上周，Radxa 和 DEEPX 发布了 AICore DX-M1M – 一款小巧的 M.2 模组，号称仅需 3 瓦功耗就能提供 25 TOPS 的 AI 加速能力。
还记得那些号称 AI 加速器、结果只是驱动半成品的 glorified U盘吗？嗯。
但这个东西？它能装进你的 M.2 插槽，就像一块 NVMe 硬盘一样。而且它声称可以运行 YOLO、ResNet、姿态估计 – 应有尽有，而且不会让你的主板过热。
等等，这到底是什么东西？
DeepX 是一家韩国 AI 芯片初创公司，Radxa -也就是 ROCK 系列单板计算机背后的团队 – 正与他们合作，将这款 NPU 封装成 M.2 形态。
最初的 AICore DX-M1 AI 模组 于 2025 年底发布。那是一款更大的 M.2 2280 卡片，配备 PCIe Gen3 ×4、4GB LPDDR5 内存，功耗 3-5W。性能不错，但体积较大。
新的 DX-M1M AI 模组 则不同：更小、更精简。某些方面更强，某些方面则有所妥协。
| 特性 | DeepX DX-M1（原版） | DeepX DX-M1M（新版） |
| AI 性能 | 最高 25 TOPS | 最高 25 TOPS |
| 外形尺寸 | M.2 2280 | M.2 2242（M + B Key） |
| 接口 | PCIe Gen3 ×4 | PCIe Gen3 ×2 |
| 内存 | 4GB LPDDR5 | 1GB LPDDR4X（4266 MT/s） |
| 存储 | ？ | 1Gbit QSPI Flash |
| 功耗 | 3-5W | 约 3W（典型值） |
| 目标用途 | 高吞吐量推理 | 边缘视觉、紧凑型系统 |
| 价格 | ？ | 85 美元（但已缺货） |
让人眼前一亮的是：3 瓦功耗实现 25 TOPS 确实令人印象深刻。作为对比，瑞芯微 RK3588 在约 4-5W 功耗下提供 6 TOPS。NVIDIA Jetson Orin Nano 在 7-15W 功耗下提供 20 TOPS。DeepX 声称能效比两者都高。这是个大胆的宣言。
3 瓦功耗下实现 25 TOPS – 这是 DeepX 的说法。作为参考：RK3588 在 4-5W 下给你 6 TOPS，NVIDIA 的 Jetson Orin Nano 达到 20 TOPS 但消耗 7-15W。确实是个大胆的宣言。
M.2 的魔力（以及妥协）
DX-M1M 采用 M.2 2242 M + B Key 外形尺寸。这比标准的 2280 SSD 更短 – 42 毫米而不是 80 毫米。它能装进更多地方，包括 Raspberry Pi 5 或 Radxa ROCK 5B 紧凑的内部空间。
但这里有一个权衡：PCIe Gen3 ×2，而不是 ×4。而且只有 1GB 的 LPDDR4X 内存。1GB……这不算多。
作为对比，RK3588 最多可寻址 32GB 的系统内存。而 DX-M1M 必须将整个模型塞进那 1GB 里。也就是说：只能运行小型模型。你不能在这东西上跑 Llama 3。
Radxa 表示它专为图像分类、目标检测、分割和姿态估计而设计。翻译过来就是：YOLOv8 Nano/Tiny、MobileNet、也许一个小型 ResNet。不是 GPT-4。
如果你正在为汽车构建一个车载 AI 盒子用于驾驶员监控或交通摄像头分析，1GB 可能确实够用。这些模型本身就很精简。但如果你希望能在边缘运行多模态大语言模型，那还是继续做梦吧。
主机兼容性 – Pi 5、Radxa 及其他
这里就有意思了。DX-M1M 通过 PCIe 同时支持 ARM 和 x86 主机平台。
Radxa 特别提到了：
- Raspberry Pi 5（是的，通过 PCIe FPC 连接器）
- ROCK 5A / 5B / 5B+ / 5 ITX
- 任何 M.2 2280 插槽（通过转接板）
这意味着你可以把这个 NPU 装到 Pi 5 上，然后突然之间，你 80 美元的单板计算机就有了 25 TOPS 的 AI 算力。Eben Upton 在最近的 AMA 中表示，他们认为 CPU 本身就可以承担 AI 计算，不会在 Pi 6 上添加 NPU。没关系。我们自己加 – 就在 M.2 插槽里。
模组的安装方式就像 NVMe 硬盘一样：以一定角度插入，拧紧螺丝，启动。Radxa 警告说，在持续负载下它会发热，建议使用主动散热或金属外壳。这并不意外 – 3W 功耗封装在 22×42mm 的尺寸里，确实会有点烫。
软件 – 常见的噩梦（但也许好一点？）
DeepX 提供了 DXNN SDK，包含：
- DX-COM 编译器（支持 TensorFlow、ONNX、Keras、PyTorch）
- DX-RT 运行时
- 设备驱动
- GStreamer 插件（用于视频处理流水线）
- DX-All Suite（用于安装）
支持的主机操作系统：Windows 10/11、Ubuntu 20.04/22.04/24.04。也支持 Docker 部署。
这……其实是个相当合理的软件栈。比大多数中国 NPU 供应商好多了 – 那些通常只给你一个百度网盘里的 ZIP 文件，然后祝你好运。
但现实点说：实践是检验真理的唯一标准。我以前也见过所谓的“完整 PyTorch 支持”。通常意思是：如果你只使用这些算子而不使用那些算子，我们的编译器就能转换一个 ResNet-50。
如果你对边缘 AI 很认真，你应该看看 2026 年五大 AI 盒子解决方案，对比一下软件体验。瑞芯微的 RKNN 花了好几年才变得可用。DeepX 是从零开始。
价格问题
AICore DX-M1M 在 Arace Tech 上标价 85 美元 – 这不便宜。
在撰写本文时，它已经 缺货。这意味着要么需求很高，要么供应几乎没有。对于新硬件来说，通常是后者。DX-M1M 严格来说是一个加速器。它需要一个主机。所以你的总系统成本 = 主机板成本 + 85 美元。如果你正在构建一个产品，你需要仔细算一笔账：25 TOPS 是否值得额外的 BOM 成本和软件集成麻烦？对于某些应用，答案是肯定的。对于大多数应用？可能不值得。RK3588 规格与性能指南 显示，6 TOPS 已经足以应对大量的边缘 AI 任务。25 TOPS 对于一个安防摄像头来说算得上性能过剩。但对于一个带 12 个摄像头的仓库机器人来说，它就不算过剩了。