2、边缘网关硬件选型：主流边缘计算硬件平台对比
做边缘计算网关，第一步就是选硬件。这事儿我踩过不少坑，今天跟你聊聊我的真实体会。
说白了，选硬件就像选搭档。选对了，项目顺风顺水；选错了，后面全是补丁和妥协。我个人习惯把选型分成两步：先看主流平台有什么，再根据项目需求做取舍。
2.1 四大主流平台速览
目前市面上能打的边缘计算硬件，我归纳下来就这四类。咱们一个一个看。
2.1.1 树莓派 4B / 5
树莓派，圈里人都叫它“派”。这玩意儿我用了快十年了。最早做原型验证时，它就是我的首选。
- CPU：BCM2711（4B）/ BCM2712（5），ARM Cortex-A72/A76 架构
- 内存：1GB-8GB LPDDR4
- AI算力：基本为零。跑轻量级模型得靠外接加速棒
- 功耗：5V/3A，约5-15W
- 价格：35-75美元
- 生态：社区资源极其丰富，遇到问题基本都能搜到答案
我的看法：树莓派适合做原型验证、数据采集网关、轻量级控制。但别指望它跑实时推理。
小技巧：如果你非要用树莓派做AI，可以外接Google Coral USB加速棒。我在一个智能门禁项目里试过，推理速度能提升3-5倍。
2.1.2 NVIDIA Jetson Nano
Jetson Nano，这名字听着就带劲。我第一次用它跑YOLOv5时，那感觉——嗯，终于能在边缘端做实时检测了。
- CPU：四核ARM Cortex-A57
- GPU：128核Maxwell架构GPU
- AI算力：472 GFLOPS（FP16），约0.5 TOPS
- 内存：4GB LPDDR4
- 功耗：5W/10W 可切换
- 价格：99-129美元
我的看法：Jetson Nano是入门级AI边缘计算的标杆。它让“在边缘跑深度学习”这件事变得触手可及。
注意：Jetson Nano的散热是个坑。我曾经在夏天做户外测试，没加主动散热，跑了20分钟就过热降频了。后来我给它加了个5V风扇，问题才解决。
2.1.3 Rockchip RK3588
RK3588，国产芯片的骄傲。我去年在一个工业视觉项目里用了它，说实话，性价比确实能打。
- CPU：四核Cortex-A76 + 四核Cortex-A55
- GPU：Mali-G610 MP4
- NPU：6 TOPS算力（INT8）
- 内存：4GB-32GB LPDDR4X/LPDDR5
- 功耗：约8-15W
- 价格：200-500元（开发板）
我的看法：RK3588是国产替代的优选。它的NPU虽然不如NVIDIA的CUDA生态成熟，但胜在功耗低、接口丰富、价格亲民。
小技巧：RK3588的NPU支持RKNN模型格式。我习惯先用ONNX导出模型，再用RKNN Toolkit转换。注意，有些算子不支持，得提前查文档。
2.1.4 Intel NUC
Intel NUC，小钢炮。如果你需要跑x86架构的软件，或者需要更强的通用计算能力，NUC是稳妥的选择。
- CPU：Intel Core i3/i5/i7（第11-13代）
- GPU：Intel Iris Xe 或 UHD Graphics
- AI算力：依赖CPU或外接加速卡，约0.5-2 TOPS（纯CPU）
- 内存：8GB-64GB DDR4/DDR5
- 功耗：约15-65W
- 价格：300-1500美元
我的看法：NUC适合做复杂逻辑处理、多协议网关、或者需要运行Windows/Linux桌面应用的场景。但AI推理不是它的强项。
注意：NUC的功耗和发热都不小。如果你做电池供电的项目，趁早放弃NUC。我有个学生非要用NUC做移动机器人，结果电池撑不过半小时。
2.2 核心参数对比表
光说不行，咱们拉个表看看。这样对比更直观。
| 参数 | 树莓派4B/5 | Jetson Nano | RK3588 | Intel NUC |
|---|---|---|---|---|
| CPU架构 | ARM Cortex-A72/A76 | ARM Cortex-A57 | ARM A76 + A55 | x86 |
| AI算力 | 无（需外接） | 0.5 TOPS | 6 TOPS | 依赖外接 |
| 内存 | 1-8GB | 4GB | 4-32GB | 8-64GB |
| 功耗 | 5-15W | 5-10W | 8-15W | 15-65W |
| 价格 | 35-75美元 | 99-129美元 | 200-500元 | 300-1500美元 |
| 生态成熟度 | 极高 | 高 | 中等 | 极高 |
| AI框架支持 | TensorFlow Lite | TensorRT, PyTorch | RKNN, ONNX | OpenVINO |
2.3 选型考量因素
平台看完了，怎么选？我总结了一套自己的方法论。你想想看，选硬件其实就是在做权衡。
2.3.1 算力需求
先问自己：你要跑什么模型？
- 轻量级分类模型（如MobileNet）：树莓派+加速棒就够了
- 实时目标检测（如YOLOv5s）：Jetson Nano或RK3588起步
- 多路视频分析：RK3588或NUC+GPU
- 大模型推理：别想了，得上云或者用NUC+独立显卡
我的经验：算力这东西，留30%余量。我曾经在Jetson Nano上跑YOLOv5n，帧率刚好25fps。结果加了预处理和后处理，直接掉到18fps。后来换了RK3588才稳住。
2.3.2 功耗与散热
这个因素经常被新手忽略。我见过太多人选了个高性能板子，结果散热搞不定。
- 电池供电：树莓派或Jetson Nano（5W模式）
- 工业现场：RK3588（被动散热可行）
- 室内固定：NUC随便造
避坑指南：我曾经在一个智能农业项目里用了Jetson Nano，放在大棚里。夏天温度40度，板子直接罢工。后来我加了散热片和风扇，又做了温度监控脚本，才算搞定。
2.3.3 接口与扩展性
网关嘛，总要接各种传感器和设备。接口够不够用，得提前想清楚。
- 树莓派：GPIO丰富，适合接传感器
- Jetson Nano：CSI摄像头接口、M.2扩展
- RK3588：PCIe、SATA、USB3.0、M.2，接口最全
- NUC：USB、HDMI、雷电接口，扩展性强
小技巧：如果你需要接多个USB摄像头，注意USB带宽。我试过在树莓派上接4个USB摄像头，结果带宽不够，画面卡顿。后来换了RK3588，USB3.0接口才搞定。
2.3.4 软件生态与开发效率
这个因素，说白了就是“你团队擅长什么”。
- Python + TensorFlow/PyTorch：Jetson Nano最顺手
- C++ + OpenCV：RK3588或NUC
- 需要跑Windows应用：只有NUC能选
- 快速原型验证：树莓派，社区资源多到用不完
我的建议：别为了硬件换你团队的开发栈。我见过一个团队，全员Python，非要选RK3588，结果模型转换折腾了两周。何必呢？
2.3.5 成本与供应链
做产品不是做玩具。成本控制和供应链稳定性，有时候比性能更重要。
- 小批量（<100台）：树莓派或Jetson Nano，开发板直接买
- 中批量（100-1000台）：RK3588，核心板+底板方案
- 大批量（>1000台）：考虑定制或NUC批量采购
避坑指南：树莓派在2021-2022年严重缺货，价格翻了三倍。我有个朋友的项目因此延期半年。现在虽然缓解了，但建议你备选方案一定要有。
2.4 我的选型决策树
最后，分享一个我常用的决策思路。你可以照着这个流程走一遍。
- 先看AI算力需求：需要实时推理吗？需要跑什么模型？
- 再看功耗限制：电池供电还是市电？散热条件如何？
- 然后看接口需求：要接多少传感器？什么类型的接口？
- 接着看团队能力：熟悉什么框架？什么语言？
- 最后看预算和交期：能接受多少成本？什么时候要货？
总结一下：没有最好的硬件，只有最合适的。我个人的习惯是：原型用树莓派，量产用RK3588，需要NVIDIA生态就用Jetson，需要x86兼容就用NUC。
嗯，硬件选型这块就聊到这儿。下一章咱们开始动手搭建开发环境，到时候我会带你一步步把系统跑起来。
公众号:蓝海资料掘金营，微信deep3321