贸泽电子2025边缘AI与机器学习技术创新论坛回顾（上）

随着物联网设备爆发式增长，海量数据在边缘侧积累， 75%的数据将产生在边缘，边缘AI进入快速发展期。AI芯片作为实现边缘AI的核心，是AI的硬件基础。

近年来，Analog Devices致力于将人工智能推向边缘端，实现ML/DL融入边缘智能。边缘AI在靠近用户本地的终端边缘执行AI运算，而不是将数据集中在云或数据中心进行处理，具备实时性好、带宽资源要求低、隐私性高等优势，应用于智能家居、人脸识别、语音控制等领域。

MAX7800X是ADI的经典产品， 具备独特架构，采用两个控制器内核（ARM Cortex-M4F、RISC-V）一个卷积神经网络加速器。这一架构针对边缘进行了高度优化，而AI推理由卷积神经网络加速器专门负责，使AI推理可以无需联网的前提下就在边缘完成，以及微控制器内核在完成加载和启动后就无需操作进而大幅降低功耗。

与基于微控制器的纯软件方案相比，ADI MAX7800X方案具备更高的数据吞吐量，速度提高了100倍，成本仅是FPGA或GPU解决方案的1/10。以及相比于传统MCU加DSP的方案，ADI方案的功耗是该方案的百分之一。

因此，ADI可以在功耗、速度、成本三个方面达成最优的平衡，加上其小尺寸的优势，是边缘AI应用的理想选择。MAX7800X的应用领域主要在视觉识别、声音识别、监测识别等三方面。

除了AI专用MCU，ADI还具有更广泛的通用MCU产品系列，包括：安全MCU、低功耗MCU以及低功耗蓝牙MCU。MAX32660低功耗MCU可用于收集扫地机器人的传感器数据。由于其低功耗特性，可以延长扫地机器人的电池使用时间，减少充电频率，提升用户体验。同时，其高集成度可以减少扫地机器人内部的组件数量，从而简化硬件设计，降低应用成本‌。

AI与边缘计算正深刻改变我们的生活，然而，随着AI应用场景的不断扩展，传统云计算在实时性、隐私保护和带宽方面逐渐暴露出瓶颈，毫秒级的延迟可能导致重要决策失误。边缘计算应运而生，成为解决这些问题的技术关键。

通过将数据处理移至更靠近数据源的设备端，边缘计算实现了更低延迟、更高安全性和更高效率的AI计算。这一技术转型的核驱动力之一就是具有机器学习功能的微控制器，赋予小型化设备强大的计算能力，降低了数据传输的延迟与成本，同时提升了隐私安全性，使AI能够在更多场景中落地。

i.MX RT系列是NXP推出的全球首款跨界MCU，把应用在简单、实时性要求较高场合的MCU，与具备更为全面的拓展性，可以进行更为复杂运算的MPU的特点相结合，使其兼具应用处理器的高集成度、扩展性和高性能，以及微控制器的易用性、低功耗和实时性，从而实现MCU和MPU的优势互补，打破原先MCU和MPU的界限。

基于i.MX RT系列的强大性能，扩宽了传统MCU应用领域的疆界，使得原先只能使用MPU的应用领域也能对i.MX RT系列开放，所以从这个角度来说，i.MX RT系列重新定义了MCU，该系列产品可广泛应用于数字消费、楼宇智能、电机缺相检测、物体检测等领域。

MCXN947微控制器，采用两个Arm Cortex-M33内核，主频150MHz，此外还为CM33配备了DSP协处理器；除了CM33核外，还有两个专用的处理单元，分别是NXP自研的NPU N1-16和Coolflux BSP32。内部搭载了2MB的Flash，双Bank设计，能支持同时读写以及512K SRAM支持ECC，其FlexSPI控制器能够连接外部串行NOR/NAND，极大地扩展了容量上限。其NPU能够提供高达30倍的机器学习吞吐量提升，从而减少系统唤醒的时间，并且降低整体功耗。

MCXN947的ML性能可以胜任复杂的深度学习模型，例如人脸识别或语音识别功能、配备生物传感器的智能可穿戴设备等。在多人脸识别应用中，基于MCXN947方案，通过摄像头采集图像，显示在屏幕中，并利用NPU进行机器学习运算，识别人脸信息，并通过方框展示。在多人体检测方案中，基于MCXN947方案，可以从摄像头啊啊获取图像并显示在LCD屏幕上，然后使用集成的NPU处理和识别人员信息。

NXP还提供了eIQ深度学习软件开发环境，包括构建和优化云训练ML模型所需的工具，可在资源受限的边缘节点设备中高效运行。具有专门面向语音、视觉和异常检测应用领域，完整的、接近量产的解决方案。eIQ可提供开发人员在边缘设备中实施ML所需的构件块。

NXP的eIQ的ML不断发展，持续进行扩展以包括下列功能：数据采集和管理工具；适用于神经网络框架和推理引擎的模型转换功能，例如TensorFlow Lite、Caffe2、CNTK和Arm NN；并支持NN编译器，以及在NXO异构的嵌入式处理器上部署处理模型的工具。

AI与物联网的加速融合是大势所趋，支持AIoT的嵌入式控制器可以使设备在边缘实时地收集、分析和处理数据，而无需来回与物联网网络进行连接，从而提高效率，节省资源，并增强安全性。

随着AI大模型、边缘计算等应用快速发展，对边缘设备、终端设备的本地处理能力提出了越来越高的要求，这就使得算力开始从云端向设备端下沉，在设备中加入AI功能成为厂商日益迫切的需求。面对这些挑战，Silicon Labs推出了多款技术方案，可以满足当前和未来物联网边缘设备与终端设备的处理能力要求。

xG24、xG26等多款SoC和MCU中集成了专用的人工智能/机器学习加速器，实现了处理速度和能效的显著提升。

在安全性方面， Silicon Labs获得PSA 3级认证的Secure Vault安全技术和ARM TrustZone技术相结合，可以为芯片构建最高级别的安全性，能够有效防止数据泄露、非法获取和模型篡改等安全问题发生。

BG24低功耗蓝牙SoC 是低功耗电池供电设备的理想选择，可提供低功耗、卓越的无线电性能和先进的安全功能，并支持使用AoA、AoD和信道探测进行蓝牙方向查找，以实现精确的方向查找和距离测量。

BG24具有强大的处理能力和内存容量，可满足复杂RTLS应用的需求，同时满足未来的功能要求。BG24专为需要长时间运行而不频繁充电的电池供电设备而设计。

通过支持蓝牙测向功能，BG24可以确定来自多个天线的输入信号的方向和距离，从而实现设备的精确定位。此外，BG24还通过 Secure Vault 充分利用行业领先的安全功能，确保用户安全和保护RTLS 系统内的数据完整性。

MG26 SoC采用多核ARM Cortex-M33 CPU实现了更高的计算性能，可以为射频与安全子系统提供专用内核，有助于为客户应用释放出主内核。

MG26使用其嵌入式加速器实现了AI/ML功能，进一步增强了在预测性维护、异常检测、关键词检测、视觉以及越来越多的跨物联网应用等关键任务中的性能。

与MG24系列产品相比，闪存、RAM和GPIO容量都增加了一倍，可以支持物联网设备制造商开发先进的边缘应用，利用更大、更精确的机器学习模型来提高性能。MG26还支持处理更大的机器学习工作负载，如更高分辨率的视觉。其嵌入式AI/ML硬件加速功能使机器学习算法的处理速度提高了8倍，与在CPU上运行同样应用相比，功耗仅需1/6。

Silicon Labs还提供完整的SoC开发工具，xG24 EFR32BG24蓝牙无线SoC开发套件，紧凑、功能丰富的开发平台，设计用于支持EFR32无线Gecko片上系统，支持Matter、Zigbee、低功耗蓝牙、蓝牙网状网络、专有和多协议操作并提供PSA 3级Secure Vault安全保护，同时推出AI和机器学习软件，以帮助开发人员实现AI/ML在物联网边缘设备上的应用。

随着数据的处理需求与复杂性也随之上升，传统的云计算模式，因延迟性、带宽限制及隐私保护等方面等问题，已难以满足实时数据处理的要求。

在此背景下，边缘AI作为一种将AI算法与机器学习模型直接部署于边缘设备上的方案，有效弥补了传统云计算模式的瓶颈。

相较于传统云计算需要将数据上传至云端再进行处理的过程，边缘AI凭借其将计算与推断能力部署在更接近数据源的优势，能够更迅速、更安全地提供数据处理与决策能力，同时强化了对数据隐私的保护。这些特性使得人工智能技术能够更加流畅、自然地融入各类边缘设备及多元化的应用场景之中，具有更大的发展潜力。