盘点MCU 也需要AI的原因详解
扫描二维码
随时随地手机看文章
如今，人们对人工智能(AI" target="_blank">AI)和神经网络的讨论，往往集中在生成式AI应用上。从图像、文本到视频创作，这些前沿技术仿佛成了话语的主旋律。但是，AI的力量远不止于此，它正悄然渗透到更加隐秘的领域，推动着工业和汽车的智能化变革。
随着工业和汽车领域对高性能微控制器(MCU" target="_blank">MCU)的需求日益增加。从实时控制，到故障检测的高精度需求，再到对系统稳定性和安全性的严格要求，已经成为这些行业程需解决关键痛点。
随着工业4.0的推进，传统工业设备正向智能化和自动化方向转型。这要求设备具备更高的算力、更强的实时处理能力以及支持AI算法的能力，以应对工业机器人、电机控制、预测性维护等复杂应用场景。
近年来越来越多的芯片厂商纷纷推出工业“MCU+AI”产品，MCU的算力持续提升，已经能够满足边缘端低算力人工智能的需求，将AI加速器集成在MCU上，实现端侧部署的单芯片解决方案正逐渐成为主流方案。
AI功能实现方式各异
采用Arm Helium™技术Arm Helium™是Arm公司在2019年推出的，为Armv8‑M架构的Arm Cortex-M处理器提供的M-Profile矢量扩展技术，能够显著提升机器学习(ML)和数字信号处理(DSP)应用的性能。目前Arm Cortex-M52、Arm Cortex-M55和Arm Cortex-M85支持Arm Helium技术。 过去一年，瑞萨电子推出的RA8x1 MCU以及RZ/V2H MPU等产品，均集成了专为AI应用设计的硬件加速引擎，能够满足工业市场的需求。
其中RA8x1 MCU属于瑞萨RA8系列，采用Arm Cortex-M55内核，高达480MHz，引入Arm Helium™技术，与基于Arm Cortex-M7处理器的MCU相比，在DSP和ML应用层面实现高达4倍的性能提升。 极海半导体的G32R501系列实时控制MCU，采用Arm Cortex-M52内核，同样引入了Arm Helium™技术，大幅提升DSP和ML的性能，有效降低了MCU内核的实时负载，支持实时处理并减少延迟，从而降低了系统的整体复杂度和软件开发难度。
集成NPU2024年8月，国芯科技推出了CCR4001S系列MCU，基于国芯科技自主RISC-V架构C*Core CPU内核研发，内部配置了AI NPU，支持智能控制算法与自适应变频控制算法。 2024年9月，恩智浦推出的i.MX RT700系列跨界MCU，集成了NXP自研的eIQ® Neutron系列NPU AI/ML加速器。
其内核采用异构架构，包含有两个Arm Cortex-M33，主频分别为325MHz和250MHz，包含两个DSP分别为HiFi-4和HiFi-1，以及包含一个基于开放式指令集架构的EZH-V IO协处理器。 2024年12月，德州仪器业内率先推出具有NPU的TMS320F28P55x系列实时MCU，采用主频150MHz的32位C28x DSP内核，内置单精度浮点单元、三角函数加速器，采用150MHz的可编程控制律加速器。
集成NPU+ Arm Helium技术2024年4月，英飞凌推出的PSOC Edge E8x系列产品，采用Arm Cortex-M55内核，支持Arm Helium™ DSP并搭配Arm Ethos™-U55的神经网络处理器，以及Cortex-M33内核搭配着英飞凌超低功耗NNLite(用于加速神经网络的专有硬件加速器)。
Arm Ethos™-U55是Arm公司推出的首款面向Cortex-M系列的microNPU(微神经处理单元)，专为在面积受限的嵌入式和物联网(IoT)设备中加速机器学习(ML)推理而设计。 2024年12月，意法半导体推出的STM32N6系列产品，采用Arm Cortex-M55内核，频率高达800MHz，是其首款引入Arm Helium™向量处理技术的CPU，也是首款采用自研的嵌入式推理专用Neural-ART Accelerator™ NPU的产品。
其他方式除了集成NPU或Arm Helium™技术之外，MCU也可以通过其他方式实现一定程度的AI功能。如：通过优化软件算法，MCU可以在其处理能力范围内执行简单的AI算法;集成DSP单元，DSP对于执行数字信号处理任务(如FFT、滤波等)非常高效，这些任务在AI算法中也很常见;配备其他类型的协处理器，如FPU(浮点处理单元)或特殊功能协处理器，这些协处理器可以在一定程度上加速AI算法的执行。 此外，MCU还可以通过外部接口连接专门的AI加速器芯片，AI加速器芯片可以处理复杂的AI算法，并将结果返回给MCU进行后续处理。
本土头部MCU厂商兆易创新在“MCU+AI”领域的布局也走在前列。2024年11月，兆易创新推出的GD32G5采用Arm Cortex-M33内核，高达216MHz，内置高级DSP硬件加速器和单精度浮点单元，以及硬件三角函数加速器和滤波算法、快速傅里叶等多类硬件加速单元。2023年推出的高性能GD32H7系列芯片，同样可以为复杂运算、多媒体技术、边缘AI等高级创新应用提供强大的算力支撑，采用600MHz Arm Cortex-M7高性能内核，支持多种硬件加速，新增了大量通用外设资源。
人工智能(AI)是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
但随着AI从云到边缘的发展，使得这一观点正在迅速改变，AI计算引擎使MCU能够突破嵌入式应用可能的极限，嵌入式设计已经能够提高网络攻击的实时响应能力和设备安全性。
支持AI的MCU
云计算推动了对具有AI功能的MCU的需求;它减少了数据传输所需的带宽，并节省了云服务器的处理能力。
配备AI算法的MCU正在应用包含对象识别，启用语音服务和自然语言处理等功能的应用程序。它们还有助于提高物联网(IoT)，可穿戴设备和医疗应用中电池供电设备的准确性和数据隐私性。
那么，MCU如何在边缘和节点设计中实现AI功能?下面简要介绍了三种基本方法，这些方法使MCU能够在IoT网络边缘执行AI加速。
AI生态构建
随着边缘AI技术的发展和应用场景的不断落地，MCU厂商都在持续构建自身的生态。除了社区支持外，目前各大头部MCU厂商都在以“MCU+AI”硬件为基石，持续丰富升级自身的软件工具链，更好的助力客户产品落地。
MCU的一大特点是在有限的功耗预算内提供高效的计算能力。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。如何平衡性能和功耗，一直是MCU集成AI/ML加速器的难点。提高加速器的主频，可以提高算力，但是带来的功耗提升是非常显著的。芯片厂商需要在保证MCU实现AI功能的同时，尽可能地控制对计算和存储资源的需求，从而减少功耗过高带来的影响。
瑞萨电子全球销售与市场副总裁、瑞萨电子中国总裁赖长青：“在MCU中集成AI加速器后，可以从两方面平衡性能和功耗问题。一方面，可通过提升制造工艺来减少功耗。另一方面，针对不需要持续执行AI计算的场景，在非必要运行场景下，可将AI计算单元挂起，仅保留可以维持触发条件的外设，以节省功耗。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。”
提升制造工艺来减少功耗。制造工艺的不断进步，芯片的功耗将进一步降低。例如，采用更先进的制程技术，可以在不增加芯片面积的情况下，提高晶体管的密度和性能，从而在降低功耗的同时，提升计算能力。
低功耗管理。当“MCU+AI”中某协处理器未被使用时，可通过MCU的电源管理单元将其置于休眠状态，在非必要运行场景下，可将其挂起以节省功耗，待满足触发条件时，再启用AI计算单元，重新恢复待机状态，以避免不必要的功耗开销。例如，Nordic的nRF54H系列产品采用了创新的工程设计，能够在执行AI任务时迅速返回超低功耗睡眠模式，从而显著降低能耗。
AI算法的适配与优化。AI加速器通常需要较高的算力，而诸如工业场景下的MCU又要求低功耗、长时间稳定运行，所以AI算法的适配与优化对MCU尤为重要。为了解决嵌入式系统资源有限的问题，一些MCU厂商采用了轻量级AI模型和硬件加速技术，使AI算法能够在MCU上高效运行。例如，TinyML(微型机器学习)技术的出现，使得AI算法能够在资源受限的MCU上高效运行。TinyML通过简化模型结构和优化算法实现，大幅降低了对计算资源和存储空间的需求，从而在保持低功耗的同时，实现了AI功能的集成。
此外，充分考虑内存读写和总线设计也格外重要。在AI/ML算法中，内存读写往往会成为瓶颈，值得一提的是，恩智浦研发的eIQ® Neutron系列NPU，其算力覆盖了从低功耗MCU至高性能应用处理器，并且充分考虑了内存读写效率和总线设计，获取性能和功耗的平衡。
“MCU+AI”产品的解决方案在设计开发、端侧落地部署等环节中均面临数据安全风险，如何确保用户的数据安全和隐私保护是个至关重要的问题。
开发阶段数据隐私保护。在AI项目开发阶段中，客户为了训练AI模型实现特定的功能，需要准备大量的样本数据，应用这些数据样本的方法和AI建模过程可能涉及知识产权，并且获取这些数据样本也付出了巨大的成本，因此，如何保护这些数据资产不被意外流失，是很多客户关注的重点。
在开发阶段，MCU厂商需要重视用户数据的隐私保护。在导入和部署AI模型时，提供的算法和模型应仅限于技术支持，确保用户的数据始终由客户控制，避免任何潜在的数据泄露风险。
当前，MCU在技术层面呈现出三大发展趋势，分别为AI融合、集成度提升、架构创新与制程迭代，这也是各大企业技术竞争的关键焦点。
当前，在智能物联、智能工控、汽车电子等新兴领域的快速发展下，MCU的应用场景不断拓宽，市场需求不断提升。但这些新兴领域对于MCU的性能要求也在提升，包括更低的功耗、成本，更高的实时性、可靠性等。将边缘AI技术融入MCU就成了厂商解决这一难题的秘诀。
兆易创新MCU事业部产品市场总监陈思伟表示：“边缘计算的需求正在推动AI算法与MCU的深度结合。MCU不再局限于传统控制功能，而是逐渐集成AI推理能力，用于图像识别、语音处理、设备预测性维护等场景。”
边缘AI技术可以使MCU兼顾更高性能的数据处理任务，实现实时决策功能。例如，在智能工控领域，需要系统执行太阳能和储能系统中的电弧故障检测，以及用于预测性维护的电机轴承故障检测等功能，边缘AI帮助MCU对设备和传感器收集的数据进行实时分析和处理，提供更准确的决策，使系统实现更高的故障检测准确率。
下载文档
