先区分公开申请与授权专利
US20260065050A1于2026年3月5日公开，申请人为DEEPX Co., Ltd.，主题是利用异构处理器训练神经网络并执行推理。A1表示申请公开，不等于已经授权。本文分析公开文件，不据此确认最新法律状态，也不认定DX-M1实现了全部权利要求。
设想工厂相机检测产品细小划痕：开发机上训练良好的模型，需要部署到内存、支持算子和功耗条件不同的现场设备。模型转换可能影响精度。该工厂场景仅用于解释原理，不是客户案例或实测性能报告。
训练和推理分别解决什么问题
训练利用样本调整参数，推理则把训练后的模型用于新输入。在示例中，带标签的产品图像用于训练，生产线上的新图像用于判定。公开方案由第一处理器负责训练，配置不同且能力相对受限的第二处理器负责推理。
因此，部署并非简单复制文件。必须确认目标设备支持所需运算，并在转换后检查模型行为。模型能够装入设备，并不意味着不会遗漏开发版本原本能够识别的缺陷。
权重、结构与轻量化
权重是计算所用的数值参数，结构则是计算阶段及连接关系。参数更新与结构修改并非一回事。剪枝减少部分连接或组件，量化以较低精度表示数值。这些方法可降低存储或计算负担，也可能损害准确率，因此需要结合重新训练。
图5展示训练用GPGPU（100）、推理用NPU（200）和存储器（300），其中包括编译器（310）、存储（320）及报告（330）功能。编译器使计算适配目标设备，存储与报告支持模型及结果的交换。该图解释技术流程，不证明某一商业芯片的具体内部实现。
从现场评价到下一轮训练
流程依次为训练、传输权重、目标端推理及评价、返回评价结果、修改模型、再次推理。训练端根据反馈修改模型结构并更新权重，再把适用于修改后模型的权重发送到执行端。这里并非假定现场NPU自身完成重新训练。
图7区分送往GPGPU的训练数据和送往目标设备的测试数据，并显示反馈路径。工厂示例可用已知答案的测试图像发现漏检，再由开发端调整模型并重新进行实机评价。配套工厂流程图同样是假设性说明，不是实验数据。
GPU、NPU与DX-M1的背景
GPU适合并行计算，GPGPU指将其能力用于通用计算；NPU面向神经网络运算。公开文件以GPGPU训练和NPU推理说明异构处理，并涉及按照目标端支持的运算和数据表示方式编译模型。
DEEPX将DX-M1定位为边缘AI处理器。边缘推理在接近数据源的位置执行，而非将每个输入都送往远程服务器。这可能减少通信需求，但时延、功耗、内存与精度取决于实际系统。产品定位与专利申请的技术范围，应分别分析。
研发团队应保留哪些材料
专利分析的重点不只是存在两个处理器，而是目标端评价如何改变下一轮模型的结构和权重。宜记录各设备职责、交换的信息、优化步骤、评价条件和模型修改前后的差异，并区分计算图变更与参数更新。
IPLEX为AI及软件系统提供专利分析与申请支持。可公开的系统流程图、技术差异说明和可复现的评价条件，有助于识别技术贡献。相关AI业务与测试时训练分析可作为延伸阅读，但不同模型更新机制不能混为一谈。
保留原图标注，各图的技术含义在正文中说明。