当AI融入MCU……

近日，Arm发布了专为AI应用设计的Cortex-M52处理器，其目标是取代现有的M33或M3/M4处理器,在MCU芯片中融入更强大的AI技术。

英飞凌、瑞萨等国际大厂，也在近期推出了融入AI能力的MCU产品，掀起了MCU新一轮的升级换代。

多家龙头探索MCU+AI新模式

英飞凌于近期公布了PSoC Edge系列MCU，配备了专门为机器学习设计的硬件加速器，可以加速神经网络运算，实现AI功能；恩智浦推出了融入AI功能的MCU产品组合——MCX，该组合嵌入了NPU（神经网络处理器），专门用于加速边缘通用的AI运算；意法半导体（ST）于5月推出了其最新的64位微控制器STM32MP2，其中融入了一个神经处理单元（NPU），专门针对边缘AI推理，可提供高能效的AI运算；瑞萨电子近日发布的新型RA8系列MCU，引入了Arm Helium技术，即Arm的M型向量扩展单元，使其具备了更强大的AI功能。

Arm的一位市场人员告诉《中国电子报》记者，AI+MCU模式正在向小型化轻量化设备渗透，未来蓝牙耳机、智能手表等产品，也能拥抱AI。

小华半导体副总经理曾光明向《中国电子报》记者表示，如果只是依靠MCU的有限算力去运行AI算法，其处理数据效率低、能耗高，并且很多应用场景达不到预期。而AI加速器可以降低MCU的CPU运算负担，并且能有针对性地完成算法模型计算，将复杂的AI推理过程简单化，从而显著降低功耗。拥有AI加速单元的MCU，更容易实现图像识别、语音识别、工业维护预测等功能，而这原本需要使用MPU或者SoC来实现。对比之下，MCU的方案能简化设计，并且更节能环保。

75%的数据将在边缘侧处理

随着物联网、智能家居、工业自动化等领域的快速发展，边缘端AI芯片的市场需求也在日益增长。边缘端AI芯片需要具备低功耗、高性能、安全可靠等能力，同时要易于集成和部署。将AI集成在MCU上，可以更好地满足这些需求。

在边缘端使用搭载AI功能的MCU芯片，能够有效减少成本。在边缘端使用FPGA或GPU成本较高，并且无法使用电池供电。随着MCU的算力持续提升，高频MCU的主频已达到GHz级别，已经能够满足边缘端低算力人工智能的需求。因此，将AI集成在MCU上，实现端侧部署的单芯片解决方案正逐渐成为趋势。

在端侧MCU中增加AI功能，能够有效分担CPU的压力。物联网连接的万物都在产生数据，这给CPU带来了巨大的计算压力。在边缘端MCU中添加AI加速器，可以通过专用算力来进行机器学习的运算，从而有效分担CPU的工作负载。

此外，搭载AI功能的MCU也是能够为边缘端的机器学习节省能耗。恩智浦相关专家向《中国电子报》记者介绍，在边缘设备上运行机器学习模型往往会消耗大量能耗，因此，边缘机器学习处理器供应商需要具备广泛的产品组合和强大的能源管理工具套件来支持该系统。因此，在边缘端采用具备低能耗特征的MCU以及MCU+其他芯片的组合来进行机器学习，能够有效减少能耗损失，提升能效。

采用MCU以及MCU+其他芯片的组合来实现高能效的能源管理方法（资料来源：恩智浦）

未来，随着更多AI+MCU产品出现，AI技术将进一步向边缘端深入，实现更加高效、智能和自主的物联网应用。Gartner预测，未来2—5年内，具备人工智能功能的嵌入式产品有望成为市场主导。到2025年，75%的数据将在边缘侧进行处理。ABI Research预测，2021年至2026年，具有边缘机器学习功能的设备出货量将以24.5%的平均复合增长率(CAGR)增长。可见，未来端侧AI MCU市场潜力巨大。

2021—2026全球主要市场领域中具备边缘机器学习能力的设备总出货量

数据来源：ABI Research

技术平衡与数据安全成为挑战

然而，在MCU中引入AI功能也具有一定的挑战性，需要芯片厂商在技术上做出平衡和优化，同时需要充分考虑用户需求和数据安全。

据了解，MCU的一大特点是在有限的电源预算内提供高效的计算能力。因此，MCU的计算资源和存储空间比较有限，这使得在MCU上实现高算力的AI功能具有一定挑战性。芯片厂商需要在保证MCU实现AI功能的同时，尽可能地减少对计算和存储资源的需求，从而减少功耗过高带来的影响。

至顶科技分析师李祥敬向《中国电子报》记者表示：“在MCU中加入AI功能可以提升其性能和智能化水平，但同时也可能增加芯片的复杂性和成本，甚至出现功耗问题。芯片厂商需要在设计过程中进行权衡，确保在满足用户需求的同时，使MCU的复杂性和成本在可接受的范围内，并平衡功耗带来的影响。此外，MCU厂商还需要考虑AI功能在实际场景中的适用性，真正带给用户价值。”

对此，MCU行业资深产品经理王斌认为，在MCU中加入AI加速器后，可以从两方面实现在低功耗的情况下拥有高效的AI计算能力。首先，可通过提升制造工艺来减少功耗，如今MCU的制程已逐渐集中到40nm，而MCU+AI的芯片则逐渐进入了28nm和22nm。其次，针对不需要持续执行AI的场景，可以在芯片中关闭AI计算单元，仅保留可以维持触发条件的外设。一旦触发条件满足，AI计算单元将立即打开，快速完成AI相关的计算，然后重新恢复到待机状态。对于需要持续运行AI的边缘设备，则保持正常供电，通过优化算法或改进硬件效率来实现功耗降低。

还需要考虑数据的安全性问题。李祥敬表示，在MCU中引入AI功能后，本地数据的留存和处理成为了一个重要问题。这些数据可能涉及到用户的隐私或设备的核心信息，因此需要采取有效的加密和保护措施。此外，如果MCU接入其他设备或网络，还需要考虑如何防止核心数据被非法读取、收集或利用。这也需要MCU芯片供应商对AI功能进行充分的验证和测试，以确保MCU的可靠和安全。