边缘AI市场规模快速提升，ST、英飞凌、安森美有哪些布局？

电子发烧友网报道（文/李弯弯）由于数据安全性、系统响应性、隐私保护，以及本地节点因数据传输延迟等因素导致的功耗，基于云的解决方案无法满足部分用户的需求。于是，越来越多的AI计算功能从服务器端下沉到终端系统，使得终端系统变得更加智能。

据Astute Analytica此前的研究预测，边缘AI市场规模将从2021年的140万增长至2027年的800万，年复合增长率达到29.8%。过去几年，众多全球知名芯片企业都在边缘AI领域进行了布局，并凭借自身优势为各行业提供边缘AI解决方案，包括ST、安森美、英飞凌等。

ST NanoEdge AI Studio开发工具加速AI模型建模速度

过去几年，ST一直致力于人工智能技术的研发，并利用多年积累的知识经验开发相关的工具，支持嵌入式开发者在ST微控制器和传感器上部署人工智能技术。近日，意法半导体中国区微控制器AI市场经理丁晓磊在接受电子发烧友采访的时候表示：“因为每个客户及他们的项目都不一样，为此，我们开发了硬件、软件和工具，以帮助不同用户可以快速部署正确的应用解决方案。”

首先是STM32Cube.AI，该工具软许开发人员优化提前训练好的AI模型，并将其安装到任何一款STM32微控制器上。STM32Cube.AI工具支持TensorFlow Lite、Keras、Pytorch 等AI开发框架，还可以减少软件优化和移植的工作量，让高成本效益的高能效的STM32 MCU能够运行神经网络。

其次ST还为客户提供了一个NanoEdge AI Studio的开发工具，用于加快高性能AI模型的建模速度，就算没有AI或数据科学专业知识，开发者也能使用这个工具，通过对数百万个模型组合进行基准测试，从头开始生成机器学习模型，为客户提供专为任何STM32微控制器优化的异常检测、分类和回归算法。现在，该工具还可以创建能够在ST的内置新智能传感器处理单元（ISPU）的传感器上运行的AI模型。

另外在NanoEdge AI Studio生成的模型中，有些能够在微控制器上执行本地学习任务，有了这个学习能力，模型可以变得“会学习”，并且变得更加准确，而无须任何基于大数据集的二次训练。ST还提出了可以在STM32微处理器上轻松运行AI的解决方案，适合对算力要求更高的应用系统。

ST开发的功能软件包还能为用户带来很多好处，比如，帮助用户快速启动计算机视觉、感知 和工况监测等各种应用开发项目。在这些软件包中有训练好的AI模型、应用代码和开发人员需要的所有固件，这可以为开发者节省宝贵的时间。

相对来说，两个优势互补的软件工具STM32Cube.AI和NanoEdge AI Studio，产品种类丰富的STM32 微控制器和微处理器，以及大量的传感器产品组合，让ST的人工智能解决方案成为市场上比较丰富的人工智能产品组合。ST的整体解决方案可以针对任何应用需求进行高度优化。同时，ST还可以为客户提供强大的技术支持，客户通过STM32社区可以访问庞大的STM32用户群，以及获得随时准备帮助他们创新的合作伙伴。

STM32 AI解决方案可以轻松改进嵌入式AI的应用，比如有这样一个边缘AI的应用案例，一位客户利用ST的生态系统开发了人工智能解决方案，为工业设备增加预测性维护功能。这些预测性维护解决方案可以减少设备停机时间，提高生产效率，优化人工干预。据这家客户的总裁表述，他们的Bob Assistant助理基于ST技术，现已安装在欧洲的数十个工厂，为数千台设备提供24/7全天候预测性维护，其中包括泵、空调、发动机和暖通空调。

据丁晓磊介绍，NanoEdge AI软件库的设备上学习功能有巨大的价值，可以执行增量学习，使模型适应每个环境中的特定设备。因此，该解决方案可以实时、高精度地检测运行特性的变化，并发送警报通知维护团队，以便他们在重大故障发生之前调整设备，这都要归功于在超低功耗 STM32 微控制器上运行的机器学习算法。

英飞凌具有AI能力的MCU赋能汽车、工业、消费领域

随着技术的发展和电子产品智能化的趋势带动，AI的应用正在逐渐从云侧的服务器下沉至边缘甚至端侧的智能硬件。这样的变化会大大降低被数据占用的网络带宽，数据处理的时效性会提高，这对用户隐私数据的保护也起到非常积极的作用。

作为连接现实世界和数字世界的领导者，英飞凌非常了解这样设计的重要性。英飞凌科技安全互联系统事业部市场总监彭祖年在接受电子发烧友采访的时候表示：“在智能硬件中，最为核心的就是MCU产品。当我们赋予MCU机器学习的功能时，就可以让开发者在更加智能的平台上运用人工智能的模型与算法实现他们的设计。”

目前英飞凌的MCU产品主要围绕IoT相关的应用，并努力将IoT的产品向AIoT方向推进。英飞凌认为，IoT的主要应用场景可以归纳为汽车应用场景、工业应用场景和消费应用场景。

据彭祖年介绍，在汽车方面，英飞凌的车规级MCU无论是在车身、底盘还是三电系统，都为V2X的时代做好了准备；在工业方面，AI的能力可以应用于更高效及更精准的工况监测，实现自动标定、预测性维护等功能，保障自动化生产的安全稳定运转；在消费方面，AI可以和更多具备感知功能的传感器一起，在运动监测、场景感知等应用方向显著提高设备的判断准确性，给用户来带更好的体验。

彭祖年认为，AI不是简单的IP堆叠，MCU产品需要平衡众多的设计要素，从功耗、运算性能，到数据的存储及读取效率，以及对外表达的效果等诸多方面都需要得到兼顾，如此才能打造出一款好的产品。另外，开发工具也是用户在开发MCU过程中必不可少的一环。

为了更好的支持AI功能的开发，英飞凌推出了ModusToolbox™ 机器学习工具，能够快速评估ML 模型并将其部署到英飞凌MCU 上。ModusToolbox™ ML 旨在与BSP、连接堆栈、中间件和有直观的配置器的ModusToolbox™ 软件生态系统无缝协作，以便开发人员可以专注于他们的应用程序差异化并加快进入市场。

目前ModusToolbox™ ML 已经实现：从流行的训练框架（如TensorFlow™）导入模型；优化嵌入式平台的模型以减少系统资源和复杂性；通过基准测试验证优化模型的性能；生成优化模型代码和库与ModusToolbox™ 开发流程整合。彭祖年表示，这样，在一个根据运动传感器（加速度计和陀螺仪）数据执行手势分类的案例中，该模型经过训练后就可对圆形、方形和单向前后左右手势进行分类。

安森美芯片平台助力边缘AI客户缩短研发周期、降低成本

安森美非常重视边缘AI应用的发展，目前已经布局了超低功耗蓝牙平台助力边缘AI设备摆脱线缆的束缚同时能够轻松上云；同时也发布了超低功耗超强性能自带NNA神经网络加速器的6核架构DSP芯片Ezairo8300，实现边缘AI本地化深度学习，配合安森美的各种功率器件，图像传感器以及最新发布的先进的电感式编码器芯片NCS32100，可以让边缘AI设备制造商轻松获取bundle solution节省沟通成本。

安森美芯片平台具有超低功耗、超低物料单(BOM)成本、超强性能、超短研发周期等优势。比如，安森美推出的超低功耗蓝牙RSL1X系列芯片（RSL10与RSL15），最低深度睡眠功耗可达65nA，同时创新Smart sensor低功耗模式，在ADC采样持续进行下MCU仍可进入睡眠模式，可延长使用电池供电的边缘AI设备的使用寿命。

同时该系列芯片内含巴伦电路以及片内电源管理模块，可以为客户降低了整个BOM成本。再者RSL10低功耗蓝牙芯片设计为双核架构，除了常规的ARM3 MCU内核外，还有一颗32位双精度浮点型DSP 内核，大大增强了RSL10 芯片平台的算力。

安森美工业方案分部高级应用工程师杨雪芳在接受电子发烧友采访的时候表示：“安森美致力于适应快速变化的市场，应对不同的客户应用，可以提供不同的固件演示，用户可在RSL10主页看到各种基于RSL10平台的解决方案，这些方案可以大大缩短客户的研发周期，加快了产品上市时间。”

再比如安森美推出的Ezairo8300芯片平台，这是一颗具有NNA神经网络加速器在内的6核超低功耗DSP开发平台，在处理语音信号时功耗可低至0.7mA或以下，同时片内包含了放大器、滤波器组等，使用户在只需要外接电源、喇叭以及麦克风的情况下轻松实现语音识别、语音降噪、语音放大等音频类应用。

另外，安森美最新推出的先进的电感式编码器芯片NCS32100，其位置精度可达+-50角秒或以内，媲美当前光编码器的高精度，而价格远低于光编码器，并且外围只有12个组件，这大大降低了设计的复杂度以及BOM成本。

据杨雪芳介绍，安森美推出的芯片平台，除了提供优质的硬件平台，为了缩短客户的研发周期、降低研发成本，同时还推出了基于其硬件平台的交钥匙解决方案。例如，基于安森美超低功耗蓝牙RSL10平台结合SensiML边缘AI算法的RSL10 SensiML 方案。该方案可用于工业机械臂监控方案，依托RSL10强大的算力以及超低的功耗，在本地即可完成机械臂的状态识别，实现本地化的边缘AI应用。该方案解决了客户缺少AI算法的难题，客户只需要得到SensiML的授权，即可进行边缘AI的快速开发。

总结

凭借自身独特的优势，相比于使用传统的方式，边缘AI能够给各行各业提供更令人满意的解决方案，越来越多的人在尝试使用边缘AI来解决行业的痛点问题。如今边缘AI几乎渗透进各行各业，包括交通、汽车、家居、工业、农业、可穿戴设备等领域。

然而目前AI还只是在个别应用场景中有成功的大规模应用案例，主要集中在一些与视觉识别相关的市场中。边缘AI在各行业大规模应用还存在一些问题，比如，开发生态尚未成熟，这对于碎片化的IoT市场和普通开发者而言还不够友好。

不过可以看到，各企业都在通过自己的优势和方法，解决边缘AI在开发、落地应用方面的难题，包括上面提到的ST、英飞凌、安森美等。另外也看到最近ARM也在积极布局AI的内核级工具链生态，包括将市面通用的算法模型转换至ARM内核可执行语言的工具，相信在众多企业的努力下，未来AI在边缘和端侧的应用落地将会加速。