隨著人工智能和物聯(lián)網(wǎng)技術(shù)的發(fā)展，我們看到智能設(shè)備正在加速普及。我們的身邊，漸漸地有智能音箱、早教機(jī)器人、掃地機(jī)器人等新智能設(shè)備品類出現(xiàn)，同時(shí)在智能工業(yè)、智能城市和智能零售等領(lǐng)域，智能化的腳步也在向前進(jìn)展。我們看到，在這樣的發(fā)展趨勢下，傳統(tǒng)的MCU芯片也在發(fā)生著深刻的變化，在向智能化的方向發(fā)展。

智能物聯(lián)網(wǎng)與MCU智能化

這一波人工智能的興起起源于大數(shù)據(jù)和深度學(xué)習(xí)。隨著互聯(lián)網(wǎng)的發(fā)展，人類社會(huì)產(chǎn)生了大量數(shù)據(jù)，而大數(shù)據(jù)配合深度神經(jīng)網(wǎng)絡(luò)等算法可以訓(xùn)練出一些精度極高的機(jī)器學(xué)習(xí)模型，從而能撬動(dòng)人臉識別，自動(dòng)駕駛，語音識別等新應(yīng)用。基于大數(shù)據(jù)的人工智能中，終端節(jié)點(diǎn)負(fù)責(zé)采集數(shù)據(jù)并且交給云端，云端服務(wù)器反復(fù)迭代訓(xùn)練高精度模型，并最終將這些模型部署到應(yīng)用中。應(yīng)當(dāng)說數(shù)據(jù)采集和模型訓(xùn)練的任務(wù)分別在終端和云端做目前得到了一致認(rèn)可，但是具體部署的機(jī)器學(xué)習(xí)模型在何處執(zhí)行在不同的應(yīng)用中卻有所不同。

有些應(yīng)用（如攝像頭內(nèi)容分析）的模型部署在云端，即終端把原始數(shù)據(jù)完全回傳給云端，云端在該數(shù)據(jù)上執(zhí)行深度學(xué)習(xí)模型的推理，之后把結(jié)果發(fā)回給終端，終端再根據(jù)云端的結(jié)果執(zhí)行相應(yīng)操作；而在自動(dòng)駕駛等應(yīng)用中模型必須部署在終端，即終端收集到數(shù)據(jù)后在本地執(zhí)行深度學(xué)習(xí)模型的推理，并根據(jù)結(jié)果作出相應(yīng)動(dòng)作。在智能工業(yè)等需要在終端執(zhí)行深度學(xué)習(xí)模型推理的場景，原來用來執(zhí)行相關(guān)動(dòng)作的MCU就必須能夠支持這樣的深度學(xué)習(xí)推理計(jì)算，這也就是MCU的智能化。

通常來說，機(jī)器學(xué)習(xí)模型必須部署在終端執(zhí)行的理由包括傳輸帶寬、反應(yīng)延遲和安全性等。從傳輸帶寬來考慮，目前物聯(lián)網(wǎng)中節(jié)點(diǎn)分布在各種場景中，如果要把原始數(shù)據(jù)直接傳輸?shù)皆贫耍瑒t帶寬開銷非常大，而且無線傳輸?shù)哪芰块_銷也不小。而如果在終端部署機(jī)器學(xué)習(xí)推理則可以省下帶寬的開銷，只需要有選擇性地把部分重要數(shù)據(jù)傳送到云端，而無需傳輸全部原始數(shù)據(jù)。

反應(yīng)延遲也是把深度學(xué)習(xí)部署在終端的重要理由。目前數(shù)據(jù)到云端的來回傳送時(shí)間通常在數(shù)百毫秒級，對于工業(yè)機(jī)器人等對于延遲有高要求的應(yīng)用來說無法滿足要求。即使在5G低延遲網(wǎng)絡(luò)下，無線網(wǎng)絡(luò)的可靠性對于智能工業(yè)等要求高可靠性的應(yīng)用來說也難以滿足需求，偶爾的高延遲甚至數(shù)據(jù)丟包都可能會(huì)造成要求即時(shí)反應(yīng)的機(jī)器發(fā)生問題，因此會(huì)傾向于選擇將深度學(xué)習(xí)推理的計(jì)算放在本地做。

最后，數(shù)據(jù)的安全性也是一個(gè)考量，對于一些敏感應(yīng)用來說將數(shù)據(jù)通過網(wǎng)絡(luò)傳送給云端服務(wù)器意味著存在著數(shù)據(jù)被入侵的風(fēng)險(xiǎn)——如果黑客通過破解智能工廠與云端服務(wù)器的數(shù)據(jù)從而控制整個(gè)工廠將會(huì)給工廠帶來巨大損失——而如果把這些計(jì)算放在本地則會(huì)安全地多。

根據(jù)上述的場景，我們認(rèn)為需要執(zhí)行本地機(jī)器學(xué)習(xí)推理計(jì)算的MCU主要會(huì)運(yùn)行在如下場景中：

-智能生產(chǎn)，需要快速反應(yīng)且重視數(shù)據(jù)的安全性，如根據(jù)聲音識別機(jī)器故障等；

-小型機(jī)器人，沒有人會(huì)希望機(jī)器人一旦斷網(wǎng)就無法工作，如無人機(jī)，掃地機(jī)器人等；

-智能家電，如智能空調(diào)根據(jù)人的位置智能送風(fēng)等；

-智能可穿戴設(shè)備，如根據(jù)人體的生理信號給出相應(yīng)提示等。

隨著上述在終端部署執(zhí)行機(jī)器學(xué)習(xí)推理計(jì)算的需求，一些原來只負(fù)責(zé)執(zhí)行基本程序的MCU也必須要有能力能跑動(dòng)機(jī)器學(xué)習(xí)推理計(jì)算。這對于MCU的挑戰(zhàn)在于算力，因?yàn)樵谶@一波人工智能的浪潮中，訓(xùn)練好的模型所需要的計(jì)算量通常是數(shù)十萬次計(jì)算到數(shù)億次計(jì)算不等，如果需要實(shí)時(shí)執(zhí)行這些運(yùn)算則MCU需要的算力將會(huì)比原來的MCU強(qiáng)幾個(gè)數(shù)量級。

另外，智能MCU對功耗和實(shí)時(shí)性也有很高要求，這就需要MCU設(shè)計(jì)能有相應(yīng)改變。目前，MCU正處于8位更新?lián)Q代到32位的過程中，我們預(yù)計(jì)在32位MCU的基礎(chǔ)上，智能化會(huì)成為下一個(gè)MCU的演進(jìn)方向。

智能化技術(shù)路徑一：整合加速器IP

目前MCU領(lǐng)域，ARM占據(jù)了領(lǐng)導(dǎo)者的地位，其IP占據(jù)了大量的市場份額。對于智能化MCU的興起，ARM自然也不會(huì)袖手旁觀，而是起到了推動(dòng)者的作用，幫助MCU實(shí)現(xiàn)智能化。

ARM的Cortex系列架構(gòu)占據(jù)著32位MCU的主導(dǎo)位置，所以ARM推進(jìn)智能MCU的方法需要兼顧其Cortex架構(gòu)，不能為了推智能化MCU結(jié)果把自己的命給革了。因此，ARM選擇的方法是給Cortex核搭配一個(gè)獨(dú)立的加速器IP，當(dāng)需要執(zhí)行機(jī)器學(xué)習(xí)相關(guān)算法時(shí)調(diào)用這個(gè)加速器IP去做計(jì)算，而當(dāng)做傳統(tǒng)操作時(shí)還是使用Cortex。