从IR Blaster到CORDIC：边缘AI如何用有限算力逼近硬核目标

1. 从一份早报标题里拆出来的硬核线索

看到“Hackaday 科技精选早报”这个标题，我第一反应不是“哦，又一个新闻聚合”，而是脑子里自动开始拆零件。Hackaday 这个站点在硬件圈和创客圈的地位，相当于老派工程师的晨间咖啡——它不追热点，但追“这个东西到底怎么跑起来的”。所以当标题里同时出现 AI、IR Blaster、Intel 8087、CORDIC 这四个关键词时，我基本能判断出这期早报的骨架：一个现代 AI 应用层的话题，一个红外发射器的 DIY 实现，一个上古浮点协处理器的考古，以及一个在嵌入式领域活了半个世纪的数学算法。

这四个词放在一起，表面看是“科技新闻拼盘”，实际上它们共享一条暗线：用有限的算力或极低的成本，去逼近一个看似需要庞大资源才能完成的目标。IR Blaster 用一颗红外 LED 和定时器去模拟空调遥控器的编码协议；Intel 8087 在 1980 年用硬件协处理器把浮点运算从“软件模拟的龟速”里捞出来；CORDIC 算法更绝，它用移位和加法代替乘法，在三角函数计算上做到了“没有乘法器也能算 sin/cos”。而 AI 在这个语境里，不是指大模型训练，而是指在边缘设备上跑推理、用 AI 辅助硬件调试、或者用 AI 生成控制逻辑。

这篇博文适合谁看？如果你是对硬件 hacking 有兴趣的软件工程师，或者是对 AI 落地有执念的嵌入式开发者，再或者你只是单纯好奇“为什么 2026 年了还有人折腾 8087”，那接下来的内容就是给你准备的。我会把每个关键词背后的技术脉络、实操要点、以及我自己在类似项目里踩过的坑，全部摊开讲。不搞虚的，直接上干货。

2. IR Blaster：用一颗 LED 干掉一抽屉遥控器

2.1 为什么红外发射器永远是 DIY 热门

IR Blaster 这个词在 Hackaday 上出现的频率极高，原因很简单：它解决了一个真实且普遍存在的痛点。家里空调、电视、风扇、投影仪的遥控器加起来能塞满一个抽屉，而且每个遥控器用的编码协议还不一样。NEC、RC5、RC6、Sony SIRC、Samsung 32-bit，光是记住这些协议的名字就够头疼了。但红外通信的本质极其朴素：用 38kHz 左右的载波频率，把一串 0 和 1 调制成红外光的闪烁。接收端解调后得到基带信号，再按协议解析。

我最早做 IR Blaster 是为了控制一台老空调。那台空调的遥控器丢了，原厂配一个要两百多块，而且还要等一周。我翻出一颗 940nm 红外 LED、一个 IR 接收头（用来学习原遥控器的码）、一个 ESP32 开发板，总共成本不到三十块。核心思路是：先用接收头把原遥控器的红外码录下来，存进 ESP32 的 RMT（Remote Control Transceiver）外设，然后让 ESP32 按同样的时序把码发出去。ESP32 的 RMT 外设是专门为红外遥控这类应用设计的，它可以硬件级生成精确的载波和脉冲序列，不占用 CPU 时间。

2.2 红外编码的核心参数与实操陷阱

做 IR Blaster 最容易翻车的地方不是电路，而是时序精度。以最常见的 NEC 协议为例，一个完整的码由引导码、地址码、地址反码、命令码、命令反码组成，总共 32 位。引导码是 9ms 的低电平加 4.5ms 的高电平，逻辑 0 是 560us 低电平加 560us 高电平，逻辑 1 是 560us 低电平加 1.69ms 高电平。这些时间参数的单位是微秒，误差超过 10% 接收端就可能不认。

我试过用 Arduino 的delayMicroseconds()来生成这些脉冲，结果发现空调完全没反应。用逻辑分析仪抓波形才发现，delayMicroseconds()在中断开启的情况下会被拉长，导致逻辑 1 的高电平变成了 1.8ms 甚至 2ms。后来换成 ESP32 的 RMT 外设，问题立刻消失。RMT 的每个通道有一个 64 位的发射器，可以预先加载一串“符号”（symbol），每个符号定义高电平和低电平的持续时间，精度是 12.5ns（基于 80MHz 时钟）。这个精度对于红外遥控来说绰绰有余。

注意：红外 LED 的驱动电流要足够。普通的 5mm 红外 LED 正向电流一般在 20mA 到 100mA 之间，但遥控距离要远的话，需要用三极管或 MOSFET 来驱动，把峰值电流拉到 200mA 甚至 500mA。不过占空比很低，平均电流并不大，不用担心烧 LED。串联一个 10 欧姆到 47 欧姆的限流电阻是常见做法，具体阻值取决于你的供电电压和 LED 的压降。

2.3 用 AI 辅助生成红外码库的野路子

2026 年做 IR Blaster，有一个新玩法是用 AI 帮你反推协议。传统的做法是去查 IRremoteESP8266 或 IRremote 的码库，但有些冷门设备根本找不到。我的做法是：用 IR 接收头把原始波形录下来，存成 CSV 文件，然后丢给一个本地跑的小模型（比如量化后的 Llama 3 或 Qwen），让它根据波形的时序特征去匹配已知协议。提示词可以这样写：“以下是一段红外接收头输出的高低电平时序，单位微秒，请判断它最接近 NEC、RC5、RC6、Sony SIRC 还是 Samsung 32-bit 协议，并给出解码后的十六进制码。”

实测下来，对于标准协议，小模型的判断准确率能到八成以上。剩下的两成需要人工核对，但至少省去了翻 datasheet 的时间。这个思路的本质是把模式识别问题交给 AI，把精确控制留给自己。AI 不需要知道红外物理，它只需要在时序数据里找规律。

3. Intel 8087：浮点运算的“外挂”哲学

3.1 为什么 8087 在 2026 年还值得聊

Intel 8087 是 1980 年推出的浮点协处理器，配合 8086/8088 CPU 使用。它的历史地位在于：它是 x87 浮点指令集的鼻祖，也是“硬件加速”这个概念在个人电脑上的第一次大规模落地。在 8087 出现之前，8086 做一次浮点乘法需要调用软件库，一个双精度乘法可能要几百个时钟周期。8087 把这个数字降到了几十个周期，而且支持超越函数（sin、cos、log、exp）的硬件计算。

为什么现在还要提它？因为边缘 AI 推理的困境和当年 8086 做浮点运算的困境一模一样。你不可能在每台设备上都塞一块 H100，但你又需要跑模型。8087 给出的答案是：把最密集的计算卸载到一个专用的协处理器上，主 CPU 只负责调度和数据搬运。今天的 NPU、TPU、DSP 都是这个思路的延续。理解 8087 的设计哲学，就能理解为什么 AI 加速器不是“更快的 CPU”，而是“专门做某类运算的硬件”。

3.2 8087 的架构细节与对现代 AI 芯片的启示

8087 内部有 8 个 80 位寄存器，组成一个栈结构。这个设计非常有意思：它把浮点寄存器组织成栈，而不是通用的寄存器文件。指令如FLD（加载）、FADD（加法）、FMUL（乘法）都是对栈顶元素操作。这种设计的优点是编码紧凑，因为不需要在指令里指定寄存器编号；缺点是编译器很难做寄存器分配，导致性能受限。

现代 AI 加速器吸取了这个教训。以 Google TPU 为例，它的矩阵乘法单元（MXU）有专门的累加器寄存器，但指令集设计上更接近 RISC 风格，而不是栈式。不过 8087 的另一个遗产被完整继承了：异常处理。8087 可以检测除零、溢出、下溢、无效操作等异常，并产生一个中断。这个机制在 AI 芯片里变成了“数值溢出保护”和“NaN 传播检测”。我在部署量化模型时，最怕的就是激活值溢出导致输出全变成 NaN，而硬件级的异常检测能第一时间定位问题。

提示：如果你对 8087 的指令集感兴趣，可以找一份《8087 Programmer's Reference Manual》看看。里面的指令格式和现代 x87 指令基本一致，但少了 SSE/AVX 那些 SIMD 扩展。读完之后你会对“浮点单元到底在做什么”有更底层的理解。

3.3 从 8087 到现代 AI 芯片的实操映射

我在一个边缘推理项目里用过类似 8087 的“协处理器思维”。主控是一颗 STM32H7，它本身有双精度浮点单元（FPU），但跑一个轻量级神经网络还是吃力。我的做法是：把卷积运算卸载到一颗专用的 NPU 芯片上，STM32 只负责图像采集、预处理和后处理。STM32 和 NPU 之间用 SPI 通信，STM32 把图像数据打包发过去，NPU 返回推理结果。这个架构和当年 8086+8087 的关系一模一样：主 CPU 做通用逻辑，协处理器做密集计算。

实测下来，STM32 单独跑推理需要 120ms 一帧，加上 NPU 后降到了 18ms。代价是增加了 PCB 面积和功耗，但换来了 6 倍以上的速度提升。这个取舍在嵌入式 AI 里非常典型：你要么花时间优化软件，要么花硬件资源换速度。8087 在 1980 年给出的答案是“加一颗芯片”，今天的选择更多了，但逻辑没变。

4. CORDIC：没有乘法器也能算三角函数的古老智慧

4.1 CORDIC 算法的核心思想

CORDIC（Coordinate Rotation Digital Computer）是 1959 年由 Jack Volder 提出的算法，用于计算三角函数、双曲函数、指数、对数等。它的核心思想极其优雅：通过一系列固定角度的旋转，逐步逼近目标角度。每次旋转的角度是atan(2^-i)，其中 i 是迭代次数。旋转的方向由当前角度与目标角度的差值决定。整个算法只需要移位、加法和查表，不需要乘法器。

这个特性让 CORDIC 在 FPGA 和低功耗 MCU 上非常受欢迎。因为 FPGA 里做乘法器很占资源，而移位和加法是天然适合硬件实现的。我在一个电机控制项目里用 CORDIC 算过 sin/cos，用来做 Park 变换（将三相电流从静止坐标系转到旋转坐标系）。用 STM32F4 的硬件 FPU 算一次 sin 大概要 50 个周期，而用 CORDIC 迭代 12 次只需要 12 个周期左右，而且精度足够（12 次迭代的角度误差小于 0.01 度）。

4.2 CORDIC 的迭代过程与参数选择

CORDIC 有两种模式：旋转模式和向量模式。旋转模式用于计算 sin/cos，向量模式用于计算 atan 和模长。以旋转模式为例，假设我们要计算角度 θ 的 sin 和 cos。初始化向量为 (1, 0)，角度累加器为 0。然后进行 N 次迭代，每次迭代：

1. 查表得到atan(2^-i)。
2. 判断当前角度累加器是否小于 θ。如果是，则向逆时针旋转；否则向顺时针旋转。
3. 旋转操作：x_new = x - σ * y * 2^-i，y_new = y + σ * x * 2^-i，其中 σ 是旋转方向（+1 或 -1）。
4. 角度累加器更新：z_new = z - σ * atan(2^-i)。

迭代 N 次后，x和y分别逼近cos(θ)和sin(θ)，但有一个增益因子K ≈ 1.64676。所以最终结果需要除以 K，或者预先将初始向量设为(1/K, 0)。

迭代次数 N 的选择取决于精度要求。N=12 时，角度分辨率约为 0.024 度；N=16 时，约为 0.0015 度。但每次迭代增加一位精度，代价是线性增加的。在嵌入式场景里，N=12 到 N=16 是常见范围。

注意：CORDIC 的输入角度范围是[-π/2, π/2]。如果角度超出这个范围，需要先做象限映射。比如 θ 在[π/2, π]之间，可以计算π - θ的 sin/cos，然后根据象限调整符号。这个预处理步骤很容易被忽略，导致结果完全错误。

4.3 在 AI 推理中复活 CORDIC

2026 年 CORDIC 有一个新的应用场景：在低功耗 AI 芯片里计算激活函数。神经网络的激活函数如 sigmoid、tanh、GELU 都涉及指数和三角函数。如果用查找表（LUT）实现，精度受限于表的大小；如果用多项式逼近，需要乘法器。而 CORDIC 可以在没有乘法器的情况下计算这些函数。

我试过在一颗 RISC-V 核上实现 CORDIC 版本的 tanh。RISC-V 核没有硬件乘法器，所有乘法都是软件模拟的。用 CORDIC 迭代 16 次计算 tanh，比调用软件浮点库快了将近 4 倍。虽然精度略低（相对误差约 1e-4），但对于量化后的 8 位模型来说完全够用。这个案例说明：古老的算法在特定约束下比现代方法更有效。不是所有东西都需要用矩阵乘法单元来解决。

5. AI 与硬核工程的交汇点

5.1 AI 在硬件调试中的实际用法

标题里的 AI 和硬核工程不是割裂的。我在调试 IR Blaster 和 CORDIC 时，都用到了 AI 辅助。具体来说，有三个场景特别有用：

第一，波形分析。用逻辑分析仪抓到的红外波形或 SPI 波形，导出成 CSV 后，可以让 AI 帮你找异常。比如我问过：“这段 SPI 波形里，MISO 线上的数据在时钟上升沿采样，请帮我解码成十六进制。”AI 能根据波形描述给出解码结果，虽然偶尔会错，但比手动数格子快得多。

第二，寄存器配置。ESP32 的 RMT 外设有几十个寄存器，手册读起来很累。我直接把手册里相关章节的文本贴给 AI，问：“我要生成 NEC 协议的引导码，9ms 低电平加 4.5ms 高电平，RMT 的RMT_CONF1_REG应该怎么配？”AI 给出的答案需要核对，但至少提供了一个起点。

第三，代码生成。CORDIC 的迭代循环用 Verilog 或 C 写都不复杂，但容易在边界条件上出错。我让 AI 生成一个 CORDIC 的 C 实现，然后自己加测试用例验证。AI 生成的代码在角度范围处理上确实有 bug，但核心迭代逻辑是对的，省了我不少时间。

5.2 边缘 AI 部署的实操框架

如果你想把 AI 模型部署到类似 ESP32 或 STM32 这样的设备上，我总结了一个可复用的流程：

1. 模型选择与量化：优先选 MobileNet、TinyML 这类轻量级架构。用 TensorFlow Lite Micro 或 ONNX Runtime 做量化，把浮点模型转成 int8。量化后的模型大小通常能缩小 4 倍，推理速度提升 2 到 3 倍。
2. 算子兼容性检查：不是所有算子都支持 int8。比如LayerNormalization在 TFLite Micro 里就没有 int8 实现。遇到不支持的算子，要么换模型结构，要么自己写 kernel。
3. 内存规划：嵌入式设备的内存极其有限。ESP32 有 520KB SRAM，但 Wi-Fi 协议栈就要吃掉一半。留给模型的内存可能只有 100KB 到 200KB。你需要用工具（如tflite-micro的memory_planner）来规划张量的内存复用。
4. 推理循环与实时性：如果模型需要实时推理，要确保单次推理时间小于你的控制周期。比如电机控制周期是 1ms，那推理时间必须小于 1ms。这时候可能需要把模型拆成多个小模型，或者用 CORDIC 这样的硬件友好算法来替代部分计算。

提示：在 ESP32 上跑 TFLite Micro 时，记得把ESP32的CONFIG_ESP32_SPIRAM_SUPPORT打开，外挂 PSRAM 可以大幅缓解内存压力。但 PSRAM 的访问速度比内部 SRAM 慢，对推理速度有影响。我的经验是：把权重放在 PSRAM，激活值放在内部 SRAM，这样平衡速度和容量。

5.3 硬核工程的“反 AI”价值

说了这么多 AI 的好话，也得泼点冷水。在硬件领域，AI 目前还替代不了对时序、电气特性和协议细节的理解。我见过有人用 AI 生成红外码，结果因为载波频率写成了 40kHz 而不是 38kHz，空调完全不响应。AI 不知道你的红外接收头中心频率是 38kHz，它只知道“红外遥控常用 38kHz”。这种细节必须靠人去核对 datasheet。

同样，CORDIC 的增益因子 K 是固定的，但如果你在迭代过程中改变了旋转方向序列，K 会变。AI 可能会忽略这个细节，给出一个“看起来对”但实际有系统性误差的实现。所以我的原则是：AI 用来加速探索和生成草稿，最终的正确性必须由硬件测试来保证。逻辑分析仪、示波器、万用表，这些才是硬核工程的最终裁判。

6. 常见问题与排查技巧实录

6.1 IR Blaster 不响应怎么办

这是最高频的问题。排查顺序如下：

我踩过最坑的一次是：ESP32 的 RMT 通道配置成了“发射后不等待”，导致连续发送时前一个码还没发完就开始发下一个，接收端直接丢弃。后来在每次发射后加了rmt_wait_tx_done()才解决。

6.2 CORDIC 精度不够怎么调

CORDIC 的精度取决于迭代次数和输入角度的范围。如果你发现结果误差大，先检查：

• 迭代次数是否足够。N=12 时误差约 0.01 度，N=16 时约 0.001 度。
• 角度是否做了象限映射。超出[-π/2, π/2]的角度必须先映射。
• 增益因子 K 是否补偿。如果初始向量是(1, 0)，结果需要除以 1.64676。
• 定点数的 Q 格式是否合适。Q15 格式下，2^-i在 i>15 时会变成 0，导致迭代失效。所以定点 CORDIC 的迭代次数不能超过 Q 格式的位数。

6.3 AI 辅助硬件开发的边界在哪里

我的经验是：AI 擅长“翻译”和“补全”，不擅长“验证”。你可以让 AI 把一段英文 datasheet 翻译成中文，或者把时序图描述转成代码框架。但你不能让 AI 告诉你“这个电路能不能工作”。电路能不能工作，取决于电压、电流、时序、温度、PCB 布局，这些物理因素 AI 看不到。

所以我的工作流是：AI 生成初稿 → 人工审查关键参数 → 硬件实测 → 根据实测结果让 AI 帮忙分析异常。这个循环里，硬件实测是不可跳过的一环。

7. 从早报里挖出的项目灵感

这份早报的四个关键词，每一个都可以展开成一个完整的 DIY 项目。IR Blaster 可以做成一个 Wi-Fi 红外网关，用手机 App 控制所有家电；Intel 8087 可以做一个复古计算器，用 8086+8087 跑浮点运算；CORDIC 可以做成一个 FPGA 上的三角函数加速器，对比硬件 FPU 的资源占用和速度；AI 部分可以做一个“硬件调试助手”，用本地小模型分析逻辑分析仪的波形数据。

我个人最想尝试的是把 CORDIC 和 AI 结合起来：用 CORDIC 在低功耗 MCU 上实现激活函数，然后跑一个超轻量级的神经网络，做简单的语音唤醒或手势识别。这个方向不需要昂贵的 NPU，只需要一颗带 CORDIC 硬件加速的 MCU（比如某些 RISC-V 核已经集成了 CORDIC 指令）。如果做成了，成本可以压到十块钱以内，而且功耗极低，用纽扣电池就能跑几个月。

最后分享一个小技巧：在 Hackaday 上找项目时，不要只看标题。点进去看评论区，那里往往有比原文更精彩的技术讨论。我很多调试思路都是从评论区里学来的。比如有人提到用红外 LED 反向当接收管用，虽然灵敏度低，但在极低成本场景下可以省掉接收头。这种“歪招”在正式文档里找不到，但在 Hackaday 的评论区里比比皆是。