Warum Digital Signal Prozessoren jetzt in allen modernen Geräten allgegenwärtig sind

Als ARM CPUs erstmals Fuß fassten – dank früher Adopter wie Apple – stieg die mobile Nutzung stark an. Der Vorteil war klar: Ein eingebetteter Prozessor konnte jedes Gerät in eine vielseitige, funktionsreiche Plattform verwandeln. Zudem konnten Software-Updates die Hardware-Lebensdauer verlängern, sodass ein einzelner Chip mehrere Produktgenerationen antreiben konnte.

Während General-Purpose CPUs bei einer Vielzahl von Aufgaben glänzen, haben sie Schwierigkeiten mit Operationen, die Echtzeit- und stromsparende Verarbeitung erfordern – wie das Modem eines Smartphones. Das Modem muss kontinuierliche analoge Funksignale verarbeiten, die digitalisiert wurden, und erfordert schnelle, effiziente Berechnungen, die eine typische CPU ohne übermäßigen Stromverbrauch nicht liefern kann.

DSPs sind für solche Aufgaben konzipiert. Ausgestattet mit nativer Floating-Point-Unterstützung und optimierten Matheinheiten – insbesondere Multiply-Accumulate (MAC) Operationen – verarbeiten sie Streaming-Daten effizient, im Gegensatz zu den batch-orientierten Workloads typischer CPUs.

Audioverarbeitung teilt diese gleichen Anforderungen. DSPs treiben High-End-Audio-Features an – von Equalization und Dolby-Kompression bis hin zu fortschrittlichen Noise-Cancelling-Kopfhörern, die Sie auf Flügen ungestört schlafen lassen.

KI hat sich über Rechenzentren hinaus auf mobile und Edge-Geräte ausgeweitet. Heute erkennen Fahrzeuge Fußgänger, Kollisionen und Fahrbahnmarkierungen für grundlegendes autonomes Fahren. Sprachgesteuerte TVs, Smart Speaker und sogar helm-montierte GoPros ermöglichen es Nutzern, Aktionen freihändig auszuführen.

Diese Funktionen basieren auf Echtzeitverarbeitung von Streaming-Daten – ob Sprache, Standbilder oder Video. Audioverarbeitung erfordert beispielsweise hochwertige Erfassung über Multi-Mic-Beamforming, Echo-Unterdrückung und Rauschunterdrückung – Bereiche, in denen DSPs jahrzehntelange bewährte Expertise haben.

Befehlserkennung verwendet trainierte neuronale Netze – Algorithmen, die sich deutlich von CPU-zentrischem Code unterscheiden. Während CPUs sie ausführen können, führt die resultierende Trägheit zu Akkuentleerung. Die Ausführung des Netzwerks auf einer hochparallelen Architektur wie einem DSP ermöglicht gleichzeitige Operationen und spart Strom.

Manche vermuten vielleicht, DSPs seien zu spezialisiert für allgemeine Entwickler. Tatsächlich bleibt die Programmierung ähnlich wie bei CPUs: Man schreibt C-Code für beide. Der Schlüssel liegt darin, Code zu schreiben, der die Stärken des DSP für maximale Performance ausnutzt.

DSPs sind allgegenwärtig: Jedes Telefonradio – Bluetooth, Wi-Fi und Mobilfunk – basiert auf einem oder mehreren DSPs. Bluetooth-Ohrhörer, Smart Speaker, sprachgesteuerte Fernbedienungen, Heim-Sicherheitskameras und Automobilsensoren nutzen alle DSPs, um Audio zu verarbeiten, Bewegung zu erkennen und Sound für Echtzeitentscheidungen zu analysieren.

GPUs, obwohl leistungsstark für KI-Training in Rechenzentren, sind für Edge-Einsatz aufgrund von Größe, Stromverbrauch und Kosten ungeeignet. Da Datenschutz- und Sicherheitsanforderungen wachsen, muss KI auf kostengünstige, stromsparende Hardware verlagert werden – was DSPs zur praktischen Wahl für eingebettete Geräte macht.

Folgedessen proliferieren eingebettete DSPs. Sie ermöglichen kostengünstige, stromsparende Sprachsteuerung, Objekterkennung, Audioverbesserung und mehr – und bleiben dabei vollständig programmierbar. Während CPUs weiterhin das allgemeine Management übernehmen, dominieren DSPs zunehmend intelligente Audio- und visuelle Verarbeitung.

Dieser Artikel eröffnet eine Serie, die DSPs versus Hardware-Beschleuniger erforscht. Folgeartikel umfassen „When a DSP Beats a Hardware Accelerator“ und „Decisions, Decisions: Hardware Accelerator or DSP?“.