一、好玩，而且便宜

如果你是一个喜欢捣鼓硬件的开发者，你可能对各种"能跑AI的板子"有个大概的心理价位。树莓派4B四百多，还没算摄像头和NPU——AI推理全靠CPU硬算，人脸检测个位数帧率。Jetson Nano性能够了，但千元起步，功耗7-15W，接电池基本别想。ESP32-CAM十几块钱，但那是MCU，没有Linux，没有NPU，所谓的AI基本只能推图到云端。

作为一个想玩AI摄像头的人，你大概希望有这么个东西：几百块、有NPU、能接Sensor、暗光下画面能看、SDK拿来就能跑。过去这个价位是空白的。ShiMetaPi Pico-G1是第一个踩在这个空白上的板子。

板子本身分两个版本：11A（128MB DDR）和12A（256MB DDR）。价格信息见文中配图。在这个预算下，你拿到的是——1.0T NPU、完整AI ISP管线、Linux系统、MIPI CSI摄像头接口。不是MCU级别的玩具，是一颗正经的IPC芯片做成的开发板。

二、技术亮点

AI ISP黑光全彩。 这是这块板子最值钱的部分。传统摄像头在暗光下的处理链路是：Bayer Raw → Demosaic（色彩插值）→ 白平衡 → 降噪。降噪排在最后——它面对的数据已经被Demosaic扩散了三通道噪声、被白平衡拉偏了增益。在极暗环境下，你只能在YUV域擦噪声的灰烬。Pico-G1搭载的AI_NR模块把顺序倒了过来：在Bayer Raw域——Sensor最原始的单通道数据，噪声还保持着规整的泊松+高斯混合分布——直接用NPU跑深度学习降噪。处理完的干净数据再进入硬件ISP流水线。

数据：AI_NR消耗NPU约0.5T算力，支持4M分辨率@15fps实时处理。信噪比提升8dB以上——每3dB噪声功率减半，8dB意味着噪声能量压到原来的不到六分之一。0.0001 Lux极暗环境输出彩色画面，比星光（约0.001 Lux）还暗一个数量级，不需要红外补光灯。

• 1.0T NPU，忙得过来。 0.5T给AI_NR做实时降噪，0.5T给你跑检测模型。不是"今天只能开一个，明天再开另一个"的排班制——是并行，夜间彩色画面和AI检测同时在线。

• 72×21mm，DDR封在芯片里。 GK7206V1芯片内置DDR颗粒，PCB上不需要外挂内存。四层板就能画，BOM精简——对想自己画底板、打样、做外壳的极客来说，门槛立减。

• 接Sensor，不是接USB摄像头。 树莓派接USB摄像头，画质全靠那个几十块的模组自研ISP。Pico-G1的MIPI CSI直接接入Sensor原始数据，ISP管线是芯片内置的——Sensor进来的是Bayer Raw，经过AI_NR降噪→3DNR→WDR→畸变校正→Demosaic→3A，出去的是一帧成品。这个画质基线是USB摄像头方案完全达不到的。

三、开发体验

极客玩板子，最怕的事情不是参数不够，是SDK靠不住——文档写着"支持Ubuntu 18.04"，你拿着22.04上去依赖全崩。教程是三年前的，社区没人回帖。交叉编译器装了两天还没装好。make一下半屏红色error。

Pico-G1的SDK是一套围绕sample程序组织的体系。核心就四个：

环境搭建：Ubuntu 18.04或20.04，SDK解压后source build/env.sh配环境，make build -j全量编译，make sample编译示例程序。烧录用USB Type-C，FastBurn工具，首次按住BOOT键上电进入下载模式，2-3分钟完成。SSH登录，跑sample，在VLC里打开RTSP推流地址——看到画面的那一刻，整个链路验证完毕。环境顺畅的话30分钟。

板子出厂自带8个已训练的检测模型，从人形检测到烟火检测，.bin格式，加载即用。如果你有自己的模型要部署，SVP框架支持PyTorch→ONNX→量化→.bin的标准转换链路。

AI_NR工具链全开放。 对极客来说，这是区分"开发板"和"黑箱模组"的关键差异。六阶段[1]：Sensor噪声标定（五个高斯-泊松参数）→数据预处理（大模型蒸馏生成训练数据对）→浮点模型微调（五档网络2M_3g到8M_19g可选，建议60+ epoch）→INT8量化微调→推理验证→TVM编译导出.xmm。换Sensor不需要等原厂支持，你自己能走完。

四、上手路线

拿到板子之后，推荐按这个顺序走：

• 第一步：跑通画面。 sample_vio支持11种工作模式——VI在线+VPSS在线、WDR模式、双目拼接、LDC畸变矫正等——先用mode 0跑通最基本的Sensor→ISP→编码→RTSP推流，确认硬件链路没问题。

• 第二步：体验AI_NR。 sample_ainr跑起来，把灯调暗，看AI_NR开启后的画质变化。你眼睛就能感受到8dB提升意味着什么。

• 第三步：跑AI检测。 sample_svp加载人形检测模型，对着摄像头走两步，终端里打印检测框坐标和置信度，画面叠加标注框。

• 第四步：折腾编码。 sample_venc切H.265和H.264，对比同画质下的码率差距。配双码流——主码流高清存本地，子码流低分辨率推手机。

前三步走完，你就拥有一台会看、会认、暗光下画面干净的AI摄像头。后面是应用层的活——你是做安防报警、做门铃逻辑、做人流统计、还是纯拿来当监控用，代码是你自己的。

参考资料：

[1] AI降噪（AI_NR）技术文档（04 AI降噪 (AI_NR).docx），ShiMeta官方开发资料：

https://forum.shimetapi.cn/wiki/zh/shimeta-pi/pico/g1/introduction/ch01-Chip-Introduction.html