最近，Arm发布了专门为AI应用设计的Cortex-M52处理器，旨在取代现有的M33或M3/M4处理器，为MCU芯片注入更强的AI计算能力。

英飞凌、恩智浦、瑞萨、意大利半导体等国际芯片制造商也推出了集人工智能计算能力于一体的MCU产品，引发了MCU产业的新升级。

许多制造商正在探索MCU与人工智能相结合的新模式。近日，各大厂商纷纷发布MCU新产品，提升AI运算性能。英飞凌公布的PSOC Edge系列MCU配备了专门为机器学习设计的硬件加速器，可以加速神经网络操作，实现人工智能计算功能；瑞萨电子新RA8系列MCU引入Arm Helium技术，即Arm的M型向量扩展单元，使其具有更强大的AI计算功能。恩智浦推出了集成人工智能计算功能的MCU产品组合MCX，嵌入NPU(神经网络处理器)，专门用于加速边缘通用人工智能操作；意大利半导体（ST）最新的64位微控制器STM32MP2也集成了NPU，专门针对边缘人工智能推理，可以提供高效的人工智能操作。

根据Arm的一名营销人员，MCU与人工智能相结合的模式正逐渐渗透到小型和轻型设备中，蓝牙耳机、智能手表等产品也将在未来实现人工智能功能。

小华半导体副总经理曾光明表示，如果仅仅依靠传统MCU的有限计算能力来运行人工智能算法，就会出现数据效率低、能耗高的问题，许多应用场景可能无法达到预期效果。

人工智能加速器（包括人工智能计算单元和NPU等硬件）可以减少MCU的CPU运行负载，完成算法模型计算，简化复杂的人工智能推理过程，显著降低功耗。人工智能加速器的MCU更容易实现图像识别、语音识别等功能，最初需要MPU或SOC才能实现这些功能。相比之下，MCU与AI加速器相结合的方案不仅可以简化设计，而且可以更加节能环保。

随着智能网络汽车、智能家居、工业自动化等应用领域的快速发展，边缘人工智能芯片的市场需求日益增长。边缘人工智能芯片不仅需要低功耗、高性能、安全可靠的特点，而且易于集成和部署。

在MCU上集成人工智能加速器可以更好地满足这些需求。配备人工智能加速器的MCU芯片可以有效降低边缘端的成本。FPGA或GPU在边缘使用成本较高，不能使用电池供电。随着MCU计算能力的不断提高，高频MCU主频达到GHz级，能够满足边缘端低计算能力人工智能的需求。所以，将AI加速器集成到MCU上，实现端部部署的单芯片解决方案正逐渐成为主流解决方案。

物联网连接的终端始终产生数据，给CPU带来巨大的计算压力。在端MCU中增加人工智能加速器可以有效地分担CPU的运行压力。因为边缘MCU中的人工智能加速器可以通过特殊的计算能力进行机器学习，从而有效地分担CPU的工作负载。

此外，DSP配备人工智能加速器的MCU还可以降低机器学习边缘端的能耗。恩智浦相关专家告诉《中国电子新闻》，在边缘设备上运行机器学习模型往往会导致功耗倍增。因此，边缘机器学习处理器供应商需要探索和使用广泛的产品组合和强大的能源管理工具套件来支持人工智能的应用和应用。因此，MCU和MCU具有低能耗特性 人工智能机器学习结合其他芯片，可以有效减少能耗损失，提高能效。

未来，随着加载人工智能加速器的MCU产品的出现，人工智能应用有望进一步渗透到边缘产品中，实现更高效、智能、独立的物联网产品体验。市场研究机构Gartner预测，未来2~5年拥有AI加速器的MCU产品有望成为市场主流。到2025年，75%的数据将在边缘处理和计算另一个市场研究机构ABI Research还预测，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%。可以看到未来端MCU AI产品具有巨大的市场潜力。

在将人工智能加速器引入MCU的过程中，技术平衡和数据安全成为当前面临的重大挑战。

首先，MCU的一个主要特点是需要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的基础上实现高计算能力的人工智能功能具有挑战性。芯片制造商需要尽可能减少对计算和存储资源的需求，同时确保MCU实现人工智能计算功能，从而减少高功耗的负面影响。

此外，MCU 人工智能的发展也需要考虑数据安全。在MCU中引入人工智能加速器后，本地数据的保留和处理已成为一个重要问题。这些数据可能涉及用户隐私或设备的核心信息，因此需要采取有效的保护措施。

同时，如果MCU访问其他设备或网络，还需要考虑如何防止非法读取、收集或使用核心数据。这也要求MCU芯片供应商充分验证和测试人工智能计算功能，以确保MCU AI产品的可靠性和安全性。

为了解决这些挑战，芯片制造商需要在设计过程中权衡，以确保MCU的制造复杂性和成本控制在可接受的范围内，并平衡功耗的负面影响。此外，MCU制造商还需要考虑人工智能功能在实际场景中的适用性，并为用户带来真正的价值。

在技术平衡方面，MCU制造商可以采取多种措施来优化MCU AI产品的性能和功耗。例如，通过改进制造过程来降低功耗；对于不需要连续进行的人工智能计算，可以关闭芯片中的人工智能计算单元，只保留可以维持触发条件的外围设备；优化算法或提高硬件计算效率，降低功耗；人工智能机器学习采用低能耗MCU等芯片的组合。

在数据安全方面，MCU制造商需要采取有效措施来保护用户隐私和设备核心信息。例如，加密本地数据；采用安全的通信协议或加密芯片，防止非法读取或收集数据；充分验证和测试人工智能计算功能，确保产品的可靠性和安全性。

总而言之，目前MCU的技术平衡和数据安全 人工智能开发面临的重大挑战。芯片制造商需要在设计过程中进行权衡和优化，并采取有效的保护措施，以确保产品的可靠性和安全性。只有这样，我们才能促进MCU 广泛应用和开发人工智能产品。

• MCU
• 数字处理器
• 集成芯片
• 融合
• 融合