破局！超卷MCU赛道-电子发烧友网

TinyML人工智能算法的运行离不开计算的硬件 - 微控制器（MCU），借助TinyML工具、NPU的硬件加速以及平台化的部署，大大提升微控制器（MCU）产品的计算效能，为人工智能应用开辟了新的发展市场。众多微控制器厂商的共同参与，也为市场提供了更多更具创新的产品或解决方案。这也将为“兼容机”时代的微控制器（MCU）带来了新的发展机遇，必将会开启新一个赛道。

AI正在推动边缘更加智能化，而边缘设备也让AI无处不在。可以预见，未来十年，AI将成为推动MCU市场增长的主要力量。随着AI深入到边缘和终端装置，边缘计算的发展成为推动全球MCU市场增长的主要趋势之一。以前的AI运算和机器学习主要在云端完成，但现在它们正在逐渐向边缘端发展。而边缘AI并不会止步于手机、电脑这些具备SoC级别算力的终端，而是会继续向着MCU为主控的物联网设备蔓延。随着AI在边缘的落地，硬件CNN在端侧MCU的集成已经成为一种技术趋势。

微控制器（MCU）厂商并购人工智能公司布局TinyML

2021年5月，意法半导体收购边缘AI软件专业开发公司Cartesiam
2022 年 7 月，瑞萨电子收购了嵌入式AI解决方案优秀供应商Reality Analytics, Inc.（Reality AI）
2023 年 5 月 ，英飞凌宣布已收购TinyML初创企业Imagimob公司
2023 年 8 月，Nordic公司宣布收购美国人工智能和机器学习公司Atlazo

BTW

ST将推出集成NPU的STM32N6，NXP推出了集成一个DSP协处理器和神经处理单元(NPU)的MCX产品组合，Microchip提供 MPLAB 机器学习开发套件来提升其产品的机器学习能力。

布局TinyML的路径

从目前各微控制器（MCU）厂家和业界的应用情况来看，布局TinyML的路径大致有以下三个：

TinyML工具

集成神经网络处理器（Neural Processing Unit，NPU）协处理器

TinyML平台

相对于大语言模型来说，TinyML 是一种小的或极小规模的机器学习。TinyML本身是一种软件算法，是对数据分析和处理的一种计算处理方法，通过构建机器学习模型来进行推理，业界也有一些通用的TinyML机器学习模型。TinyML需要借助软件和工具对采集来的数据进行分析和处理、推理和验证等。在不断地对模型进行优化处理后，还需要将将其转换为微控制器（MCU）这类性能较弱、资源较少的微控制器（MCU）可以运行的固件。TinyML工具有助于人工智能的开发应用，让复杂的人工智能软件的开发变得简单快捷。

NPU是一种神经网络单元，专用于神经网络的计算，随着人工智能应用对计算资源的需求越来越高、任务越来越复杂，对神经网络的计算需求要求也越来越高，微控制器（MCU）中的ALU（算术运算单元AU和逻辑运算单元LU）不足以支持复杂的神经网络的计算需求，将NPU硬件化并集成在微控制器（MCU）内部作为协处理器，可以大大提升人工智能应用的计算效率。NPU实质上也是一种专用的硬件计算单元。

一般地，基于微控制器（MCU）设计开发的产品，其固件可以用几年，甚至到其生命周期才结束。固件在其验证稳定后一般不再需要更改。随着产品部署规模的不断扩大，产品不断地迭代更新，需要对微控制器（MCU）中的固件进行更新，通过一个平台可以对设备进行较好的管理和维护。而TinyML平台不仅需要对固件进行迭代升级，还可以对数据进行收集、机器学习模型不断地进行训练，不断地优化模型，使得模型的精度越来越高。另一方面，本地的微控制器（MCU）的计算资源，不足以支持大量数据的存储和对模型训练优化等任务。TinyML需要一个高性能的计算平台来支撑人工智能产品的不断迭代。