在人工智能和機器學習的推動下，邊緣計算的需求正在逐漸增加。相關機構預測，全球被創(chuàng)建、采集和復制的數據將急劇擴張，至2025年達到175ZB（澤字節(jié)）。為減輕數據在云端處理的負荷，越來越多的數據也將被置入邊緣側進行運算。作為電子設備的主控制芯片，MCU對于邊緣計算設備的數據處理和決策能力提升有著重要作用，將在邊緣AI的浪潮中迎來新的發(fā)展機遇，同時也面臨著更多的挑戰(zhàn)。

邊緣AI浪潮來襲 拓展MCU市場空間

物聯(lián)網（IoT）設備、工控、智能家居和智能穿戴等領域的需求，正在帶動MCU市場的增長。從長期來看，在保證低功耗、強實時性的前提下，讓MCU具備更強的邊緣側計算和智能決策能力成為了下游市場的期許。 

在這個過程中，邊緣AI成為智能設備發(fā)展的重點。邊緣AI是在物理世界的設備中部署AI應用程序。之所以稱其為“邊緣AI”，是因為這種AI計算在靠近數據的位置完成。對比云端運算，邊緣AI具備強實時性，數據處理不會因為長途通信而產生延遲，而是能更快響應終端用戶的需求，同時也可保證數據的隱私和安全。對比傳統(tǒng)邊緣計算只能響應預先完成的程序輸入這一特性，邊緣AI又具備更強的靈活性，從而允許更多樣的信號輸入（包括文本、語音及多種聲光信號等）和針對特定類型任務的智能解決方案。

邊緣AI的以上特性，與MCU有著較強的契合度。一方面，MCU具備低功耗、低成本、實時性、開發(fā)周期短等特性，適合對成本和功耗敏感的邊緣智能設備。另一方面，人工智能算法的融入也能補強MCU，使其兼顧更高性能的數據處理任務。因此，“MCU+邊緣AI”正在圖像監(jiān)控、語音識別、健康狀況監(jiān)測等越來越多的領域得到應用。此外，在IoT的基礎之上，MCU和邊緣AI的結合也將推動AIoT（人工智能物聯(lián)網）的發(fā)展，使各種設備能夠更加智能地互聯(lián)互通。數據機構Mordor Intelligence預測，邊緣人工智能硬件市場在2024至2029年間將以19.85%的年復合增長率增長，2029年將達到75.2億美元。    

“未來的MCU將面向專業(yè)化、智能化方向發(fā)展?！北本┺人箓ビ嬎慵夹g股份有限公司首席市場官劉帥告訴《中國電子報》記者，“其中智能化體現(xiàn)在兩方面，一是強化對AI算法和機器學習模型的支持，使得MCU擁有一定智能決策能力；二是性能提升，高端產品將采用多核設計以提升處理能力，滿足高性能的需求?！?/p>

集成AI加速器 強化MCU性能

邊緣AI為MCU帶來了諸多市場機遇，而想要滿足智能設備在邊緣側進行人工智能的運算需求，強化MCU的AI性能是重中之重。

“面向邊緣AI和端側AI需求，MCU需要做出以下調整以增強AI計算能力?！闭滓讋?chuàng)新MCU事業(yè)部產品市場總監(jiān)陳思偉表示，“一是集成AI加速器，如神經網絡加速器或者專用的向量處理器，以加速AI推斷和訓練任務；二是優(yōu)化能效比，在保持性能的同時降低功耗，延長設備續(xù)航時間；三是增強安全性，包括數據加密、安全引導和安全存儲，以保護用戶數據不受攻擊；四是支持多模態(tài)感知；五是優(yōu)化系統(tǒng)集成，提供更多的硬件接口和軟件支持，使得開發(fā)人員能夠更輕松地將AI功能集成到邊緣設備中?！?/p>

在AI加速器方面，數字信號處理器（DSP）和神經網絡處理器（NPU）都成為在MCU中集成的重要加速組件，讓MCU能夠在邊緣運行AI算法。具體而言，DSP更適合信號處理任務，包括音頻、視頻、通信等，而NPU則更聚焦于高效處理大量的矩陣運算和并行計算任務。

為此，各大廠商積極布局。意法半導體于2023年推出STM32N6，采用Arm Cortex-M55內核，集成ISP和NPU以提供機器視覺處理能力和AI算法部署。恩智浦推出MCX N系列MCU，具有雙核Arm Cortex-M33，并集成了eIQ Neutron NPU，據了解，該NPU可將機器學習推理性能提升約40倍。

作為大多數MCU內核的供應方，Arm也在邊緣側NPU上發(fā)力。4月，Arm推出Ethos-U85 NPU，作為一款AI微加速器，其支持Transformer架構和CNN（卷積神經網絡），配合Armv9 Cortex-A CPU可提供4TOPS的端側算力，助力AI推理。

Arm Ethos-U85 NPU（圖片來源：Arm）    

“許多不同的處理器都可以實現(xiàn)人工智能。AI可以在Arm核中運行，也可以在NPU、DSP當中，不同處理器將會運行不同算法，那么功耗也會不同?！倍髦瞧謭?zhí)行副總裁兼安全連接邊緣業(yè)務總經理Rafael Sotomayor表示，“是否在Arm核或者DSP中實現(xiàn)AI功能，這取決于工程團隊的技術專長。我們使用NPU來做，是因為（從我們的技術出發(fā)）速度更快，而且能耗更小。當然，如果客戶對特定機器學習算法有要求，也可以繼續(xù)使用DSP。”

實現(xiàn)性能功耗成本平衡 構建平臺化方案

盡管可以通過集成NPU等AI加速器使MCU支持AI算法，但是高性能往往會帶來更高的功耗。因此在提升性能的同時，也要保證MCU在功耗和成本等諸多要素之間達到平衡。這不僅考驗MCU廠商的芯片設計能力，也對公司整體成本和功耗優(yōu)化提出了更高要求。

使用自研NPU成為廠商平衡成本與效能的選擇之一。據悉，意法半導體所發(fā)布的STM32N6采用了自研的Neural-Art加速器，恩智浦MCX N系列所集成的eIQ Neutron NPU同樣為自研。這既有利于降低授權成本，也能保證在自身技術路徑下對NPU迭代節(jié)奏的合理把控。   

eIQ Neutron神經處理單元框圖（圖片來源：恩智浦）

同時，內核架構的選項也在增加。當前在MCU市場中，除少部分8位MCU使用CISC架構，Arm架構的Cortex-M系列核由于功耗表現(xiàn)較好占據主流，而隨著RISC-V架構逐漸發(fā)展，這一新興架構也逐漸獲得廠商的青睞。據悉，ADI推出的MAX78000/2在集成專用神經網絡加速器的基礎上，提供了Arm核與RISC-V核兩種方案，可在本地以低功耗執(zhí)行AI處理，最大程度地降低CNN運算的能耗和延遲。

劉帥向記者表示，采用RISC-V架構能夠為MCU廠商帶來更多優(yōu)勢，一方面，RISC-V內核靈活可裁剪，可根據具體應用需求進行定制；另一方面，由于RISC-V架構更加簡潔，功耗也更低。此外，相比ARM架構，作為開源架構的RISC-V也能降低授權費用和開發(fā)成本。

而站在客戶的視角，除了需要MCU產品在高性能、低功耗、低成本等多方面達成平衡，也希望MCU廠商能夠提供平臺化的整套解決方案。

“過去客戶的選擇是自下而上的——先選擇芯片，再思考需要何種軟件、應用等?，F(xiàn)在則是從應用層開始，自上而下到芯片，以獲取技術支撐?！盧afael Sotomayor指出，“這些技術非常復雜，不僅涉及人工智能，還涉及信息安全、功能安全、視覺、音頻等。因此，幫助客戶簡化技術的復雜性，成為廠商為客戶提供產品和服務的核心價值。”今年4月，恩智浦宣布與英偉達合作，將英偉達TAO工作組件集成在恩智浦eIQ機器學習開發(fā)環(huán)境中，以便開發(fā)者加速開發(fā)，并部署經過訓練的AI模型。

ADI基于MAX78000/2，提供了開發(fā)工具MAX78000EVKIT#，以幫助開發(fā)者實現(xiàn)平穩(wěn)的評估和開發(fā)體驗。意法半導體同樣推出云端開發(fā)者平臺STM32Cube.AI，支持使用者在云端對已有資源進行配置，進一步降低邊緣人工智能技術開發(fā)的復雜度。

綜合來看，面對邊緣AI浪潮所帶來的挑戰(zhàn)，MCU廠商正在積極探索，并展示出多樣化的發(fā)展路徑。盡管架構及AI加速器等方案的“最優(yōu)解”目前還未有定數，但是對于MCU而言，在保證低功耗和低成本等基本特性的前提下，不斷提升計算能力和安全性能來適應越發(fā)復雜的邊緣計算環(huán)境，已是大勢所趨。

責任編輯：趙強