近日，Arm发布了专为AI应用设计的Cortex-M52处理器，其目标是取代现有的M33或M3/M4处理器,在MCU芯片中融入更强大的AI计算能力。
英飞凌、恩智浦、瑞萨、意法半导体等国际芯片大厂，也在近期推出了融入AI计算能力的MCU产品，掀起了MCU新一轮的升级换代。
多家厂商探索MCU+AI新模式
近期大厂频繁发布提升AI运算性能的MCU新品。英飞凌近日公布了PSoC Edge系列MCU——配备了特意为机器学习设计的硬件加速器，可以加速神经网络运算，实现AI计算功能；瑞萨电子近日发布的新型RA8系列MCU，引入了Arm Helium技术，即Arm的M型向量扩展单元，使其具备了更强大的AI计算功能。恩智浦推出了融入AI计算功能的MCU产品组合——MCX，该组合嵌入了NPU（神经网络处理器），专门用于加速边缘通用的AI运算；早在今年5月，意法半导体（ST）推出了其最新的64位微控制器STM32MP2，也融入了一个NPU，专门针对边缘AI推理，可提供高能效的AI运算。
Arm公司的一位市场工作人员告诉《中国电子报》记者，MCU+AI模式正在向小型化、轻量化设备渗透，未来蓝牙耳机、智能手表等产品，也能实现AI功能。
小华半导体副总经理曾光明向《中国电子报》记者表示，如果只是依靠传统MCU的有限算力去运行AI算法，会出现处理数据效率低、能耗高的问题，并且很多应用场景达不到预期效果。
AI加速器（包括AI计算单元和NPU等硬件）可以降低MCU的CPU运算负载，并且能有针对性地完成算法模型计算，将复杂的AI推理过程简单化，从而显著降低功耗。拥有AI加速器的MCU，更容易实现图像识别、语音识别等功能，而原本这些功能需要使用MPU或者SoC才能实现。对比之下，MCU+AI加速器的方案既能简化设计，还能更节能环保。
75%的数据将在边缘侧处理
随着智能网联汽车、智能家居、工业自动化等应用领域的快速发展，边缘端AI芯片的市场需求日益增长。边缘端AI芯片不仅需要具备低功耗、高性能、安全可靠的特征，同时要易于集成和部署。
将AI加速器集成在MCU上，可以更好地满足这些需求。在边缘端使用搭载AI加速器的MCU芯片，能够有效降低成本。
在边缘端使用FPGA或GPU的成本较高，并且无法使用电池供电。随着MCU的算力持续提升，高频MCU主频已达到GHz级别，已经能够满足边缘端低算力人工智能的需求。因此，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。
物联网连接的终端时时刻刻都在产生数据，这为CPU带来了巨大的计算压力。在端侧MCU中增加AI加速器，能够有效分担CPU的运行压力。因为在边缘端MCU中的AI加速器，可以通过专用算力来进行机器学习的运算，从而有效分担CPU的工作负载。
此外，搭载AI加速器的MCU也能降低边缘端进行机器学习时的能耗。恩智浦相关专家向《中国电子报》记者介绍说，在边缘设备上运行机器学习模型往往会造成耗电量倍增，因此，边缘机器学习处理器供应商需要探索和利用广泛的产品组合与强大的能源管理工具套件来支持AI应用运算。因此，在边缘端采用低能耗特征的MCU以及MCU+其他芯片的组合来进行AI机器学习，能够有效减少能耗损失，提升能效。
未来，随着加载AI加速器的MCU产品出现，AI应用有望进一步向边缘端产品渗透，实现更加高效、智能和自主的物联网产品体验。市场研究机构Gartner预测，未来2~5年内，具备AI加速器的MCU产品有望成为市场主流。到2025年，75%的数据将在边缘侧进行处理运算。另一家市场研究机构ABI Research也预测，2021年至2026年，具有AI边缘机器学习功能的设备出货量平均复合增长率(CAGR)将达到24.5%。可见，未来端侧MCU+AI产品的市场潜力巨大。
技术平衡与数据安全成为挑战
尽管MCU+AI的市场前景光明，现阶段在MCU中引入AI加速器仍存在一定的挑战性，需要芯片厂商在技术上做出平衡和优化，同时还要充分考虑用户需求和数据安全。
据了解，MCU品类的一大特点就是在有限的电源预算内提供高效的计算能力。因此，在MCU有限的计算资源和存储空间基础上，实现高算力的AI功能具有一定挑战性。芯片厂商需要在保证MCU实现AI计算功能的同时，尽可能地减少对计算和存储资源的需求，从而减少功耗过高带来的负面影响。
至顶科技分析师李祥敬向《中国电子报》记者表示：“在MCU中加入AI功能的计算模块可以提升其产品性能和智能化水平，但同时也可能会增加芯片的制造复杂度和成本，甚至出现功耗过大的问题。芯片厂商需要在设计过程中进行权衡，确保在满足用户需求的同时，将MCU的制造复杂度和成本控制在可接受的范围内，并平衡功耗带来的负面影响。此外，MCU厂商还需要考虑AI功能在实际场景中的适用性，给用户带来真正的价值。”
对此，MCU资深产品经理王斌认为，在MCU中加入AI加速器后，可以从两方面着手，去平衡产品的低功耗与高效的AI计算能力之间的关系。首先，可通过提升制造工艺来减少功耗，如今MCU的制程已集中到40nm，而MCU+AI的芯片制程则进入到28nm和22nm。其次，针对不需要持续进行的AI运算，可以在芯片中关闭AI计算单元，仅保留可以维持触发条件的外设。一旦触发条件满足，AI计算单元将立即打开，快速完成AI相关的计算任务后，继续重新恢复到待机状态。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运算效率来实现功耗降低。
最后，MCU+AI发展还需要考虑数据安全的问题。李祥敬表示，在MCU中引入AI加速器后，本地数据的留存和处理成为一个重要问题。这些数据可能涉及用户的隐私或设备的核心信息，因此需要采取有效的保护措施。
此外，如果MCU接入其他设备或网络，还需要考虑如何防止核心数据被非法读取、收集或利用的问题。这也需要MCU芯片供应商对AI计算功能进行充分的验证和测试，以确保MCU+AI产品的可靠性和安全性。