那種實時、帶毛刺、帶干擾的傳感器數據流。

模型提前訓好，直接在硬件上就能把特征提出來，初步判斷也做了，處理延遲自然就壓下去了。”

深度學習？