发布时间：2021-01-11 阅读量：937 来源: 电子工程网 发布人: Viva
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，如下图
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。
三个MCU + AI场合
第一种方法（可能是最常见的方法）涉及各种神经网络（NN）框架（例如Caffe 2，TensorFlow Lite和Arm NN）的模型转换，用于在MCU上部署云训练的模型和推理引擎。有一些软件工具可以从云中获取经过预训练的神经网络，并通过将其转换为C代码来针对MCU进行优化。
在MCU上运行的优化代码可以在语音，视觉和异常检测应用程序中执行AI功能。工程师可以将这些工具集下载到MCU配置中，并运行优化神经网络的推论。这些AI工具集还提供了基于神经网络的AI应用程序的代码示例。
AI执行模型转换工具可以在低成本和低功耗MCU上运行优化神经网络的推论，如下图所示。
第二种方法是绕过了对从云借用的预训练神经网络模型的需求，设计人员可以将AI库集成到微控制器中，并将本地AI培训和分析功能纳入其代码中。
随后开发人员可以基于从边缘的传感器，麦克风和其他嵌入式设备获取的信号来创建数据模型，并运行诸如预测性维护和模式识别之类的应用程序。
第三种方法是AI专用协处理器的可用性使MCU供应商能够加快机器学习功能的部署。诸如Arm Cortex-M33之类的协处理器利用了诸如CMSIS-DSP之类的流行API来简化代码的可移植性，从而使MCU与协处理器紧密耦合，可加快AI功能，如协处理相关和矩阵运算。
在智能驾驶飞速发展的时代，5.9GHz频段的C-V2X（蜂窝车联网）和5.8GHz频段的DSRC（专用短程通信）已成为车辆与环境交互的关键神经。然而，GHz频段内日趋复杂的电磁环境却为通信灵敏度与可靠性带来严峻挑战。传统噪声抑制元件在应对高频宽范围干扰时力不从心，高性能宽频噪声解决方案成为行业急需突破的技术瓶颈。村田制作所（Murata）以其深厚的材料技术积淀和创新设计，适时推出了革命性的片状铁氧体磁珠——BLM15VM系列，直击高频车联网通信的核心痛点。
据彭博社6月20日报道，微软计划于今年7月启动大规模组织结构调整，预计裁员数千人，主要集中在全球销售与客户服务部门。此举引发行业对科技巨头战略重心迁移的高度关注，尤其引人瞩目的是其裁员节省的资金流向——微软官方确认将在新财年向人工智能基础设施领域投入约800亿美元。
在AI服务器爆发式增长、新能源系统复杂度飙升的产业背景下，传统控制芯片正面临三重挑战：碳化硅/氮化镓器件的高频开关控制需求、功能安全标准升级、以及机器学习边缘部署的实时性要求。Microchip最新推出的dsPIC33AK512MPS512与dsPIC33AK512MC510数字信号控制器（DSC），通过78ps PWM分辨率与40Msps ADC采样率的核心突破，为高精度实时控制树立了新基准。
根据权威机构IDC最新发布的《全球智能家居设备季度追踪报告》，2025年第一季度全球智能扫地机器人市场迎来强劲开局，总交付量达到509.6万台，较去年同期增长11.9%，连续第二个季度实现超过20%的增长率。市场活力显著提升，展现出强劲复苏势头。
随着ADAS渗透率突破50%（据Yole 2023数据），车载传感器供电与数据传输架构面临革命性变革。传统双线分立设计（电源线+信号线）导致线束占整车重量超3%，且故障率居高不下。TDK株式会社推出的ADL8030VA系列PoC专用电感器，通过单元件高集成方案重构滤波电路，为智能驾驶系统提供空间与可靠性双重优化路径。
