AI应用正从云端逐渐向边缘和终端设备扩展。 微控制器（MCU）作为嵌入式系统的核心，正在经历一场由AI驱动的技术变革。 传统的MCU主要用于控制和管理硬件设备，但在AI时代，MCU不仅需要满足传统应用的需求，还需具备处理AI任务的能力。
本文引用地址：
满足边缘与终端设备的需求
边缘计算（Edge Computing）是指将数据处理和计算任务从云端转移到靠近数据源的设备上进行。 这种方式能够减少数据传输的延迟，提升系统的实时性和隐私保护。 边缘设备通常资源有限，因此需要高效且低功耗的AI处理器来支持复杂的AI任务。
为了满足边缘与终端设备的需求，AI处理器需要具备以下特点：
● 低功耗：边缘设备通常依赖电池供电，因此AI处理器必须在低功耗下运行。
● 高效能：AI任务如图像识别、语音处理等需要高效的计算能力。
● 小型化：边缘设备的空间有限，AI处理器需要高度集成且体积小巧。
● 实时性：许多边缘应用（如自动驾驶、工业控制）要求实时响应，AI处理器必须能够快速处理数据。
传统MCU主要用于控制任务，而AI处理器则专注于数据处理和模型推理。 为了满足边缘设备的需求，现代MCU开始集成专用的AI加速器（如NPU，神经网络处理单元），以实现高效的AI运算。
Arm 物联网事业部亚太区资深经理黄晏祥指出，边缘运算跟云端运算主要的差异应该是应用的最佳化vs.产品的泛用性，边缘运算为了更接近使用场景，通常会有功耗与布建成本的局限性，因此效能与功耗的产品平衡与多重的选择是最重要的。
例举Arm的 AI 处理器专注于实现高效能与低功耗的平衡，尤其是对边缘与终端设备的特殊需求进行优化。 透过Arm Cortex系列处理器和Arm Ethos系列类神经处理器，提供多样化的解决方案，满足不同应用场景所需效能。 同时，也专注于提供灵活的软硬件架构，以支持 AI 模型得以高效率的执行，并加速产品上市进程。
针对快速崛起的 AI 市场，Arm 积极布局 AI 处理器技术，以满足边缘和终端设备的需求。 Arm 提供 Cortex-A、Cortex-M、Cortex-R 与Ethos NPU系列等处理器，这些处理器都可具备 AI 处理能力，可根据不同的应用场景和需求选择。 例如，Cortex-A系列适用于高性能计算，Cortex-M系列则针对低功耗和嵌入式应用进行了优化。 在选择处理器时，需要考量效能、功耗和成本等因素，才能做出最佳决策。
专为人工智能物联网（AIoT）应用设计的Arm Cortex-M52，是因应更高的数码信号处理和机器学习性能需求设计，无需负担专门配置数字信号处理与机器学习加速器的成本。 Cortex-M52 能在低于目前市场的价位优势之上，充分发挥机器学习在嵌入式运算解决方案的潜能。
Arm Cortex-M85则为最高效能的Cortex-M处理器，采用Arm Helium技术，提供Cortex-M系列处理器最高的纯量、数字信号处理及机器学习效能。 并为需要特高效能和更高安全性的 Cortex-M 架构的应用提供自然升级路径。
Cortex-M55 和 Cortex-M85 处理器支持 Helium 的处理器。 该项技术是 Arm Cortex-M 处理器系列的 M 系列向量扩充方案 （MVE）。
Arm 也积极与开发人员社区合作，提供开发工具、软件库和开放源代码资源，帮助开发人员快速开发和部署 AI 应用。 Arm Kleidi 库，提供具有弹性的各种核心组合，协助在框架上强化人工智能。 Kleidi 技术已整合到主要的AI框架如 PyTorch 和 ExecuTorch，促使新一代的应用在 Arm CPU 上运行大型语言模型（LLM）。 Kleidi 将继续与 PyTorch 和 ExecuTorch 的各版本以及其他主要 AI 框架进行整合。 从云端数据中心到边缘端装置，开发人员现在可以即刻在各类设备上基于 Arm 平台高效率的运行高效能 AI 工作负载。
在传统应用与AI之间取得平衡
MCU在传统应用中主要负责控制和管理硬件设备，例如家电、工业自动化、汽车电子等。 这些应用对MCU的要求包括：
● 稳定性：系统必须稳定可靠，能够长时间运行。
● 实时性：需要快速响应外部事件。
● 低功耗：许多应用场景依赖电池供电，功耗必须尽可能低。
随着AI技术的普及，MCU需要支持更多的AI功能，例如语音识别、图像处理、预测性维护等。 这些功能对MCU的计算能力和存储空间提出了更高的要求。 然而，MCU的资源有限，如何在传统应用与AI功能之间取得平衡成为一个关键问题。
为了在传统应用与AI功能之间取得平衡，MCU的设计可以采取以下策略：
● 模块化设计：将AI功能作为可选模块，用户可以根据需求选择是否启用。
● 资源分配优化：通过动态资源分配，确保传统控制任务和AI任务都能获得足够的资源。
● 多核架构：采用多核设计，将传统控制任务和AI任务分配到不同的核心上运行，避免资源竞争。
● 软硬件协同设计：通过优化硬件架构和软件算法，提升MCU的整体性能。
为了提升AI模型的运行效率，许多MCU开始整合专用的AI加速器。 这些加速器针对神经网络计算进行了优化，能够大幅提升模型的推理速度。 例如，Arm的Cortex-M系列MCU已经支持AI加速功能，能够高效运行机器学习模型。
Arm主任应用工程师林宜均指出，Arm 的 MCU 产品策略中结合了对传统应用的深厚技术基础，与对新兴AI 技术发展的积极投入。 产品不仅支持传统的低功耗嵌入式应用，还加入了对 AI 推论的支持，尤其是在语音识别、影像处理和传感器数据分析等场景。
新一代Armv8-M架构为Cortex-M处理器带来更强大的安全性和效能，可更加满足未来MCU应用的需求，包括AI功能的导入。 Arm Helium 技术是Arm Cortex-M处理器系列的M系列向量扩充方案（MVE）。 Helium 为 Armv8.1-M 架构的延伸，可协助机器学习 （ML） 与数字讯号处理 （DSP） 应用大幅提升效能
在MCU产品中导入AI功能的同时，必须兼顾传统应用的需求，例如低功耗和实时性。 例如Arm 的 Cortex-M 系列处理器，它在提供 AI 处理能力的同时，也保持了低功耗的特性，适合应用于各种嵌入式装置。
软件可以释放硬件的效能与潜力。 Arm 除了提供硬件平台之外，也提供软件库和开发工具，协助开发人员进行软件优化。
为了满足客户于互联网市场复杂且多样化的设计，和署具有智能又安全的物联网装置，Arm提供物联网参考设计平台Arm Corstone系列，借此协助降低设计复杂度，并加快上市时程。 Corstone 提供大量软件、IP 区块，以及可配置和可修改的异质化子系统，以达到兼具效能与能源效率的目标。 SoC 设计人员可使用Arm Corstone 作为框架，以可修改及可配置的异质化子系统构建SOC。 软件开发人员可使用 Corstone 软件组件和工具，在硬件准备就绪之前就能开始开发软件，大幅减少开发时的等待时间。
未来发展趋势
未来，MCU将整合更高效的AI加速器，以支持更复杂的AI任务。 基于RISC-V架构的AI加速器正在成为一个热门研究方向。 随着AI技术的普及，MCU将在更多领域得到应用，例如智能家居、智慧城市、医疗设备等。 而AI开发生态也将更完善，开发工具和框架将更加成熟，帮助开发者更高效地实现AI功能。
MCU的计算能力和存储空间有限，直接运行大型AI模型是不现实的。 因此，模型压缩和量化成为优化AI模型在MCU上运行效率的关键技术。
为了降低开发难度，许多厂商提供了专门的开发工具和生态系统。 例如TensorFlow Lite for MCUs是专为MCU设计的机器学习框架，能够帮助开发者快速部署AI模型。 许多厂商还提供了丰富的示例代码和开发文档，进一步降低了开发门槛。
结论
微控制器在AI时代面临着新的挑战和机遇。 透过整合AI处理器、优化资源分配、压缩和量化AI模型，MCU能够在传统应用与AI功能之间取得平衡，并在边缘与终端设备中发挥重要作用。 未来，随着技术的不断进步，MCU将在更多领域实现智能化，为AI的普及和应用提供强大的支持。
0 条