80%的監(jiān)控畫面是風吹樹動，這條數(shù)據(jù)來自一位折騰了三年自托管安防系統(tǒng)的開發(fā)者。當你不再滿足于"能錄像"，而是要求攝像頭"看得懂"，硬件成本的陡增幾乎不可避免。

但有人找到了一條奇怪的路：把消費級GPU和谷歌的Coral TPU（張量處理單元，專門跑AI推理的芯片）塞進同一臺機器。聽起來像是把跑車引擎和無人機電機綁在一起，實際跑出來的效果卻讓他重新算了一筆賬。

從"能錄"到"看懂"，算力需求翻了不止一倍

基礎(chǔ)監(jiān)控是個低門檻活。插電、聯(lián)網(wǎng)、存硬盤，三件套搞定。麻煩始于你想要更多：區(qū)分人和車，過濾樹葉晃動，甚至按人臉檢索事件。這些需求把系統(tǒng)從"錄像機"變成了"實時分析師"。

解碼視頻流、逐幀分析、目標檢測、特征提取——每一步都在啃算力。開發(fā)者最初的選擇是Frigate，一個開源的本地AI安防平臺。它能把所有處理留在家里，不用把畫面?zhèn)鞯皆贫恕５镜鼗拇鷥r是，你的硬件得扛住全部負載。

他算了筆賬：單路1080p攝像頭，如果要做實時目標檢測，CPU占用能直接拉滿。四路攝像頭同時跑？風扇起飛，延遲飆升，通知遲到五分鐘，安防變成事后諸葛亮。

這時候他面臨經(jīng)典二選一：加錢上更強的通用處理器，還是砍掉功能保流暢。

但他選了第三條路。

TPU干臟活，GPU打雜工，分工比想象中細

Coral TPU的設(shè)計很直白：不做通用計算，只跑神經(jīng)網(wǎng)絡的推理部分。把它插進系統(tǒng)，相當于給AI檢測配了個專用臨時工。目標檢測、圖像分類這些重復性高、并行度高的任務，TPU能以極低功耗吃掉。

開發(fā)者原本擔心TPU會成為瓶頸。實際測試后，他發(fā)現(xiàn)分工可以做得更細：TPU負責核心的目標檢測模型，GPU則接手解碼、重編碼、以及部分后處理。兩者不是競爭關(guān)系，而是各取所長。

具體數(shù)字他沒公開，但描述了一個關(guān)鍵變化：四路攝像頭同時跑AI檢測，CPU占用從"接近滿載"降到了"后臺水平"。系統(tǒng)響應延遲從" noticeable lag"（明顯可感知）變成了"接近實時"。

更意外的是功耗。TPU的標稱功耗只有幾瓦，GPU在輕負載下也能降頻運行。整體電費賬單比他預想的"加一塊高端CPU"方案低出一截。

這個組合的真正價值，在于把"必須買更貴硬件"變成了"用對現(xiàn)有硬件"。

自托管的隱藏成本：不是買設(shè)備，是買確定性

云安防服務按月收費，看起來便宜。但開發(fā)者提到一個被低估的痛點：延遲和隱私的權(quán)衡。云端AI檢測再強，畫面得先上傳。帶寬波動時，通知延遲從秒級變成分鐘級。更麻煩的是，你默認把家門口的畫面交給了第三方服務器。

本地方案的前期投入高，但邊際成本趨近于零。加一路攝像頭，只需要多一個TPU能承受的檢測線程。他的配置最終穩(wěn)定在五路攝像頭，TPU負責檢測，GPU管解碼和存儲壓縮，老舊CPU反而成了最閑的部件。

這套配置也有邊界。TPU對模型格式有要求，必須用Edge TPU編譯器轉(zhuǎn)換。Frigate社區(qū)維護了一套預轉(zhuǎn)換模型，但如果你想跑自定義模型，得自己折騰量化（把模型參數(shù)壓縮到TPU能處理的精度）。開發(fā)者試過幾次，結(jié)論是"能用，但別期待和GPU一樣靈活"。

另一個限制是分辨率。TPU的峰值算力固定，4K檢測的幀率會明顯下滑。他的折中方案是：攝像頭錄4K存盤，但檢測用1080p的降采樣流。畫質(zhì)和算力各取所需。

社區(qū)里的分歧：專用芯片是不是彎路

這個方案在技術(shù)論壇里有過爭論。一派認為，NVIDIA的Jetson系列（集成GPU+AI加速器）才是正解，單芯片搞定所有事，生態(tài)更成熟。另一派堅持x86+獨立GPU的通用性，認為TPU是谷歌的封閉玩具，哪天停產(chǎn)就抓瞎。

開發(fā)者的回應很實際：Jetson的顯存和編解碼能力有限，多路高碼流場景下反而吃力。純GPU方案的問題是，推理任務的能效比遠不如專用芯片。他的混搭路線，本質(zhì)是"用最低功耗搞定最難的AI部分，剩下的交給通用算力兜底"。

成本對比上，一塊Coral TPU USB加速器的二手價在百元級別，加上一塊中端二手顯卡，總投入控制在千元內(nèi)。同性能的純GPU方案，顯卡 alone 就得翻倍。Jetson開發(fā)板的定價則在這個區(qū)間的上游，且擴展性更差。

關(guān)鍵不是哪個芯片更強，是你的場景需要什么樣的"強"。

他的場景很明確：固定幾路攝像頭、固定幾種檢測目標、對延遲敏感、對電費敏感、不想折騰云服務。這個組合恰好卡住了甜點。

一個被忽略的細節(jié)：檢測精度比算力更重要

開發(fā)者最后提到一個反直覺的發(fā)現(xiàn)。早期他執(zhí)著于降低誤報，把檢測閾值調(diào)得很高。結(jié)果是漏報增加，真正該報警的事件被過濾掉。后來他把閾值放寬，依賴Frigate的"區(qū)域過濾"和"時間窗口"做二次判斷——比如"人形必須在門口停留3秒才觸發(fā)"。

誤報率反而下來了。算力沒變，策略變了。

這個調(diào)整讓他意識到，硬件升級有天花板。TPU+GPU解決的是"能不能實時跑模型"，但"模型跑得好不好"取決于訓練數(shù)據(jù)、閾值調(diào)參、和后處理邏輯。社區(qū)里有人用同樣的硬件配置，誤報率是他的三倍，差距全在軟件層。

他現(xiàn)在把更多時間花在標注自己的數(shù)據(jù)集上。門口那棵會觸發(fā)檢測的灌木，他手動標了幾十張負樣本。系統(tǒng)學會忽略它之后，通知質(zhì)量明顯提升。

如果算力成本繼續(xù)下降，專用AI芯片和通用GPU的邊界會越來越模糊。但在眼下這個節(jié)點，把兩者拆開用、組合用，可能是家庭場景里最務實的解法。你的攝像頭有幾路？有沒有算過，其中多少畫面其實不值得存？