隨著物聯網的爆炸式增長，設備通過無處不在的有線和無線連接相互連接和通信。這種超連接性允許收集大量數據，然后將這些數據進行收集、分析從而做出明智的決策。從數據中獲取見解并根據這些見解做出自主決策的能力是人工智能（AI）的本質。人工智能（AI）和物聯網（IoT）或人工智能物聯網（AIoT）的結合，可以創建“智能”設備，這些設備可以從數據中學習并在沒有人為干預的情況下做出決策。

在邊緣設備上構建智能的趨勢有以下幾個驅動因素：

邊緣決策可減少與云連接相關的延遲和成本，并使實時操作成為可能

云帶寬不足導致計算和決策需要邊緣設備

安全性是一個關鍵的考慮因素 - 對數據隱私和機密性的要求推動了在設備本身上處理和存儲數據的需求

因此，邊緣人工智能具有自主性、更低延遲、更低功耗、更低帶寬要求、更低成本和更高安全性等優勢，所有這些都使其對新興應用和用例更具吸引力。

AIoT為MCU開辟了新的市場，使越來越多的新應用和用例成為可能，這些應用和用例可以使用MCU與某種形式的AI加速相結合，以促進邊緣和端點設備的智能控制。這些支持AI的MCU為計算和機器學習（ML）提供了獨特的DSP功能，并用于關鍵字識別、傳感器融合和振動分析等各種應用。更高性能的MCU可實現更復雜的視覺和成像領域的應用，如人臉識別、指紋分析和物體檢測。

神經網絡用于AI/ML應用，例如圖像分類、人員檢測和語音識別。這些是用于實現機器學習算法的基本構建塊，并廣泛使用線性代數運算，例如用于推理處理、網絡訓練和權重更新的點積和矩陣乘法。正如您可能想象的那樣，將AI構建到邊緣產品中需要處理器具有強大的計算能力。這些新興AI應用的設計人員需要滿足對更高性能、更大內存和更低功耗的需求，同時保持低成本。

在過去的日子里，這是GPU和MPU的職權范圍，它們具有強大的CPU內核、大內存資源和用于分析的云連接。最近，可以使用AI加速器從主CPU卸載此任務。其他邊緣計算應用（如音頻或圖像處理）需要支持快速乘法累加運算。通常，設計人員選擇在系統中添加DSP來處理信號處理和計算任務。所有這些選項都提供了所需的高性能，但會大大增加系統成本，并且往往更耗電，因此不適合低功耗和低成本的端點設備。

MCU如何填補這一空白？

更高性能MCU的出現使得低成本、低功耗的邊緣AIoT成為現實。AIoT是通過最新MCU更高的計算能力以及更適合這些終端設備中使用的資源受限MCU的輕量級神經網絡模型來實現的。與MPU或DSP相比，基于MCU的物聯網設備上的AI可實現實時決策和更快的事件響應，并且還具有更低的帶寬要求、更低的功耗、更低的延遲、更低的成本和更高的安全性等優勢。MCU還提供更快的喚醒時間，從而實現更快的推理時間和更低的功耗，以及與存儲器和外設的更高集成度，以幫助降低成本敏感型應用的整體系統成本。

基于Cortex-M4/M33的MCU可以滿足更簡單的AI用例的需求，例如性能需求較低的關鍵字識別和預測性維護任務。然而，當涉及到更復雜的用例時，如視覺AI（目標檢測、姿態估計、圖像分類）或語音AI（語音識別、NLP），需要更強大的處理器。較舊的Cortex-M7內核可以處理其中一些任務，但推理性能較低，通常僅在2-4 fps范圍內。

我們需要的是具有AI加速功能的更高性能微控制器。

RA8系列高性能AI MCU簡介

全新RA8系列MCU采用基于Arm v8.1M架構的Arm Cortex-M85內核和7級超標量流水線，可提供計算密集型神經網絡處理或信號處理任務所需的額外加速。

Cortex-M85是性能最高的Cortex-M內核，配備Helium，即Arm v8.1M架構中引入的Arm M -Profile矢量擴展（MVE）。Helium是一種單指令多數據（SIMD）向量處理指令集擴展，它可以通過使用單個指令處理多個數據元素來提升性能，例如在多個數據上重復乘法累加。

與較舊的Cortex-M7內核相比，Helium顯著加速了資源受限的MCU器件中的信號處理和機器學習能力，并在ML任務中實現了前所未有的4倍加速，在DSP任務中實現了前所未有的3倍加速。RA8 MCU具有大容量內存、高級安全性以及豐富的外設和外部接口，非常適合語音和視覺AI應用，以及需要信號處理支持的計算密集型應用，例如音頻處理、JPEG解碼和電機控制。

審核編輯：劉清