ЖУРНАЛ СТА №4/2026

О Б З О Р Ы www.cta.ru СТА 4/2026 29 у гигантов , но без гигантских капиталь - ных затрат . Железный мозг : серверы , которые умеют не только исполнять , но и учиться Внутри шкафа живут специализиро - ванные серверы для ускоренных вычис - лений , поставляемые российским разра - ботчиком платформ промышленного ИИ . Это двухъюнитовые машины с двумя графическими ускорителями , причём ускорителями отечественной сборки , не подверженными санкционным рискам . Их совокупная производительность в 140 терафлопс на операциях половин - ной точности (FP16) сопоставима с воз - можностями дискретных GPU среднего ценового эшелона , но принципиально важно другое : архитектура серверов , включающая 32- ядерный x86- процессор и до 512 Гбайт оперативной памяти с коррекцией ошибок , позволяет одно - временно получать результаты работы нескольких нейросетей и запускать про - цедуры дообучения на свежих данных , накопленных прямо здесь , на объекте . Именно эта черта отделяет систему от бесчисленных « коробочных решений с ИИ », заполонивших рынок . Заказчик получает не замороженную модель , а живую адаптивную среду . Например , технолог цеха , не написав ни строчки кода , загружает эталонные изображения годных и бракованных деталей , запуска - ет дообучение , и через несколько часов модель начинает видеть дефекты , специ - фичные именно для этой номенклатуры . Все данные при этом остаются внутри железного корпуса мини - ЦОД , ни один байт обучающей выборки не покидает периметр предприятия . Программная экосистема , предустановленная на сер - веры , включает ОС реального времени и фреймворк для промышленной видео - аналитики , машинного зрения и пре - диктивной диагностики . Точность рас - познавания дефектов на тестовом стенде металлообработки превысила 98,5%, но , пожалуй , важнее то , что интерфейс обу - чения ориентирован не на аналитика данных , а на инженера - предметника . Это снимает кадровый барьер , который тра - диционно был главным стоп - фактором для небольших производств . Новый взгляд на системы встраиваемой видеоаналитики с ИИ Тяжёлые серверы в шкафу решают за - дачу мощного централизованного ней - росетевого окружения и обучения , одна - ко экосистема промышленного ИИ не ограничивается верхним уровнем . На противоположном полюсе находятся устройства , для которых критичны мас - согабариты , энергопотребление и цена : автономные датчики , встраиваемые модули безопасности , носимые гаджеты , камеры с локальной аналитикой . Здесь на сцену выходит концепция Встраива - емого Искусственного Интеллекта , рабо - тающего непосредственно на оконечном оборудовании . В нашем распоряжении оказались данные исследований на плат - форме , построенной на одноплатном компьютере промышленного класса с интегрированным нейросетевым про - цессором (VPU), способным выполнять более 4 триллионов операций в секунду при тепловом выделении всего 2–4 Вт . Это не центральный процессор и не графический ускоритель в привычном понимании – архитектура VPU заточена исключительно под работу нейронных сетей , что и даёт столь впечатляющую энергоэффективность . Для развёрты - вания моделей на такой гетерогенной связке применяется специализирован - ный инструментарий оптимизации : он конвертирует модели , обученные в попу - лярных фреймворках , в промежуточное представление , а затем движок вывода автоматически распределяет нагрузку между CPU и VPU. Алгоритмическое ядро детекции объ - ектов построено на связке облегчённой свёрточной сети MobileNet и одностадий - ного детектора SSD. MobileNet использует глубинно разделимые свёртки , которые радикально снижают вычислительную нагрузку по сравнению с классическими архитектурами вроде VGG-16, почти не теряя в точности . SSD, в свою очередь , за один проход определяет и класс объ - екта , и его координатную рамку . Для каждого найденного объекта создаётся фильтр Калмана , предсказывающий его движение в следующих кадрах ; это позволяет сохранять идентификатор даже при кратковременных перекры - тиях и пропусках детектора . Вся обра - ботка организована конвейерно : пока ядра CPU заняты пред - и постобработкой , VPU параллельно обсчитывает несколько кадров . Лабораторные замеры на публич - ных наборах данных показали , что одно такое маломощное устройство способно обслуживать до 12 видеопотоков с часто - той 30 кадров в секунду , при этом задерж - ка инференса на VPU составила 8,71 мс против 13,93 мс на CPU – ускорение поч - ти 65%. Пиковое энергопотребление связ - ки не превысило 14 Вт , что открывает возможность питания от солнечных батарей и портативных аккумуляторов . Для полноты картины в табл . 1 приведе - ны ключевые характеристики системы с встраиваемым ИИ . Цифры в таблице подтверждают , что периферийные вычислители уже способ - ны решать полноценные задачи видео - аналитики на уровне , ещё недавно тре - бовавшем серверного шкафа с мощными GPU, но с принципиально иной автоном - ностью . Квантование и миниконтроллеры с ИИ на батарейке Если VPU- платформы ещё располага - ют некоторым запасом по памяти , то подлинный вызов представляет запуск нейросетей на 32- разрядных миникон - Таблица 1. Характеристики работы облегчённой свёрточной сети MobileNet и одностадийного детектора SSD Параметр Результат Точность детекции (Precision/Recall) в сложном сценарии « коридор » ~81% / ~81% Точность детекции в контролируемой среде (« лаборатория ») ~88% / ~88% Время обработки MobileNet-SSD на VPU 8,71 мс Время обработки на центральном процессоре 13,93 мс Число одновременно обрабатываемых потоков (30 fps) на VPU До 12 Пиковое энергопотребление вычислительной связки ~14 Вт Снижение точности при 16- битном квантовании Пренебрежимо мало Снижение точности при 8- битном квантовании с адаптивным обучением 0,5–1,1% Сокращение размера модели при 16- битном квантовании В 2 раза Сокращение размера модели при 8- битном квантовании В 4 раза