夜雨聆风"你这个识别准确率 99% 是怎么来的？" "NPU 算力预留 30% 冗余，依据是什么？"
7 大核心模块 12 个关键决策清单 5个常见坑
AI 硬件 PRD：算法模型 + 算力平台 + 传感器 + 嵌入式系统 - 感知层：摄像头、麦克风、IMU - 计算层：CPU/GPU/NPU - 算法层：模型架构、量化精度 - 执行层：电机控制、通信
摄像头：500 万像素，全局快门，30fps NPU：4TOPS，INT8 量化 模型：YOLOv8，mAP≥95%，延迟≤50ms 功耗：≤5W
软件 PRD：功能 + 性能 - QPS≥1000，响应≤200ms
AI 硬件 PRD：准确率 + 延迟 + 功耗 + 成本 - 识别准确率≥98% - 延迟≤100ms - 续航≥8 小时 - BOM≤199 元
什么场景？实验室还是产线？ 测试集多大？ 光照、遮挡怎么办？
测试集：10000 张图片（10 种光照） 准确率：mAP≥98% 边界：照度 50-5000lux，遮挡≤30%
AI 硬件 PRD：场景测试 + 模型评估 + 硬件兼容 - 场景：白天/夜晚、室内/室外 - 模型：精确率、召回率、 - 硬件：高低温、振动、EMC
产品定位：一句话定义 - "AI 质检摄像头，99% 缺陷检出率，降低成本 80%"
类型：YOLOv8/ResNet 精度：INT8 量化 数据：10000 张标注图片 框架：TensorRT
芯片：高通 RB5/瑞萨 R-Car NPU：≥10TOPS 显存：≥8GB
摄像头：500 万像素，30fps 麦克风：4 麦阵列 IMU：6 轴
WiFi 6、BLE 5.2、千兆网口
作为质检员，我希望自动识别缺陷 作为主管，我希望实时查看良率
准确率：mAP≥98% 误检率：≤1% 延迟：≤50ms 并发：≥30fps
功耗：≤5W
续航：≥8 小时 温度：-20℃~60℃ 防护：IP65
MTBF：≥50000 小时 跌落：1.2m
规模：10000 张图片 场景：10 种光照、5 种角度
GDPR：用户数据可删除 加密：AES-256
BOM 目标：200 元 - 主芯片：80 元（40%） - 摄像头：40 元（20%） - 结构件：30 元（15%） - 其他：50 元（25%）
1K 台：200 元 10K 台：180 元 100K 台：160 元
EVT：2026-03 DVT：2026-06 PVT：2026-09 MP：2026-12
2026-02：PRD 定稿 2026-05：首板点亮 2026-08：模具验收
决策 1：目标用户是谁？ - 35 岁工厂质检主管 - 核心诉求：降低漏检率
决策 2：解决什么问题？ - 人工质检效率低（50 件/小时） - 目标：效率提升 3 倍，漏检≤1%
决策 3：差异化在哪？ - 竞品 A：准确率高，价格贵 - 我们的策略：98% 准确率 +1299 元
决策 4：端侧还是云端？ - 选择：端侧推理 + 云端训练
决策 5：自研还是外购？ - 选择：核心算法自研，通用模型外购
决策 6：算力平台？ - 选择：高通 RB5（功耗低）
决策 7：传感器？ - 选择：500 万像素全局快门
决策 8：功耗目标？ - 目标：≤5W，续航≥8 小时
决策 9：成本上限？ - BOM 上限：200 元
决策 10：防护等级？ - 等级：IP65
决策 11：量产时间？ - 目标：2026 年 Q4
决策 12：质量标准？ - 良率：≥95%
1. 研发看得懂 - 技术规格精确到型号
2. 测试可验证 - 每个指标都有测试方法
3. 量产可执行 - 成本、时间、质量明确
