人工智能 (AI) 和机器学习 (ML) 是使系统能够从数据中学习、进行推理并随着时间的推移提高其性能的关键技术。这些技术通常用于大型数据中心和强大的 GPU，但越来越多地需要将它们部署在资源有限的设备上，例如微控制器 (MCU)。
AI 创建了可以执行类似人类任务的计算机系统，例如理解语言、寻找模式和决策。机器学习是 AI 的一个子集，涉及使用算法让计算机从数据中学习并随着时间的推移变得更好。 ML 模型可以找到模式、对对象进行分类，并根据示例预测结果。 MCU 在使 AI 和 ML 在边缘设备上成为可能方面发挥着重要作用。
基于 MCU 的边缘 AI/ML 的一些用例包括：
关键词识别：无需云连接即可识别特定单词或短语（例如语音命令）
传感器融合：结合来自多个传感器的数据，做出比单一传感器解决方案更明智的决策
异常检测：检测传感器数据中的异常值或异常模式，这些异常值或异常模式可能表明存在故障、错误或威胁，以进行预测性维护或质量控制 物体检测：在摄像头或其他传感器捕获的图像或视频中识别和定位感兴趣的物体（例如面部、行人、车辆）。
手势识别：解释摄像头或其他传感器捕捉到的图像或视频中的人类手势（例如手部动作、面部表情、身体姿势），以改善人机交互 MCU 上的 AI/ML 挑战 深度学习模型，尤其是深度神经网络 (DNN)，已成为计算机视觉和自然语言处理等复杂任务不可或缺的一部分。
然而，它们的计算需求巨大。这种资源密集型模型对于日常设备来说是不切实际的，尤其是那些由边缘设备中的低能耗 MCU 驱动的设备。深度学习模型复杂性的增长是不可否认的。随着 DNN 变得越来越复杂，它们的大小也越来越大，使它们与 MCU 上有限的计算资源不兼容。
AI算法消耗大量运算资源，过去使用微控制器（MCU）在嵌入式系统中进行AI运算被视为不可能，如今随着科技的进步，已不再如此，MCU上AI应用的发展现状及解决方案，了解最新技术发展趋势。
使用MCU进行AI运算是大势所趋 说到AI，其相关技术还包括机器学习、深度学习等，这些技术需要大量运算资源，通常与CPU、GPU、FPGA等强大的处理技术相关。然而随着AI技术向云端到边缘计算的发展，AI计算引擎将让MCU将嵌入式应用推向更广阔的世界，至少能让嵌入式设计提高对网络攻击的实时响应能力，提高设备的安全性。
目前市面上很多电子产品都是由MCU设计的，MCU已经广泛融入人们的生活。如今，随着AI的快速发展，越来越多的智能产品具备AI功能，如物联网设备、智能家电、智能音箱等，这促使更多企业开始重视利用MCU在嵌入式设备上应用AI特性，更加重视MCU与AI结合的发展。
MCU应用AI具有相当的优势，可以降低产品的功耗和成本，加快产品的发布速度，无需通过云计算，直接在前端处理，从而提高AI计算的效率。但由于MCU的算力较弱，计算频率较低，与CPU的算力相比差距明显。 此外，MCU缺乏建模和训练工具，在MCU上实现AI计算通常需要PC端工具，而且建立后的模型通常较大，不适合MCU使用，在综合流程和开发工具的应用上仍存在一定困难。
在MCU上运行的优化代码可以在语音、视觉和异常检测应用中执行AI功能。工程师可以将这些工具下载到MCU配置中并运行优化神经网络的推理。这些AI工具集还提供基于神经网络AI应用程序的代码示例。 第二种方法绕过了从云端借用的预训练神经网络模型的需求。设计人员可以将AI库集成到MCU中，并将本地AI训练和分析功能纳入其代码中。
随后，开发人员可以根据从边缘传感器、麦克风和其他嵌入式设备获得的信号创建数据模型，并运行预测性维护和模式识别等应用程序。 方法是提供AI专用的协处理器，使MCU供应商能够加快机器学习功能的部署。Arm Cortex-M33等协处理器可以使用CMSIS-DSP等流行的API来简化代码可移植性，从而使MCU和协处理器紧密耦合，以加速AI功能（例如相关和矩阵运算）。
一、应广单片机的性能特点
硬件设计优势
高集成度与低功耗：应广单片机将中央处理器、存储器、I/O接口等集成于单一芯片，具备体积小、功耗低的特点，适用于消费电子、智能家居等领域713。
抗干扰能力：晶片设计通过ESD（静电防护）及高抗干扰测试，适用于工业控制、医疗设备等对稳定性要求较高的场景7。
兼容性与灵活性：支持多种IC品牌（如PIC、AVR）的脚位兼容，支持C语言和汇编混编开发，降低客户改板成本13。
典型型号性能示例
PMS150C：1KW OTP程序存储器、64Bytes数据存储器、16位/8位定时器、通用比较器，适用于简单控制任务（如LED灯控、小家电控制），但存储容量和计算能力有限，不适合复杂算法。
应用领域
主要覆盖智能家居（如电吹风、加湿器）、医疗设备（生命体征监测）、工业控制等，体现其在低复杂度场景下的高性价比。
二、应广单片机在AI应用中的潜力与挑战潜力
边缘计算的适配性
应广单片机适合边缘设备的轻量级AI任务，例如传感器数据预处理、简单逻辑判断（如温度阈值监测），减少云端依赖并提升实时性。
通过模型压缩技术（如剪枝、量化），可将微型AI模型（如二分类问题）部署至单片机，例如判断输入数值是否小于某阈值。
低功耗场景的竞争力
在智能家居、可穿戴设备等对功耗敏感的场景中，应广的低功耗特性可支持长期运行的AI功能（如语音唤醒、环境监测）。
国产替代机遇
随着AI芯片国产化趋势加速，应广可通过整合硬件加速模块（如专用AI协处理器）提升竞争力，契合政策支持的自主可控需求。
挑战
计算与存储瓶颈
现有型号的存储容量（如64Bytes RAM）和计算能力难以支持复杂神经网络，需依赖外置加速器或云端协同计算。
实时性要求高的任务（如视觉识别）受限于单片机的处理速度。
算法优化需求
需采用轻量化框架（如TensorFlow Lite for Microcontrollers）和定制化模型，压缩后的模型仍需适配单片机资源限制612。
安全性问题
在医疗、工业等关键领域，需强化数据加密和模型防篡改机制，确保AI系统的可靠性。
应广单片机凭借低功耗、高性价比和抗干扰能力，在简单AI边缘计算场景中具备独特优势，但需通过硬件迭代和算法优化突破性能瓶颈。随着AI向边缘端渗透及国产替代政策的推动，应广科技单片机有望在智能家居、工业物联网等领域占据细分市场，但需在技术升级与生态建设上持续投入以应对国际竞争。
