深入探究MCU要支持AI功能的原因

‌MCU(Microcontroller Unit)‌，中文称微控制器或单片机，是一种集成了处理器核心(CPU)、存储器(ROM/RAM)、输入/输出接口(I/O)及多种外设功能的微型计算机系统，专为嵌入式控制任务设计。 ‌

核心特点

‌高度集成‌

将CPU、内存(如Flash、SRAM)、计数器、通信接口(UART/SPI/I2C)、模数转换器(ADC)等整合在单一芯片上，形成“芯片级计算机”。

相比通用处理器(如x86)，体积更小、功耗更低，适合嵌入式应用。

‌实时性与低功耗‌

能够快速响应外部事件，适用于工业控制、汽车电子等实时性要求高的场景。

低功耗设计使其在电池供电设备(如智能家居传感器)中表现优异。

‌可编程性‌

通过C语言或汇编编程，控制外部电路实现多样化功能(如智能灯光自动开关)。

主要应用领域

‌消费电子‌：家电(洗衣机、空调)、智能穿戴设备。

‌工业自动化‌：PLC、机器手臂控制。

‌汽车电子‌：发动机控制单元(ECU)、车载娱乐系统。

‌物联网(IoT)‌：环境监测传感器、无线通信模块。

由于边缘AI是指在边缘设备上部署和运行AI模型，而不是将数据传输到中央服务器进行处理。这种方式具有低延迟、高响应速度、保护隐私和降低数据传输成本等优势。微控制器(MCU)作为电子设备的主控制芯片，在边缘AI的发展中扮演着重要角色，其应用领域也十分广泛。

MCU在边缘AI中的应用

工业自动化：

边缘AI在工业自动化中的应用主要集中在预测性维护和机器视觉等方面。通过实时监测工业设备和系统的性能，边缘AI可以主动识别潜在的故障，从而减少停机时间并提高生产效率。例如，ST基于STM32硬件平台提供的解决方案，通过NanoEdge Studio模型创建工具，为工业预测性维护提供完整的解决方案。

智能家居：

在智能家居领域，边缘AI可以实现更加智能和个性化的家居体验。通过对智能家居设备和传感器收集的数据进行实时分析和处理，边缘AI可以提供实时的环境监测和自动化控制，提高家居的舒适性和安全性。

智能工厂：

边缘AI在智能工厂中的应用可以帮助企业实现更加智能、高效和可持续的生产。通过在设备本地处理数据，边缘AI可以减少数据传输和响应时间，提高数据安全性，并在网络不可靠或不稳定的情况下保持运行稳定性。

智慧交通：

边缘AI在智慧交通中的应用可以实现更加智能、高效和安全的交通系统。通过对交通信号灯、路况监测、车辆识别等设备和传感器收集的数据进行实时分析和处理，边缘AI可以提供实时的交通监测和智能化的交通控制。

为什么要在MCU集成AI?

首先，让我们来了解下，为何MCU大厂要在MCU产品中布局AI，在MCU上跑AI或者将MCU与NPU等集成在一起的好处有哪些?大致可归纳为如下几个方面：

低功耗和高效性能：MCU通常具有较低的功耗和较高的能效特性，适合应用于低功耗场景。将AI算法和处理能力与MCU集成在一起，可以在低功耗的情况下实现高效的AI计算。这对于一些需要长时间运行、依赖于电池供电或功耗敏感的应用非常重要。

实时性和即时响应：将AI能力集成到MCU上，使得AI算法可以实时地在设备本地进行处理和响应，而无需依赖于云端或其他远程服务器。这提高了系统的实时性和即时响应能力，使得设备能够更快速地做出决策和反应，适用于许多实时应用场景，如嵌入式控制、边缘计算等。

隐私和数据安全：将AI算法和数据处理能力放在设备本地，可以减少对云端的依赖，从而增强隐私和数据安全性。敏感数据可以在本地设备上进行处理，减少了数据传输的风险和隐私泄露的可能性。这对于一些对隐私和数据安全要求较高的应用，如智能家居、医疗设备等非常重要。

灵活性和定制化：将MCU与NPU等AI处理单元集成在一起，可以为设备提供更大的灵活性和定制化能力。根据特定的应用需求，可以选择不同的MCU和AI处理单元的组合，以实现最佳的性能和能效平衡。这种灵活性和定制化能力可以适应各种应用场景和需求的变化。

减少系统复杂性和成本：相对于将AI处理能力集中在独立的处理器或芯片中，将其集成在MCU中可以减少组件数量和系统复杂性，从而降低了系统设计和制造的成本。

总之，有AI功能的MCU可以为物联网设备提供更高级的控制和计算能力，使其能够进行复杂的推理和决策。因此，现在为边缘设备创建机器学习模型正成为一种大的趋势，这些模型称为微型机器学习或TinyML，它主要适用于内存和处理能力有限的设备，以及互联网连接不存在或有限的设备。TinyML使在MCU上运行深度学习模型成为可能。TinyML在MCU上的应用越来越普遍。

但是，想让深度学习模型在MCU上跑起来，不是易事。MCU上跑AI，最关键的是如何将训练好的深度学习的模型，转换并部署到MCU上，这需要一整套工具和方法，这对于传统的MCU厂商而言还是有一定门槛的。因此，要在MCU上部署AI，必须在软件和硬件两方面同时着力。那么MCU巨头们都是如何做的呢?

MCU厂商自行设计机器学习软件

AI应用通常需要硬件和软件的紧密配合。但从MCU本身的属性来看，它的资源非常有限，因此需要特定的软件库和工具来支持AI任务。然而，与传统的计算机平台相比，MCU上的AI软件库和工具的选择和可用性相对较少。开发人员可能需要自行优化和适配现有的库，或者开发专门针对MCU的AI软件。在几大MCU巨头厂商里，恩智浦和ST均已经自行设计了机器学习相关的软件。

边缘AI浪潮来袭 拓展MCU市场空间

物联网(IoT)设备、工控、智能家居和智能穿戴等领域的需求，正在带动MCU市场的增长。从长期来看，在保证低功耗、强实时性的前提下，让MCU具备更强的边缘侧计算和智能决策能力成为了下游市场的期许。

在这个过程中，边缘AI成为智能设备发展的重点。边缘AI是在物理世界的设备中部署AI应用程序。之所以称其为“边缘AI”，是因为这种AI计算在靠近数据的位置完成。对比云端运算，边缘AI具备强实时性，数据处理不会因为长途通信而产生延迟，而是能更快响应终端用户的需求，同时也可保证数据的隐私和安全。对比传统边缘计算只能响应预先完成的程序输入这一特性，边缘AI又具备更强的灵活性，从而允许更多样的信号输入(包括文本、语音及多种声光信号等)和针对特定类型任务的智能解决方案。

边缘AI的以上特性，与MCU有着较强的契合度。一方面，MCU具备低功耗、低成本、实时性、开发周期短等特性，适合对成本和功耗敏感的边缘智能设备。另一方面，人工智能算法的融入也能补强MCU，使其兼顾更高性能的数据处理任务。因此，“MCU+边缘AI”正在图像监控、语音识别、健康状况监测等越来越多的领域得到应用。此外，在IoT的基础之上，MCU和边缘AI的结合也将推动AIoT(人工智能物联网)的发展，使各种设备能够更加智能地互联互通。数据机构Mordor Intelligence预测，边缘人工智能硬件市场在2024至2029年间将以19.85%的年复合增长率增长，2029年将达到75.2亿美元。

“未来的MCU将面向专业化、智能化方向发展。”北京奕斯伟计算技术股份有限公司首席市场官刘帅告诉《中国电子报》记者，“其中智能化体现在两方面，一是强化对AI算法和机器学习模型的支持，使得MCU拥有一定智能决策能力;二是性能提升，高端产品将采用多核设计以提升处理能力，满足高性能的需求。”

集成AI加速器 强化MCU性能

边缘AI为MCU带来了诸多市场机遇，而想要满足智能设备在边缘侧进行人工智能的运算需求，强化MCU的AI性能是重中之重。

“面向边缘AI和端侧AI需求，MCU需要做出以下调整以增强AI计算能力。”兆易创新MCU事业部产品市场总监陈思伟表示，“一是集成AI加速器，如神经网络加速器或者专用的向量处理器，以加速AI推断和训练任务;二是优化能效比，在保持性能的同时降低功耗，延长设备续航时间;三是增强安全性，包括数据加密、安全引导和安全存储，以保护用户数据不受攻击;四是支持多模态感知;五是优化系统集成，提供更多的硬件接口和软件支持，使得开发人员能够更轻松地将AI功能集成到边缘设备中。”

在AI加速器方面，数字信号处理器(DSP)和神经网络处理器(NPU)都成为在MCU中集成的重要加速组件，让MCU能够在边缘运行AI算法。具体而言，DSP更适合信号处理任务，包括音频、视频、通信等，而NPU则更聚焦于高效处理大量的矩阵运算和并行计算任务。

为此，各大厂商积极布局。意法半导体于2023年推出STM32N6，采用Arm Cortex-M55内核，集成ISP和NPU以提供机器视觉处理能力和AI算法部署。恩智浦推出MCX N系列MCU，具有双核Arm Cortex-M33，并集成了eIQ Neutron NPU，据了解，该NPU可将机器学习推理性能提升约40倍。

作为大多数MCU内核的供应方，Arm也在边缘侧NPU上发力。4月，Arm推出Ethos-U85 NPU，作为一款AI微加速器，其支持Transformer架构和CNN(卷积神经网络)，配合Armv9 Cortex-A CPU可提供4TOPS的端侧算力，助力AI推理。

AI时代，除了传感器的用量和类别会不断增多，智能家电对传感器的需求也会有变化。这些变化将是传感器企业拓展家电应用市场必须牢牢抓住的机遇。炜盛科技副总经理孙江涛认为，智能家电对传感器的需求主要有3个方面的变化。

第一，环境感知从被动响应变为主动预判。一方面，高精度环境感知(如更高清的摄像头、多传感器融合)的需求会变得旺盛。基于3D视觉传感器(如ToF、结构光)和SLAM技术，消费电子产品可实现毫米级环境建模。例如，扫地机器人通过多传感器融合(激光雷达+视觉摄像头)构建动态地图，实时避障效率提升90%以上。未来，智能家居可能通过墙面投影交互界面感知用户手势，实现“无屏化”操作。另一方面，用户行为与习惯发生变化。汽车智能感知系统已实现摄像头、毫米波雷达、激光雷达的协同，未来消费级产品将扩展至温湿度、气体成分(如甲醛检测)、电磁场等感知维度。例如，智能空调可结合人体热成像与空气质量数据，动态调节送风模式。

第二，用户行为感知从数据采集变为意图预测，非接触式交互感知技术将大行其道。例如，微波雷达技术(如60GHz频段)可穿透衣物感知人体微动，应用于智能床垫监测呼吸频率，或浴室镜通过手势控制调节水温。此类技术已在老年人跌倒检测系统中通过测试，未来将向消费级产品渗透。

第三，生理状态感知从单点监测变为全维度健康管理，包括生物信号无感采集和情绪与认知状态识别。其中，在生物信号无感采集方面，柔性电子皮肤和光纤传感器可嵌入服饰，连续监测肌电、汗液成分、表皮温度等指标。例如，智能运动衣通过压电纤维捕捉肌肉发力模式，为训练提供实时反馈。在情绪与认知状态识别方面，多模态生理信号(心率变异性+瞳孔变化+语音语调)结合AI模型，可判断用户情绪压力。车载DMS(驾驶员监控系统)已实现疲劳检测，未来或扩展至智能办公设备，动态调节照明与提醒频率。