隨著AI從云到邊緣的發(fā)展，使得微型微控制器與強大的人工智能(AI)世界有什么關系?這一觀點正在迅速改變，AI計算引擎使MCU能夠突破嵌入式應用可能的極限，嵌入式設計已經能夠提高網絡攻擊的實時響應能力和設備安全性。

支持AI的MCU

圖1：云計算推動了對具有AI功能的MCU的需求;它減少了數據傳輸所需的帶寬，并節(jié)省了云服務器的處理能力。 (圖片：意法半導體)

配備AI算法的MCU正在應用包含對象識別，啟用語音服務和自然語言處理等功能的應用程序。它們還有助于提高物聯網(IoT)，可穿戴設備和醫(yī)療應用中電池供電設備的準確性和數據隱私性。

那么，MCU如何在邊緣和節(jié)點設計中實現AI功能?下面簡要介紹了三種基本方法，這些方法使MCU能夠在IoT網絡邊緣執(zhí)行AI加速。

三個MCU + AI場合

第一種方法(可能是最常見的方法)涉及各種神經網絡(NN)框架(例如Caffe 2，TensorFlow Lite和Arm NN)的模型轉換，用于在MCU上部署云訓練的模型和推理引擎。有一些軟件工具可以從云中獲取經過預訓練的神經網絡，并通過將其轉換為C代碼來針對MCU進行優(yōu)化。

在MCU上運行的優(yōu)化代碼可以在語音，視覺和異常檢測應用程序中執(zhí)行AI功能。工程師可以將這些工具集下載到MCU配置中，并運行優(yōu)化神經網絡的推論。這些AI工具集還提供了基于神經網絡的AI應用程序的代碼示例。

圖2：AI執(zhí)行模型轉換工具可以在低成本和低功耗MCU上運行優(yōu)化神經網絡的推論。圖片：意法半導體

第二種方法是繞過了對從云借用的預訓練神經網絡模型的需求，設計人員可以將AI庫集成到微控制器中，并將本地AI培訓和分析功能納入其代碼中。

隨后，開發(fā)人員可以基于從邊緣的傳感器，麥克風和其他嵌入式設備獲取的信號來創(chuàng)建數據模型，并運行諸如預測性維護和模式識別之類的應用程序。

第三，AI專用協處理器的可用性使MCU供應商能夠加快機器學習功能的部署。諸如Arm Cortex-M33之類的協處理器利用了諸如CMSIS-DSP之類的流行API來簡化代碼的可移植性，從而使MCU與協處理器緊密耦合，可加快AI功能，如協處理相關和矩陣運算。

上述軟件和硬件平臺演示了如何通過根據嵌入式設計要求開發(fā)的推理引擎在低成本MCU中實現AI功能。這很關鍵，因為支持AI的MCU很有可能在IoT，工業(yè)，智能建筑和醫(yī)療應用中改變嵌入式設備的設計。