# 当前研究问题：背景、问题与挑战

## 1. 背景

人工智能能力正在从服务器、云端和通用应用软件，持续进入设备控制、边缘协同、车载平台、工业终端和任务关键系统。系统中的人工智能不再只是离线分析能力，而正在承担识别、规划、诊断、导航、辅助决策和自然交互等面向实时场景的功能。

当人工智能能力进入这些系统后，系统的时间结构发生了明显变化：

- 感知链路、推理链路与控制链路开始耦合；
- CPU、NPU、GPU、DMA、总线和内存带宽竞争明显增强；
- 功耗、散热、体积、统一内存和设备驱动限制直接影响系统行为；
- 关键保障负载与人工智能目标负载开始争夺同一组底层资源。

因此，系统面对的已经不是单纯的“把模型跑起来”问题，而是“如何让人工智能能力进入系统之后，整体时序边界仍然成立”的问题。

## 2. 问题

本框架聚焦的问题是：

> **当人工智能能力进入实时控制系统后，模型、运行时、RTOS、Linux、Hypervisor、芯片、总线、内存和协处理器如何共同决定系统的整体实时边界。**

这里的核心观察有三点：

1. **大模型与智能算法的实时问题不能完全归于 RTOS 单独解决。**
2. **纯粹把问题写成“RTOS 优于 Linux”已经不足以覆盖真实系统问题。**
3. **真正需要研究的是面向 AI 的实时控制基础系统，而不是单一软件层。**

## 3. 挑战

### 3.1 跨层因果交织

人工智能目标负载的时间行为同时受到模型结构、量化方式、算子实现、运行时队列、驱动、芯片资源和操作系统机制影响。单一层面的解释无法完整说明系统实时性。

### 3.2 感知与控制形成闭环

一旦感知、规划、语音理解或推理链路进入控制闭环，推理延迟、链路抖动和异常输出都会直接影响执行效果，系统面对的是认知与控制的一体化问题。

### 3.3 MCU 与 SoC 路线差异显著

MCU 场景更偏向静态资源分配、工具链和芯片协同；SoC 场景更偏向 Linux / RTOS / Hypervisor 协同、统一内存竞争治理和异构设备协作。这两类问题不能被同一套表达简单覆盖。

### 3.4 体系结构成为主要变量

随着 NPU、GPU、DMA、统一内存、总线和缓存结构进入主舞台，问题已经从调度器、中断和线程同步扩展到嵌入式计算机体系结构层。

### 3.5 产业叙事需要升级

如果企业仍然只把自己定义为 RTOS 供应方，就很难完整解释人工智能进入实时控制系统后出现的新问题。更有延展性的定位应当围绕“基础系统”展开。

## 4. 本框架的价值

本框架的目标不是否定 RTOS，而是把 RTOS 放回更准确的位置：

- RTOS 是关键保障负载的确定性底座；
- Linux 与推理运行时承载 AI 生态与计算任务；
- Hypervisor、芯片与资源治理结构承担隔离、边界与整体秩序；
- 规则层与兜底机制承担异常控制与安全边界。

因此，本框架对应的研究价值在于：为“人工智能进入实时控制系统之后的基础系统问题”建立更准确的问题定义、技术路线和实验组织方式。