全链路图

一、缘起：端侧 AI 部署为什么这么难

1.1 为什么"边缘推理"又火了

过去十年，AI 最热闹的地方在云——大模型在成片 GPU 上训练，推理也大多集中在云端。但最近两年一个明显的趋势是：推理在往边缘回流。原因并不复杂：摄像头、机器人、工业质检这类场景，数据不能也不该全部回传云端，本地实时推理才能满足毫秒级响应，数据不出本机才能满足合规；长期调用云端 API 的费用会随业务量线性增长，而端侧硬件一次性投入后，边际推理成本趋近于零；车载、野外、产线等环境网络并不总稳定，本地模型才能"永不掉线"。

但把模型搬到板子上，远没有说起来轻松。

1.2 传统部署路径的三道坎

我在多个项目里反复踩过的坑，可以归纳成三道坎。

第一坎：硬件碎片化： 同样的 YOLOv5，在 A 家 NPU 上要转成 DLC，在 B 家 NPU 上要转成 RKNN，在 C 家又要换成 TFLite 加厂商 delegate。框架、工具链、精度损失各不相同，换一块板几乎等于重写一遍推理代码。这也是很多团队"一换硬件就头疼"的根源。

第二坎：性能调优黑盒： 开发者拿到一块板，往往只知道"它有个 NPU，标称 12 TOPS"，但怎么把模型真正跑满这个算力、CPU/GPU/NPU 如何分工、零拷贝怎么用，文档零散、示例稀缺，全靠自己摸索。

第三坎：生态割裂： 做 AI 的人习惯 Linux + Python，做交互/多媒体的人习惯 Android。但实际产品（智能摄像头、机器人 HMI）往往需要两者都在同一台设备上：Android 负责界面和生态应用，Linux 负责 AI 服务。过去只能上虚拟机或双板，性能和兼容性都打折。

1.3 AidLux 想解决的是什么

阿加犀给出的答案是一套"融合系统 + 统一工具链"：

  • 融合系统 AidLux：在一颗 ARM 上同时跑原生 Android 和原生 Linux（Ubuntu），靠"Linux 内核共享技术"实现，而不是虚拟机。

  • 统一推理层 AidLite：把不同框架（SNPE/QNN/RKNN/TFLite/ONNX 等）和不同芯片（高通/瑞芯微 NPU）抽象成一套 API，做到"一次开发，跨模型/跨芯片迁移"。

  • 围绕它的视觉、生成式、通信、模型优化全家桶：AidStream、AidCV、AidGen/AidGenSE、AidConnect、AIMO、Model Farm 等。

本系列就是要把这套全家桶，从底座到量产，一篇一篇拆开讲透、跑通。它既是教程，也是一份你可以对着做的部署手册——这也是为什么第一讲不急着写代码，而是先把地图画给你看。

1.4 边缘 AI 项目的典型生命周期

为了让你知道"现在在哪、后面去哪"，先给一个边缘 AI 项目的标准化生命周期，并标注本系列每一讲落在哪个阶段：

选型与环境

模型供给

单点推理

视觉/多媒体

生成式AI

系统集成

调优量产
  • 选型与环境（第 01、02 讲）：定板型、搭环境、跑通第一个推理；
  • 模型供给（第 03、04 讲）：把通用模型转成高通 NPU 可运行的格式；
  • 视觉/多媒体（第 05、06 讲）：图像与视频 AI 流水线；
  • 生成式 AI（第 07、08 讲）：端侧大模型与本地 OpenAI 服务；
  • 系统集成（第 09、10 讲）：跨系统通信与语音；
  • 调优量产（第 11、12 讲）：综合实战与工程化落地。

你今天站在第一步，但心里要装着全局——这才是"系统规划"的意义。

1.5 谁适合读这个系列

如果你符合下面任意一条，这套文章就是为你写的：一是做计算机视觉、机器人、智能摄像头方向的开发者，想把模型从笔记本搬到真实硬件上；二是算法工程师，熟悉 PyTorch 但不熟悉端侧部署的工具链；三是技术选型者，在评估高通平台能不能扛住自己的业务。如果你已经是 AidLux 老手，可以跳过第 01、02 讲直接看后面的专项。我们默认读者有一点点 Linux 和 Python 基础，但不要求懂 Android 或嵌入式——这正是融合系统要帮你抹平的门槛。

需要特别说明的一点是：本系列偏"实战"，每一讲都尽量给你能直接跑的代码和命令，而不是只讲原理。原理部分够用就好，重点放在"怎么把东西跑起来、跑稳、跑进产品"。如果你更关心某一块，可以直接跳到对应讲次；但建议至少把第 01、02 讲通读，因为它们建立的术语和约定（融合系统、AidLite 三件套、高低搭配）后面会反复用到。把工具链吃透，比反复换板子更有复利。

二、AidLux 融合系统架构剖析

2.1 什么是"Android + Linux 融合系统"

AidLux融合系统架构图
AidLux 是一个构建在 ARM 硬件上、基于"跨 Android + Linux 融合系统环境"的 AIoT 应用开发和部署平台。关键词是融合，不是"装两个系统各干各的"，也不是"Linux 里套一个 Android 虚拟机"。它让一台智能设备同时获得 Android 和 Linux 两个系统的原生体验：用户拥有 Android 上海量的娱乐、社交、行业应用生态，同时能直接访问原生 Linux 系统及其应用生态，立刻进入生产开发模式，生活、工作无缝切换。

2.2 内核共享技术原理（非虚拟机）

这是 AidLux 最核心的技术差异点。用一张图说清它和虚拟机的区别：

Linux 内核共享层

跨系统IPC

ARM SoC: CPU/GPU/NPU/外设

共享 Linux 内核

Android 用户态

Linux Ubuntu 用户态

它和虚拟机的本质区别：

维度虚拟机方案AidLux 融合系统
内核Android、Linux 各自内核，相互隔离共享同一个 Linux 内核
性能虚拟化开销大，NPU/外设需透传原生访问，无虚拟化损耗
兼容性跨系统调用困难跨系统交叉访问能力，可直接访问系统层服务
资源内存/算力被两套系统瓜分单内核统一调度，资源利用率高

2.3 Android 侧与 Linux 侧的能力分工

  • Android 侧：带来卓越的多媒体交互体验，以及百万级数字化生活/行业应用生态，适合做人机交互界面（HMI）、播放器、行业 App。
  • Linux 侧：基于安全、稳定、高效的优势，构建服务端应用部署和 AI 开发的强大生产力生态。AidLite、AidStream、AidGen 等推理/视觉/生成式 SDK 主要运行在这一侧。

一句话：Android 做"脸面与交互"，Linux 做"大脑与算力"。

2.4 跨系统交叉访问能力

AidLux 为开发者特别打造了跨系统（Android、Linux）交叉访问能力：运行于不同系统环境中的应用可以实现高效互访，能实现对系统层服务的直接访问，应用场景不再局限于单一系统。后面第 09 讲会专门讲如何用共享内存把这套能力变成代码（AidConnect）。

2.5 外设与接口兼容性

AidLux 同时支持 Android 兼容设备和 Linux 兼容设备：各类传感器、Arduino、机械臂；超高清工业相机、3D-ToF 深度相机、网络相机；各种接口如 4G/5G、LAN、WiFi、蓝牙、RS485、RS232 等；即插即用，自由应对各类智能物联网场景。这一点对机器人、工业检测项目尤其重要——板子不是孤岛，而是要接一堆外设的"中枢"。

2.6 融合系统的三类典型落地场景

理解了"Android 做脸面、Linux 做大脑"的分工，就能看出 AidLux 最适合的是既要交互、又要算力的产品。最常见的三类：

智能摄像头 / AI 盒子

Android: 界面/播放/行业App

Linux: AidLite 检测 + AidStream 推流

服务机器人

Android: 交互屏 / HMI

Linux: 视觉 / 导航 / 控制

工业智能网关

Android: 数据看板

Linux: 质检模型 + 协议转换
  • 智能摄像头 / AI 盒子：Android 负责本地预览、参数配置 UI、行业 App；Linux 负责 AidLite 跑检测、AidStream 做硬件编解码与推拉流。第 06 讲会完整实现"RTSP 拉流 → 检测 → 推流"。
  • 服务机器人：Android 做交互屏（语音/触控 HMI）；Linux 跑视觉、导航与控制逻辑。这正是阿加犀在具身智能方向重点发力的场景。
  • 工业智能网关：Android 做产线数据看板；Linux 跑质检模型并做 Modbus/RS485 等协议转换，把"检测结果"变成"产线动作"。

这三类场景的共同点是：单一系统都搞不定。纯 Linux 板缺交互生态，纯 Android 盒子缺原生 AI 算力调度——融合系统恰好补齐。

2.7 和"其他边缘 AI 方案"的区别

为了避免神化，客观对比一下 AidLux 与几类常见方案（基于公开技术形态的分析）：

方案优势短板适合谁
纯 Linux + 厂商 NPU SDK算力调度直接、轻量缺 Android 交互生态纯后端 AI 服务
纯 Android + NNAPI应用生态好跨芯片 NPU 调度不统一轻量端侧推理
双板 / 虚拟机隔离清晰性能损耗、成本高、通信复杂预算充足且隔离需求强
AidLux 融合系统Android+Linux 原生共存、统一推理层学习新平台、生态较新既要交互又要算力

可以看到，AidLux 的差异化价值集中在"既要又要"的场景；如果你的产品只是个无屏的推理盒子，纯 Linux 也完全可行。

2.8 融合系统的性能边界：什么时候该谨慎

讲完优势，必须讲边界，否则就是忽悠。基于融合系统的架构特性：

  • 重图形/重 GPU 通用计算：融合系统里 Linux 侧的 GPU 主要服务 AI 与显示，若要跑大规模通用 GPGPU 计算，专用 GPU 板更合适。
  • 硬实时（hard real-time）：融合系统基于通用 Linux 内核，不承诺硬实时确定性；运动控制等强实时环节应交给 MCU/实时核或专用控制器。
  • 生态成熟度：相对 Android 原生或纯 Linux，融合系统是较新的形态，部分第三方库需验证兼容性。
  • 学习成本：要同时理解 Android 与 Linux 两侧，对新手有一定门槛——但本系列的目的，正是把这道门槛削平。

一句话：融合系统擅长"交互 + AI 推理"的组合场景，不擅长"纯重算力"或"硬实时"。认清边界，才能把板子用在刀刃上。

三、硬件载体：犀牛派 A1 与犀牛派 X1

本文以入门级的犀牛派 A1（QCS6490）为主演示，算力要求更高的场景（端侧大模型、多路视频）再切换到进阶级的犀牛派 X1（QCS8550）。两款板都预装 AidLux OS 和同一套 SDK，代码几乎不用改，只是算力水位不同——这正是 AidLite"跨芯片迁移"价值的真实体现。

3.6 一块板到底能跑什么：从 demo 到产品

选型不能只看 TOPS 数字，更要看真实负载。以入门级的犀牛派 A1 为例，跑一个 INT8 量化的 YOLOv5s（320×320 输入），单帧推理通常在几十毫秒量级，足以支撑单路实时检测；若要同时跑分类 + 检测 + 追踪，或上更大输入分辨率，就开始吃紧。进阶级的犀牛派 X1 因为 NPU 算力高出数倍，可以轻松应对多路视频、更大模型，乃至端侧大模型。

具体数字一定以你自己的真机实测为准——TOPS 是峰值，实际能跑满多少，取决于模型结构、量化质量，以及你有没有把前/后处理也优化好。一个常被忽视的点是：端侧推理的瓶颈常常不在 NPU 本身，而在数据搬运和前处理，这也是 AidLite 强调零拷贝、以及后面 AidCV/AidStream 要做硬件加速预处理的原因。

所以"高低搭配"不是营销话术：它对应的是两条清晰的工作流——A1 把流程跑通、验证算法可行性；X1 把性能拉满、支撑真实业务负载。先用便宜的板把坑踩完，再用贵的板放量，是边缘 AI 项目最稳的成本曲线。

3.1 为什么用"高低搭配"

  • 入门项目（单路检测、轻量分类）用 A1 足够，功耗和成本更友好；
  • 当你要跑 3B 级大模型、做四路视频拼接、追求高帧率时，X1 的 NPU 算力才是刚需；
  • 同一份 AidLite 代码，在两板间迁移几乎零成本，先 A1 验证、后 X1 放量，是最稳的路径。

3.2 犀牛派 A1（QCS6490，入门档）规格速览

犀牛派 A1 搭载高通 QCS6490 平台，这是高通面向边缘 AI 的 SoC，芯片级关键能力如下（高通官方公开资料）：

组件规格要点
CPU高通 Kryo CPU（八核，含性能核 + 能效核）
GPU高通 Adreno GPU
NPU高通 Hexagon NPU，约 12 TOPS（INT8）算力
异构计算支持 CPU/GPU/NPU 协同调度

板级细节（板载内存容量、存储容量、具体接口排布、散热方案）请以阿加犀官方规格书为准。

3.3 犀牛派 X1（QCS8550，进阶档）规格速览

犀牛派 X1 搭载高通 QCS8550 平台，是定位更高的旗舰级边缘 AI SoC，芯片级关键能力（高通官方公开资料）：

组件规格要点
CPU高通 Kryo CPU（更高主频/核数配置）
GPU高通 Adreno GPU（更强图形/计算）
NPU高通 Hexagon NPU，峰值算力显著更高（公开资料约 48 TOPS 量级）
适用场景端侧大模型、多路视觉、高帧率推理

3.4 两板算力对比与选型建议

算力对比
上图为量级示意，非精确跑分；精确值以官方规格书与真机实测为准。

选型建议：

  • 学生/个人开发者、单路视觉 demo、轻量分类 → 犀牛派 A1 起步最划算；
  • 企业 POC、端侧 LLM（0.5B~3B）、多路视频 AI、机器人主控 → 直接上犀牛派 X1；
  • 同一套 AidLite 代码，在两板间迁移几乎零成本，先 A1 验证、后 X1 放量，是最稳的路径。

3.5 典型项目 → 选型实例

把"高低搭配"落到具体项目上，参考下表：

项目类型算力需求推荐板第几讲会用到
教学/个人：单图分类、轻量检测低犀牛派 A1第 02、05 讲
智能摄像头：单路 RTSP 检测推流中犀牛派 A1第 06 讲
工业质检：单模型实时检测中犀牛派 A1第 04、11 讲
端侧大模型：Qwen2.5 0.5B~3B 对话高犀牛派 X1第 07、08 讲
多路视频：四合一拼接 + 检测高犀牛派 X1第 06、11 讲
具身机器人：视觉+控制+交互高犀牛派 X1第 09、11 讲

这张表是本系列的一条暗线：你会在不同讲次反复看到 A1 与 X1 的出现，它们不是两个系列，而是同一套工具链上的两个算力档位。

四、环境调研：AidLux OS 下载与版本选择

4.1 AidLux OS 版本演进

根据官方更新日志：AidLux 2.1.1（更新于 2026-04-20，Build ID 2.1.1.1977）新增了 AidLite remote qnn 推理、登录页注册功能；AidLux 2.1.0（更新于 2026-03-20，Build ID 2.1.0.1968）是前一稳定版。

重要提示（官方原话）：升级更新需要重新解压安装 Linux 环境，请先备份数据。这条在后面"坑点"章节会重点展开。

4.2 个人版 vs 商业版

官方提供两个版本：个人版（面向学习、原型验证）和商业版（面向产品化、量产授权）。本系列所有实战以已激活的开发板（犀牛派 A1 / X1 预装 AidLux OS）为基准，跳过"下载解压"这一步，直接进入环境验证；如果你是第三方板或容器，请参考官方安装指引。

4.3 下载与校验（第三方/容器场景）

若你使用的是 Linux Container 镜像或需手动安装：通过官方渠道获取 AidLux OS 镜像，校验文件完整性，按平台指引烧录/解压。开发板用户可跳过，开机即自带环境。

4.4 环境验证的进阶：确认 NPU 真的可被调度

环境就绪后，除了前面那套自检脚本，还有一件事值得做：确认 NPU 真的能被调度到。最简单的方法是跑一次 AidLite 的官方 YOLOv5 示例（第 02 讲会带你跑），观察输出是否有检测框，以及用 time 看单帧耗时是否在 NPU 量级（远快于纯 CPU）。如果示例都跑不通 NPU，多半是 QNN 版本或授权问题，趁早解决，别等到自己写代码时才发现。

这也是为什么本系列把"先跑通官方示例"放在"自己写代码"之前——用别人的成功路径验证环境，比自己 debug 环境高效得多。新手最容易犯的错误，就是一上来就改官方代码、加自己的模型，结果环境本身有问题却被当成代码 bug 排查半天。

五、操作步骤：开箱到环境就绪

5.1 犀牛派 A1 首次启动

  1. 连接电源与显示器（或通过网络 Web 桌面访问）；
  2. 首次启动会进入 AidLux 初始化向导；
  3. 完成后进入 AidLux Web 桌面（基于网页渲染的交互界面）。

注：AidLux Web 桌面是网页渲染界面，因此 OpenCV 的本地渲染能力受限——这正是后面第 05 讲 AidCV 要解决的问题。

5.2 LMS 授权激活

AidLux 通过 LMS（License Management Service）进行系统环境授权激活。预装开发板一般已激活；若需激活或激活异常，打开授权/激活入口按向导完成，激活失败见"坑点"章节。

5.3 SSH 与 Web 桌面登录

两种方式访问 Linux 侧：

  • Web 桌面：浏览器访问设备 IP，适合图形化操作与文件管理；
  • SSH：终端 ssh aidlux@<设备IP>，适合命令行与脚本开发。

后续所有 Python 实战脚本，均在 SSH 终端或 Web 桌面的终端中执行。

5.4 aid-pkg 包管理初探

AidLux 提供 aid-pkg 包管理器来安装/更新 SDK 组件。常用范式：

# 更新包索引
sudo aid-pkg update

# 安装某 SDK（示例，后续各讲会用到）
sudo aid-pkg install aidlite-sdk

# 查看已安装包与版本（环境核验关键命令）
sudo aid-pkg installed

aid-pkg installed 是后面每讲都会用到的"体检命令"——它能列出当前环境里 AidLite、AidStream 等组件的版本，确保与你转换模型时使用的 QNN 版本一致（这点第 03、04 讲会反复强调）。

5.5 首次启动的常见坑

拿到新板第一次开机，有几种情况容易让人抓瞎：一是设备连上显示器但 Web 桌面黑屏或进不去，多半是 HDMI/分辨率协商问题，换个接口或等初始化完成即可；二是 SSH 连不上，先确认设备和电脑在同一网段、且 AidLux 的 SSH 服务已开启；三是 aid-pkg update 卡住，通常是网络或 DNS，企业网建议先配代理。

这些问题都不难，但第一次遇到容易怀疑板子坏了。记住三步走：先 ping 通、再看服务、最后看日志，基本能定位。把这套排查顺序写进团队的开箱文档，能省下大量重复答疑的时间。

六、关键代码：环境自检脚本

环境就绪后，写一个自检脚本把"家底"摸清楚，是专业做法。下面给出 Python 版与 Shell 版两种。

6.1 系统信息探测脚本（Python）

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
环境自检脚本 v1.0
作用：快速打印 AidLux 设备的系统信息与关键路径
"""
import os
import platform
import subprocess

def run_cmd(cmd: str) -> str:
    """执行 shell 命令并返回 stdout，出错返回空串"""
    try:
        return subprocess.check_output(
            cmd, shell=True, stderr=subprocess.DEVNULL
        ).decode("utf-8", "ignore").strip()
    except Exception:
        return ""

def main():
    print("=" * 48)
    print("AidLux 环境自检报告")
    print("=" * 48)
    # 1) 系统信息
    print(f"系统:        {platform.system()} {platform.release()}")
    print(f"机器架构:    {platform.machine()}")
    print(f"Python:      {platform.python_version()}")
    # 2) 设备标识（AidLux 常见路径，存在即说明是 AidLux 环境）
    aidlux_flag = os.path.exists("/opt/aidlux") or os.path.exists("/usr/local/share/aidlite")
    print(f"AidLux 环境: {'是' if aidlux_flag else '否(可能是普通Linux)'}")
    # 3) 示例目录定位（第02讲要用）
    example_dirs = [
        "/usr/local/share/aidlite/examples",
        "/usr/local/share/aidgen/examples",
        "/usr/local/share/aidconnect/examples",
    ]
    print("-" * 48)
    print("SDK 示例目录探测:")
    for d in example_dirs:
        print(f"  {d:42s} -> {'存在' if os.path.isdir(d) else '未发现'}")
    # 4) 关键二进制
    print("-" * 48)
    print("包管理:")
    print(f"  aid-pkg: {run_cmd('which aid-pkg') or '未找到'}")
    print("=" * 48)

if __name__ == "__main__":
    main()

6.2 SDK 版本校验脚本

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
AidLite 版本校验脚本
作用：确认 AidLite 是否可用、版本几何
"""
def check_aidlite():
    try:
        import aidlite
        print(f"Aidlite library version : {aidlite.get_library_version()}")
        try:
            print(f"Aidlite Python version : {aidlite.get_py_library_version()}")
        except AttributeError:
            print("Aidlite Python version : (该接口不可用，仅 C++ 库)")
        return True
    except ImportError as e:
        print(f"[ERROR] 未安装 aidlite: {e}")
        return False

if __name__ == "__main__":
    ok = check_aidlite()
    print("校验结果:", "通过" if ok else "失败，请执行 sudo aid-pkg install aidlite-sdk")

6.3 示例目录定位（Shell 一键）

#!/bin/bash
# 一键定位 AidLux 预置示例
echo "== AidLite 示例 =="
ls -d /usr/local/share/aidlite/examples 2>/dev/null && echo "OK" || echo "MISSING"
echo "== AidGen 示例 =="
ls -d /usr/local/share/aidgen/examples 2>/dev/null && echo "OK" || echo "MISSING"
echo "== 已安装包 =="
sudo aid-pkg installed 2>/dev/null | head -20

七、坑点：开箱与激活那些坑

7.1 升级需备份 Linux 环境（高危）

官方明确：升级更新需要重新解压安装 Linux 环境，请先备份数据。这意味着：

  • 你在 Linux 侧 /home/aidlux 下写的代码、下载的模型，升级后可能丢失；
  • 升级前务必把重要文件拷出（U 盘/NAS/另一台机器）；
  • 建议把工作目录固定在可备份路径，并养成"每日提交"习惯。

7.2 激活失败排查

LMS 激活异常的常见原因：设备未联网或时间不对（证书校验依赖正确时间）；商业版需要对应授权文件；预装板若显示未激活，联系阿加犀 FAE（support@aidlux.com）。

7.3 网络与源配置

  • 首次 aid-pkg update 失败，先确认网络与 DNS；
  • 企业内网可能需要代理；
  • Web 桌面文件浏览器默认打开 /home/aidlux，只有这个文件夹可接收上传文件——传模型/代码记得放这里。

八、验证：跑通官方示例

8.1 定位示例目录

ls /usr/local/share/aidlite/examples/

AidLux 在 Linux 环境中预置了 AidLite 例子（如 YOLOv5）。第 02 讲我们会把其中一个搬出来，在犀牛派 A1 的 NPU 上跑出第一张带检测框的结果图。

8.2 环境就绪检查清单（Checklist）

把上文拆成一份可勾选的清单，建议每次拿到新板都过一遍：

# 新板开箱 checklist
- [ ] 设备通电、显示器/Web 桌面可访问
- [ ] 能 SSH 登录（ssh aidlux@<IP>）
- [ ] LMS 已激活（无激活告警）
- [ ] sudo aid-pkg update 成功
- [ ] sudo aid-pkg installed 能看到 aidlite / aidcv 等
- [ ] Python 自检脚本（第 06 节）输出正常
- [ ] 示例目录 /usr/local/share/aidlite/examples 存在
- [ ] 工作目录 /home/aidlux 可写、可上传
- [ ] 已记录板型（A1 还是 X1）与 AidLux 版本号

这份清单的价值在于可复制：团队里任何人拿到板子，按表走一遍就不会漏掉激活、版本、路径这些"低级但致命"的环节。

九、FAQ

Q1：融合系统和"安卓跑 Linux 容器"一样吗？
不一样。AidLux 是共享同一个 Linux 内核的原生融合，非虚拟机、非容器隔离，性能与跨系统访问能力更优。

Q2：犀牛派 A1 和 X1 代码通用吗？
AidLite 等 SDK 抽象了芯片差异，同一份推理代码在两板间基本可直接迁移，主要是算力水位不同。

Q3：没有开发板能用吗？
可以用 AidLux Linux Container 镜像在兼容设备上体验；但真机实战仍以犀牛派 A1/X1 为准。

Q4：Web 桌面能跑 OpenCV 显示窗口吗？
网页渲染界面无法直接用 OpenCV 本地渲染，需用 AidCV（第 05 讲）或把结果存图查看。

Q5：LMS 激活和 aid-pkg 安装是什么关系？
LMS 负责"这台设备能不能用 AidLux"（授权激活），aid-pkg 负责"装哪些 SDK 组件"。预装开发板通常两者都已就绪，第三方板需先激活再装包。

Q6：升级 AidLux OS 真会丢数据吗？
官方明确升级会重新解压 Linux 环境，请先备份。稳妥做法是把工作目录放在可备份路径，并定期外拷。

Q7：犀牛派 A1 和 X1 的镜像/系统能互相刷吗？
两者 SoC 不同（QCS6490 vs QCS8550），镜像不通用；但上层的 AidLux OS 使用体验与 SDK 接口一致，开发习惯可无缝迁移。

Q8：我是纯算法背景，Android 那一侧需要学吗？
入门阶段不需要。本系列前 8 讲主要在 Linux 侧用 Python 完成；只有第 09 讲 AidConnect 涉及 Android 侧（提供 Java/Kotlin 骨架，可照抄）。

Q9：AidLux 板和纯 Ubuntu 开发板（如树莓派类）比，优势在哪？
如果你的应用不涉及重 AI，纯 Ubuntu 板完全够用；但若要用 NPU 做实时推理，犀牛派 A1/X1 的高通 NPU + AidLite 统一调度，在 AI 算力与工程成熟度上明显更优。选板永远看"需求是否命中它的强项"。

Q10：本系列会提供完整可运行代码吗？
会。每讲的关键代码都给出可直接运行的片段，并标注对应的官方示例路径；到第 11 讲综合实战，会给出完整的工程目录结构与串联方式，方便你照着复现。

十、结论

本讲我们建立了对 AidLux 的第一性认知：它用融合系统解决了"Android 交互 + Linux 算力"难以共存的行业痛点，用统一工具链缓解了"换硬件就重写"的碎片化之苦。你也完成了环境底座的准备——激活、登录、包管理、自检脚本四件套。

具体来说，读完本讲你应该能做出三个判断：第一，面对一个"既要界面又要 AI"的产品，你能立刻意识到融合系统是比双板/虚拟机更优的解法；第二，拿到犀牛派 A1 或 X1 时，你能根据算力需求用"高低搭配"原则选对板，而不是盲目追高配；第三，你手里有了一份可复制的开箱 checklist，团队任何人拿到新板都不会在激活、版本、路径这些低级环节翻车。

这三个判断，是后面十一讲能跑得顺的隐性前提。环境这件事看似简单，却是所有后续实战的地基——地基不稳，上层建筑写得再漂亮也会塌。把开箱、激活、版本、路径这四件套做扎实，后面你只需要关心算法和业务，而不是天天和"为什么跑不起来"搏斗。

下一讲，我们钻进工具链的发动机 AidLite，在犀牛派 A1 的 NPU 上跑通第一个目标检测模型。那才是"真刀真枪"的开始。

十一、官方资源导航

本系列所有技术口径均来自以下官方渠道（稳定链接，建议收藏）：

资源地址用途
AidLux 开发者文档中心https://docs.aidlux.comSDK 接口文档、使用指南
AidLux 软件总览https://developer.aidlux.com/software/aidlite工具链组件总览
模型广场 Model Farmhttps://aiot.aidlux.com/zh/models下载已优化模型
技术论坛https://forum.aidlux.com社区问答、案例
官网https://www.aidlux.com产品与方案
技术支持support@aidlux.comFAE 支持

外链均为厂商官方稳定域名。后续每讲涉及具体 SDK 时，会给出对应文档子页地址。

本文芯片级规格（QCS6490/QCS8550 的 CPU/GPU/NPU 构成与算力）引用自高通官方公开资料；板级参数以阿加犀官方规格书为准；环境命令与示例路径来自 AidLux 官方文档。

# 接口隔离原则 # 嵌入式硬件 # 人工智能 # iot
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

Agent 技术摘要 04 —— AI4S、VLM、VLA、VLN、WM、AI Infra

本文为实习期间对Agent领域关键技术的通俗摘要，涵盖AI4S（如AlphaFold、盘古气象模型）、VLM/VLA/VLN（多模态理解与动作生成）、世界模型（WM）及AI基础设施（AI Infra），简要介绍其核心思想与应用价值，助力同行快速掌握关键概念。

avatar DAMO开发者矩阵
cover

机器人运动规划从A*到Minimum Snap四大算法全解析

avatar DAMO开发者矩阵

Hugging Face LeRobot框架实操：具身智能模仿学习与行为克隆代码指南

近期网传Hugging Face推出鸭形机器人系误传，其真实动作是于2024年5月开源LeRobot框架。本文澄清事实，深入解析LeRobot背后的模仿学习与行为克隆技术，提供具体命令行示例，探讨其在具身智能场景中的实际应用与开发流程。

avatar DAMO开发者矩阵