人工智能 (AI) 和機(jī)器學(xué)習(xí) (ML) 是使系統(tǒng)能夠從數(shù)據(jù)中學(xué)習(xí)、進(jìn)行推理并隨著時(shí)間的推移提高其性能的關(guān)鍵技術(shù)。這些技術(shù)通常用于大型數(shù)據(jù)中心和強(qiáng)大的 GPU，但越來(lái)越多地需要將它們部署在資源有限的設(shè)備上，例如微控制器 (MCU)。

 

AI 創(chuàng)建了可以執(zhí)行類似人類任務(wù)的計(jì)算機(jī)系統(tǒng)，例如理解語(yǔ)言、尋找模式和決策。機(jī)器學(xué)習(xí)是 AI 的一個(gè)子集，涉及使用算法讓計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)并隨著時(shí)間的推移變得更好。 ML 模型可以找到模式、對(duì)對(duì)象進(jìn)行分類，并根據(jù)示例預(yù)測(cè)結(jié)果。 MCU 在使 AI 和 ML 在邊緣設(shè)備上成為可能方面發(fā)揮著重要作用。

 

 

基于 MCU 的邊緣 AI/ML 的一些用例包括：

關(guān)鍵詞識(shí)別：無(wú)需云連接即可識(shí)別特定單詞或短語(yǔ)（例如語(yǔ)音命令）

 

傳感器融合：結(jié)合來(lái)自多個(gè)傳感器的數(shù)據(jù)，做出比單一傳感器解決方案更明智的決策

 

異常檢測(cè)：檢測(cè)傳感器數(shù)據(jù)中的異常值或異常模式，這些異常值或異常模式可能表明存在故障、錯(cuò)誤或威脅，以進(jìn)行預(yù)測(cè)性維護(hù)或質(zhì)量控制 物體檢測(cè)：在攝像頭或其他傳感器捕獲的圖像或視頻中識(shí)別和定位感興趣的物體（例如面部、行人、車輛）。

 

手勢(shì)識(shí)別：解釋攝像頭或其他傳感器捕捉到的圖像或視頻中的人類手勢(shì)（例如手部動(dòng)作、面部表情、身體姿勢(shì)），以改善人機(jī)交互 MCU 上的 AI/ML 挑戰(zhàn) 深度學(xué)習(xí)模型，尤其是深度神經(jīng)網(wǎng)絡(luò) (DNN)，已成為計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等復(fù)雜任務(wù)不可或缺的一部分。

 

然而，它們的計(jì)算需求巨大。這種資源密集型模型對(duì)于日常設(shè)備來(lái)說(shuō)是不切實(shí)際的，尤其是那些由邊緣設(shè)備中的低能耗 MCU 驅(qū)動(dòng)的設(shè)備。深度學(xué)習(xí)模型復(fù)雜性的增長(zhǎng)是不可否認(rèn)的。隨著 DNN 變得越來(lái)越復(fù)雜，它們的大小也越來(lái)越大，使它們與 MCU 上有限的計(jì)算資源不兼容。

 

AI算法消耗大量運(yùn)算資源，過(guò)去使用微控制器（MCU）在嵌入式系統(tǒng)中進(jìn)行AI運(yùn)算被視為不可能，如今隨著科技的進(jìn)步，已不再如此，MCU上AI應(yīng)用的發(fā)展現(xiàn)狀及解決方案，了解最新技術(shù)發(fā)展趨勢(shì)。

 

使用MCU進(jìn)行AI運(yùn)算是大勢(shì)所趨 說(shuō)到AI，其相關(guān)技術(shù)還包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等，這些技術(shù)需要大量運(yùn)算資源，通常與CPU、GPU、FPGA等強(qiáng)大的處理技術(shù)相關(guān)。然而隨著AI技術(shù)向云端到邊緣計(jì)算的發(fā)展，AI計(jì)算引擎將讓MCU將嵌入式應(yīng)用推向更廣闊的世界，至少能讓嵌入式設(shè)計(jì)提高對(duì)網(wǎng)絡(luò)攻擊的實(shí)時(shí)響應(yīng)能力，提高設(shè)備的安全性。

 

目前市面上很多電子產(chǎn)品都是由MCU設(shè)計(jì)的，MCU已經(jīng)廣泛融入人們的生活。如今，隨著AI的快速發(fā)展，越來(lái)越多的智能產(chǎn)品具備AI功能，如物聯(lián)網(wǎng)設(shè)備、智能家電、智能音箱等，這促使更多企業(yè)開(kāi)始重視利用MCU在嵌入式設(shè)備上應(yīng)用AI特性，更加重視MCU與AI結(jié)合的發(fā)展。

 

MCU應(yīng)用AI具有相當(dāng)?shù)膬?yōu)勢(shì)，可以降低產(chǎn)品的功耗和成本，加快產(chǎn)品的發(fā)布速度，無(wú)需通過(guò)云計(jì)算，直接在前端處理，從而提高AI計(jì)算的效率。但由于MCU的算力較弱，計(jì)算頻率較低，與CPU的算力相比差距明顯。 此外，MCU缺乏建模和訓(xùn)練工具，在MCU上實(shí)現(xiàn)AI計(jì)算通常需要PC端工具，而且建立后的模型通常較大，不適合MCU使用，在綜合流程和開(kāi)發(fā)工具的應(yīng)用上仍存在一定困難。

 

在MCU上運(yùn)行的優(yōu)化代碼可以在語(yǔ)音、視覺(jué)和異常檢測(cè)應(yīng)用中執(zhí)行AI功能。工程師可以將這些工具下載到MCU配置中并運(yùn)行優(yōu)化神經(jīng)網(wǎng)絡(luò)的推理。這些AI工具集還提供基于神經(jīng)網(wǎng)絡(luò)AI應(yīng)用程序的代碼示例。 第二種方法繞過(guò)了從云端借用的預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的需求。設(shè)計(jì)人員可以將AI庫(kù)集成到MCU中，并將本地AI訓(xùn)練和分析功能納入其代碼中。

 

隨后，開(kāi)發(fā)人員可以根據(jù)從邊緣傳感器、麥克風(fēng)和其他嵌入式設(shè)備獲得的信號(hào)創(chuàng)建數(shù)據(jù)模型，并運(yùn)行預(yù)測(cè)性維護(hù)和模式識(shí)別等應(yīng)用程序。 方法是提供AI專用的協(xié)處理器，使MCU供應(yīng)商能夠加快機(jī)器學(xué)習(xí)功能的部署。Arm Cortex-M33等協(xié)處理器可以使用CMSIS-DSP等流行的API來(lái)簡(jiǎn)化代碼可移植性，從而使MCU和協(xié)處理器緊密耦合，以加速AI功能（例如相關(guān)和矩陣運(yùn)算）。

 

一、應(yīng)廣單片機(jī)的性能特點(diǎn)

硬件設(shè)計(jì)優(yōu)勢(shì)

高集成度與低功耗：應(yīng)廣單片機(jī)將中央處理器、存儲(chǔ)器、I/O接口等集成于單一芯片，具備體積小、功耗低的特點(diǎn)，適用于消費(fèi)電子、智能家居等領(lǐng)域713。

抗干擾能力：晶片設(shè)計(jì)通過(guò)ESD（靜電防護(hù)）及高抗干擾測(cè)試，適用于工業(yè)控制、醫(yī)療設(shè)備等對(duì)穩(wěn)定性要求較高的場(chǎng)景7。

兼容性與靈活性：支持多種IC品牌（如PIC、AVR）的腳位兼容，支持C語(yǔ)言和匯編混編開(kāi)發(fā)，降低客戶改板成本13。

典型型號(hào)性能示例

PMS150C：1KW OTP程序存儲(chǔ)器、64Bytes數(shù)據(jù)存儲(chǔ)器、16位/8位定時(shí)器、通用比較器，適用于簡(jiǎn)單控制任務(wù)（如LED燈控、小家電控制），但存儲(chǔ)容量和計(jì)算能力有限，不適合復(fù)雜算法。

應(yīng)用領(lǐng)域
主要覆蓋智能家居（如電吹風(fēng)、加濕器）、醫(yī)療設(shè)備（生命體征監(jiān)測(cè)）、工業(yè)控制等，體現(xiàn)其在低復(fù)雜度場(chǎng)景下的高性價(jià)比。

二、應(yīng)廣單片機(jī)在AI應(yīng)用中的潛力與挑戰(zhàn)潛力

邊緣計(jì)算的適配性

應(yīng)廣單片機(jī)適合邊緣設(shè)備的輕量級(jí)AI任務(wù)，例如傳感器數(shù)據(jù)預(yù)處理、簡(jiǎn)單邏輯判斷（如溫度閾值監(jiān)測(cè)），減少云端依賴并提升實(shí)時(shí)性。

通過(guò)模型壓縮技術(shù)（如剪枝、量化），可將微型AI模型（如二分類問(wèn)題）部署至單片機(jī)，例如判斷輸入數(shù)值是否小于某閾值。

低功耗場(chǎng)景的競(jìng)爭(zhēng)力

在智能家居、可穿戴設(shè)備等對(duì)功耗敏感的場(chǎng)景中，應(yīng)廣的低功耗特性可支持長(zhǎng)期運(yùn)行的AI功能（如語(yǔ)音喚醒、環(huán)境監(jiān)測(cè)）。

國(guó)產(chǎn)替代機(jī)遇

隨著AI芯片國(guó)產(chǎn)化趨勢(shì)加速，應(yīng)廣可通過(guò)整合硬件加速模塊（如專用AI協(xié)處理器）提升競(jìng)爭(zhēng)力，契合政策支持的自主可控需求。

挑戰(zhàn)

計(jì)算與存儲(chǔ)瓶頸

現(xiàn)有型號(hào)的存儲(chǔ)容量（如64Bytes RAM）和計(jì)算能力難以支持復(fù)雜神經(jīng)網(wǎng)絡(luò)，需依賴外置加速器或云端協(xié)同計(jì)算。

實(shí)時(shí)性要求高的任務(wù)（如視覺(jué)識(shí)別）受限于單片機(jī)的處理速度。

算法優(yōu)化需求

需采用輕量化框架（如TensorFlow Lite for Microcontrollers）和定制化模型，壓縮后的模型仍需適配單片機(jī)資源限制612。

安全性問(wèn)題

在醫(yī)療、工業(yè)等關(guān)鍵領(lǐng)域，需強(qiáng)化數(shù)據(jù)加密和模型防篡改機(jī)制，確保AI系統(tǒng)的可靠性。

應(yīng)廣單片機(jī)憑借低功耗、高性價(jià)比和抗干擾能力，在簡(jiǎn)單AI邊緣計(jì)算場(chǎng)景中具備獨(dú)特優(yōu)勢(shì)，但需通過(guò)硬件迭代和算法優(yōu)化突破性能瓶頸。隨著AI向邊緣端滲透及國(guó)產(chǎn)替代政策的推動(dòng)，應(yīng)廣科技單片機(jī)有望在智能家居、工業(yè)物聯(lián)網(wǎng)等領(lǐng)域占據(jù)細(xì)分市場(chǎng)，但需在技術(shù)升級(jí)與生態(tài)建設(shè)上持續(xù)投入以應(yīng)對(duì)國(guó)際競(jìng)爭(zhēng)。