AI應用正從云端逐漸向邊緣和終端設備擴展。 微控制器（MCU）作為嵌入式系統的核心，正在經歷一場由AI驅動的技術變革。 傳統的MCU主要用于控制和管理硬件設備，但在AI時代，MCU不僅需要滿足傳統應用的需求，還需具備處理AI任務的能力。

滿足邊緣與終端設備的需求

邊緣計算（Edge Computing）是指將數據處理和計算任務從云端轉移到靠近數據源的設備上進行。 這種方式能夠減少數據傳輸的延遲，提升系統的實時性和隱私保護。 邊緣設備通常資源有限，因此需要高效且低功耗的AI處理器來支持復雜的AI任務。

為了滿足邊緣與終端設備的需求，AI處理器需要具備以下特點：

● 低功耗：邊緣設備通常依賴電池供電，因此AI處理器必須在低功耗下運行。

● 高效能：AI任務如圖像識別、語音處理等需要高效的計算能力。

● 小型化：邊緣設備的空間有限，AI處理器需要高度集成且體積小巧。

● 實時性：許多邊緣應用（如自動駕駛、工業控制）要求實時響應，AI處理器必須能夠快速處理數據。

傳統MCU主要用于控制任務，而AI處理器則專注于數據處理和模型推理。 為了滿足邊緣設備的需求，現代MCU開始集成專用的AI加速器（如NPU，神經網絡處理單元），以實現高效的AI運算。

Arm 物聯網事業部亞太區資深經理黃晏祥指出，邊緣運算跟云端運算主要的差異應該是應用的最佳化vs.產品的泛用性，邊緣運算為了更接近使用場景，通常會有功耗與布建成本的局限性，因此效能與功耗的產品平衡與多重的選擇是最重要的。

例舉Arm的 AI 處理器專注于實現高效能與低功耗的平衡，尤其是對邊緣與終端設備的特殊需求進行優化。 透過Arm Cortex系列處理器和Arm Ethos系列類神經處理器，提供多樣化的解決方案，滿足不同應用場景所需效能。 同時，也專注于提供靈活的軟硬件架構，以支持 AI 模型得以高效率的執行，并加速產品上市進程。

針對快速崛起的 AI 市場，Arm 積極布局 AI 處理器技術，以滿足邊緣和終端設備的需求。 Arm 提供 Cortex-A、Cortex-M、Cortex-R 與Ethos NPU系列等處理器，這些處理器都可具備 AI 處理能力，可根據不同的應用場景和需求選擇。 例如，Cortex-A系列適用于高性能計算，Cortex-M系列則針對低功耗和嵌入式應用進行了優化。 在選擇處理器時，需要考量效能、功耗和成本等因素，才能做出最佳決策。

專為人工智能物聯網（AIoT）應用設計的Arm Cortex-M52，是因應更高的數碼信號處理和機器學習性能需求設計，無需負擔專門配置數字信號處理與機器學習加速器的成本。 Cortex-M52 能在低于目前市場的價位優勢之上，充分發揮機器學習在嵌入式運算解決方案的潛能。

Arm Cortex-M85則為最高效能的Cortex-M處理器，采用Arm Helium技術，提供Cortex-M系列處理器最高的純量、數字信號處理及機器學習效能。 并為需要特高效能和更高安全性的 Cortex-M 架構的應用提供自然升級路徑。

Cortex-M55 和 Cortex-M85 處理器支持 Helium 的處理器。 該項技術是 Arm Cortex-M 處理器系列的 M 系列向量擴充方案 （MVE）。

Arm 也積極與開發人員社區合作，提供開發工具、軟件庫和開放源代碼資源，幫助開發人員快速開發和部署 AI 應用。 Arm Kleidi 庫，提供具有彈性的各種核心組合，協助在框架上強化人工智能。 Kleidi 技術已整合到主要的AI框架如 PyTorch 和 ExecuTorch，促使新一代的應用在 Arm CPU 上運行大型語言模型（LLM）。 Kleidi 將繼續與 PyTorch 和 ExecuTorch 的各版本以及其他主要 AI 框架進行整合。 從云端數據中心到邊緣端裝置，開發人員現在可以即刻在各類設備上基于 Arm 平臺高效率的運行高效能 AI 工作負載。

在傳統應用與AI之間取得平衡

MCU在傳統應用中主要負責控制和管理硬件設備，例如家電、工業自動化、汽車電子等。 這些應用對MCU的要求包括：

● 穩定性：系統必須穩定可靠，能夠長時間運行。

● 實時性：需要快速響應外部事件。

● 低功耗：許多應用場景依賴電池供電，功耗必須盡可能低。

隨著AI技術的普及，MCU需要支持更多的AI功能，例如語音識別、圖像處理、預測性維護等。 這些功能對MCU的計算能力和存儲空間提出了更高的要求。 然而，MCU的資源有限，如何在傳統應用與AI功能之間取得平衡成為一個關鍵問題。

為了在傳統應用與AI功能之間取得平衡，MCU的設計可以采取以下策略：

● 模塊化設計：將AI功能作為可選模塊，用戶可以根據需求選擇是否啟用。

● 資源分配優化：通過動態資源分配，確保傳統控制任務和AI任務都能獲得足夠的資源。

● 多核架構：采用多核設計，將傳統控制任務和AI任務分配到不同的核心上運行，避免資源競爭。

● 軟硬件協同設計：通過優化硬件架構和軟件算法，提升MCU的整體性能。

為了提升AI模型的運行效率，許多MCU開始整合專用的AI加速器。 這些加速器針對神經網絡計算進行了優化，能夠大幅提升模型的推理速度。 例如，Arm的Cortex-M系列MCU已經支持AI加速功能，能夠高效運行機器學習模型。

Arm主任應用工程師林宜均指出，Arm 的 MCU 產品策略中結合了對傳統應用的深厚技術基礎，與對新興AI 技術發展的積極投入。 產品不僅支持傳統的低功耗嵌入式應用，還加入了對 AI 推論的支持，尤其是在語音識別、影像處理和傳感器數據分析等場景。

新一代Armv8-M架構為Cortex-M處理器帶來更強大的安全性和效能，可更加滿足未來MCU應用的需求，包括AI功能的導入。 Arm Helium 技術是Arm Cortex-M處理器系列的M系列向量擴充方案（MVE）。 Helium 為 Armv8.1-M 架構的延伸，可協助機器學習 （ML） 與數字訊號處理 （DSP） 應用大幅提升效能

在MCU產品中導入AI功能的同時，必須兼顧傳統應用的需求，例如低功耗和實時性。 例如Arm 的 Cortex-M 系列處理器，它在提供 AI 處理能力的同時，也保持了低功耗的特性，適合應用于各種嵌入式裝置。

軟件可以釋放硬件的效能與潛力。 Arm 除了提供硬件平臺之外，也提供軟件庫和開發工具，協助開發人員進行軟件優化。

為了滿足客戶于互聯網市場復雜且多樣化的設計，和署具有智能又安全的物聯網裝置，Arm提供物聯網參考設計平臺Arm Corstone系列，借此協助降低設計復雜度，并加快上市時程。 Corstone 提供大量軟件、IP 區塊，以及可配置和可修改的異質化子系統，以達到兼具效能與能源效率的目標。 SoC 設計人員可使用Arm Corstone 作為框架，以可修改及可配置的異質化子系統構建SOC。 軟件開發人員可使用 Corstone 軟件組件和工具，在硬件準備就緒之前就能開始開發軟件，大幅減少開發時的等待時間。

未來發展趨勢

未來，MCU將整合更高效的AI加速器，以支持更復雜的AI任務。 基于RISC-V架構的AI加速器正在成為一個熱門研究方向。 隨著AI技術的普及，MCU將在更多領域得到應用，例如智能家居、智慧城市、醫療設備等。 而AI開發生態也將更完善，開發工具和框架將更加成熟，幫助開發者更高效地實現AI功能。

MCU的計算能力和存儲空間有限，直接運行大型AI模型是不現實的。 因此，模型壓縮和量化成為優化AI模型在MCU上運行效率的關鍵技術。

為了降低開發難度，許多廠商提供了專門的開發工具和生態系統。 例如TensorFlow Lite for MCUs是專為MCU設計的機器學習框架，能夠幫助開發者快速部署AI模型。 許多廠商還提供了豐富的示例代碼和開發文檔，進一步降低了開發門檻。

結論

微控制器在AI時代面臨著新的挑戰和機遇。 透過整合AI處理器、優化資源分配、壓縮和量化AI模型，MCU能夠在傳統應用與AI功能之間取得平衡，并在邊緣與終端設備中發揮重要作用。 未來，隨著技術的不斷進步，MCU將在更多領域實現智能化，為AI的普及和應用提供強大的支持。