以DSP架構驅動的CNN引擎，在成本與功耗上皆具優勢。全球DSP核心主要供應商CEVA認為，若要在嵌入式系統中實現CNN，DSP將能取代GPU和CPU，因CNN在本質上，就十分適合運用DSP。此外，CEVA也推出CDNN網路產生器，協助將訓練完成的網路，配置到邊緣運算裝置中，同時為市場提供更形完善的低功耗嵌入式解決方案。
CEVA汽車市場部門總監Jeff VanWashenova表示，DSP能有效地實現卷積神經網路(Convolutional Neural Network, CNN)，是因為DSP的架構能夠實現平行處理，且其為可充分運用的核心。相較GPU只能達到40～50%的使用率，DSP可以達到90%以上的核心使用率。
VanWashenova進一步表示，與典型的混合式CPU/GPU的處理架構方案相比，建基於DSP架構的CNN引擎，能提供高達近三倍的性能。而且，DSP引擎除了所需電源比GPU小30倍之外，所需的記憶體頻寬，也只有約GPU的五分之一。CNN演算法，屬於乘法和加法密集型(Multiply-accumulate, MAC)，因此本質上十分適合運用DSP。也就是說，若要在嵌入式系統中實現CNN，DSP不僅能夠取代GPU和CPU，而且成本和功耗更低。
VanWashenova指出，當神經網路配置到現場進行「推斷」時，CEVA擁有的優勢便可充分發揮，這些優勢不僅展現在處理方面，還在於可採用現有的網路，並可在嵌入式DSP上運行。神經網路的訓練過程是在大型運算平台上完成，並具有32位元浮點精度。然而，訓練完成的網路，對於低功耗嵌入式解決方案來說通常太大，因此可運用CEVA的CDNN網路產生器，將網路轉換成16位元定點。該工具不僅可縮小網路規模，還可最佳化該網路，以便在CEVA XM DSP和CDNN硬體加速器上運行。
這也是目前CEVA客戶經常面臨的問題，就是如何把一些在GPU這樣大型且昂貴的運算器平台上所開發的網路，進行實際配置。因為在大規模部署的產品中，功率、尺寸和效能都有所限制，與大型運算平台並不相同。
對AI而言，要求最嚴苛的領先市場就是汽車產業。為了確保汽車應用的可靠性和性能，必須降低延遲，而且精度是至關重要的。除此之外，汽車正在使用的攝影相機功能，從2百萬像素(MP)到8百萬像素，幀率通常在30fps或更高。且往往是多個攝影相機一起使用，並有多個並行處理同時地進行。
VanWashenova指出，CEVA目前正與許多領先的一級汽車供應商和原始設備製造商合作，以確保透過硬體和軟體兩方面，皆能支援網路和拓樸結構。在硬體方面，CEVA提供視覺和神經網路處理器和加速器(CEVA-XM、CDNN HWA)，而軟體方面則提供神經網路軟體框架(CDNN2)。
