MCU巨头，殊途同归

MCU+AI加速器越来越受欢迎。

Yole表示，尽管2018年全球通胀大幅飙升以及半导体市场周期性波动和需求低迷，但微控制器（MCU）市场在2018年仍然蓬勃发展，整体年收入增长了25%。

2019年，许多供应商开始担心库存过剩，并受到消费市场支出大幅下降和供应过剩的严重影响，导致平均售价和收入下降。

但MCU市场的长期增长潜力尤其乐观。

据Technavio报告显示，2017年至2020年MCU市场规模将以6.97%的复合年增长率增长，预计全年市场规模将增长90亿美元。

来源：technavio 市场的增长取决于多种因素，包括汽车中 MCU 使用量的增加、物联网和智能设备需求的增加以及消费电子行业的增长。

一路走来，连接设备不断增长，并且出现了在物联网边缘开发更多智能设备的趋势。

随着AI向边缘及终端设备的深入渗透，边缘计算的发展已成为推动全球MCU市场增长的主要趋势之一。

这些趋势不仅带动了MCU的市场需求，也催生了MCU的新技术创新。

众所周知，AI计算和机器学习以前主要在云端完成，但现在逐渐向边缘发展。

边缘计算是指在网络边缘运行的计算，更靠近数据生成源，而不是位于遥远的数据中心。

这样做的好处是可以减少上传到云端的数据带宽，提高本地设备的响应速度，提高本地数据的安全性。

随着边缘计算在物联网领域的不断部署，MCU在边缘计算中的使用将会增加。

同时，万物互联时代，数据爆发式增长，CPU面临着巨大的计算压力。

关于“如何释放CPU的计算压力”，市场上出现了不同的解决方案。

一些公司已经开始在MCU中添加加速器，使用专用计算能力来执行ML运算，希望释放CPU的通用计算能力。

简而言之，人工智能和机器学习计算正在从云端迁移到边缘。

前端计算中心可以提高本地设备响应，减少上传到云端的数据带宽，提高本地数据的安全性。

好处是无穷无尽的。

不言而喻。

这种边缘AI不会停留在手机、电脑等具有SoC级算力的终端，而是会继续向基于MCU的物联网设备蔓延。

对此，MCU厂商纷纷创新，尝试将AI/ML技术集成到MCU中，并将其推向边缘，以跟上更智能边缘设备的步伐。

目前，一些企业已经开始探索布局。

01 MCU龙头厂商发力。

据Yole统计，全球MCU厂商年度营收排名中，意法半导体（STM）、英飞凌（infineon）、瑞萨电子（Renesas）、恩智浦半导体（NXP）和Microchip位列前五，其中前10家企业合计市场份额达93%。

本文以领先的MCU厂商为例，看看MCU行业如何针对上述边缘设备市场的发展进行创新和演进。

NXP：第一个将NPU集成到通用MCU中的公司。

NXP曾表示，“以前一个好的MCU的标准是：按下按钮时快速响应，但现在远不止于此。

我们希望处理器本身具有预测性。

这就需要引入AI元素。

因此相信越来越多的实施项目会要求边缘计算平台有越来越多的AI功能支持。

”熟悉NXP的人应该知道，NXP分别有三大类边缘计算平台。

是通用MCU平台（LPC、Kinetis）、跨界MCU i。

MX RT 系列，以及 i。

MX和Layerscape系列应用处理器，这三类产品构建了恩智浦广泛而丰富的可扩展边缘计算平台。

近年来，NXP新推出的跨界MCU填补了MPU和MCU之间的市场空白，并获得了良好的市场反响。

在通用MCU市场，一个新的时代即将开始。

据IHS预测，2018年将有1亿台联网设备，这将带来新的MCU应用需求。

追求低功耗、无线连接、安全、高性能和AI能力已成为新型通用MCU的必备能力。

而且，同一个MCU平台需要具有灵活的可移植性，以方便开发者迁移设计。

基于智能边缘的各种趋势，恩智浦推出了通用MCU平台——MCX微控制器产品组合。

该平台结合了LPC和Kinetis的传统优势，将开启下一次智能边缘之旅。

传统上，将一些成熟的算法部署到MCU的CPU核上需要付出很大的努力，而且难度很大。

目前，MCU厂商已经推出了相应的AI开发工具包或例程供开发者使用。

但另一个问题是MCU的CPU核心不适合AI和ML运算，这会极大地占用其计算资源。

高度依赖CPU核心和FPU等硬件资源也会增加功耗，从系统角度来看这不是一个合适的做法。

因此，在通用MCU中加入硬件NPU，专门加速边缘的一些通用AI运算，成为解决该问题的首选。

CPU核心可以专注于自己擅长的计算任务，并将AI ML运算交给NPU。

上面提到的MCX N系列就是这样，让合适的核心做合适的任务，从而帮助开发者为未来的智能边缘实现更好的设计。

据介绍，NPU作为CPU的AI计算协处理器，主要内部有专用的计算通道。

这个NPU是NXP自研的硬件IP。

在MCU领域，集成神经处理单元应该说迎合了这个时代。

未来，该 NPU 还可以扩展到更高性能或更小的单元。

NXP的整个MCU和MPU系列将采用统一的NPU架构，以提供更高性能的NPU加速器。

通过一致的NPU架构，相同的算法也更容易从MPU迁移到MCU平台。

与部分AI SoC相比，NXP N系列产品功能更加丰富，可以覆盖更多基础应用的AI功能升级；而对于一些更前端、在传感器上添加加速器的AI产品来说，它们的加速器往往比较简单，只适合对其传感器进行数据过滤。

它不具备更灵活的通用性，无法支持更多的算法模型。

最近，恩智浦最近宣布与 Aptos-Eta Compute 合作，将恩智浦先进的以人工智能为中心的芯片和软件工具集成到 Aptos 的* MLOps 平台中。

在此过程中，Aptos可以优化和调整芯片的人工智能模型，实现前所未有的模型效率和性能，并简化低功耗边缘处理器的模型开发、部署和管理。

此次合作标志着缩小人工智能和嵌入式系统之间差距的重要一步。

Aptos 使机器学习开发人员和嵌入式系统工程师无需了解芯片特定功能和限制的复杂知识，从而为机器学习开发人员和嵌入式系统工程师提供支持。

人工智能开发人员现在可以轻松创建和部署优化的机器学习模型，利用恩智浦芯片的强大功能来管理片上内存和低功耗等紧张资源，而无需深入了解嵌入式技术。

嵌入式系统工程师可以使用无代码工具链轻松获得最先进的人工智能模型。

Eta 联合创始人兼营销副总裁 Paul Washkewicz 表示，这种“简化 + 优化”是使 Edge Al 革命成为现实的核心，使其在快速发展的 Edge Al 世界中比以往任何时候都更容易获得和高效。

计算。

，协作是成功的关键。

Eta Compute与恩智浦半导体的合作，标志着业界致力于打破壁垒，为更多领域提供有效的解决方案，从而推动边缘人工智能的发展。

据悉，MCX的应用场景是对MCU现有应用场景的扩展。

在传统控制应用的基础上，在医疗设备、无人机、或者工业控制等方面增加智能识别、故障检测、语音控制等。

应用。

基于NPU的出现，还会衍生出很多新的应用，比如识别日常生活中物体的秤；在医学检测中，可用于检测含有疟疾的红细胞；总体而言，高性能、无线、安全和AI特性，以及具有所有这些特性的通用MCU平台是大势所趋。

业界很多厂商已经拥有非常完善的平台，但MCX是第一个在通用MCU上添加硬件NPU的公司。

可以说，NXP抓住了广阔的市场空白和明确的应用前景。

英飞凌：板载 ML 硬件加速 最近，英飞凌宣布推出 PSoC Edge 系列微控制器，为边缘操作机器学习 (ML) 设备提供高性能和安全性。

PSoC Edge 系列 MCU 提供内置 ML 支持、自主仿真等功能，使其成为下一代智能边缘设备的候选者。

PSoC Edge系列MCU框架值得注意的是，除了支持Cortex-M55 DSP和Ethos-U55 NPU之外，PSoC Edge系列MCU的一个关键规格是板载ML硬件加速，集成了英飞凌专有的神经网络硬件加速器NNLite。

这种硬件加速使该系列 MCU 能够用于需要响应式计算和控制的各种应用，包括智能家居、可穿戴设备和人机交互设计。

然而，除了这些特定领域之外，设计人员还可以在任何需要片上 ML 加速的应用中使用 PSoC Edge MCU。

以物联网设备为例，机器学习功能可用于自适应地与环境交互，而机器人用例可以利用机器学习功能来提高自主设备的效率和性能。

同时，随着向边缘设备分配更多计算能力的趋势不断发展，PSoC Edge系列MCU为应用设备提供更多功能和安全性。

随着越来越多的开发人员使用该芯片，他们可以评估片上机器学习加速和自主模拟信号链带来的性能改进。

另外，开发工具也是用户在开发MCU过程中不可或缺的一部分。

为了更好地支持AI功能的开发，英飞凌还推出了ModusToolbox机器学习工具，可以快速评估ML模型并将其部署到英飞凌MCU中。

ModusToolbox ML 旨在通过直观的配置器与 BSP、连接堆栈、中间件和 ModusToolbox 软件生态系统无缝协作，以便开发人员可以专注于差异化其应用程序并加快上市时间。

此外，为了支持汽车人工智能和车辆虚拟化的趋势，英飞凌还与Synopsys合作推出了用于AI加速的Aurix TC4x平台。

英飞凌的 AURIX TC4x MCU 集成了称为并行处理单元 (PPU) 的高性能 AI 加速器，由 Synopsys DesignWare ARC EV 处理器 IP 提供支持。

将基于 ARC EV 处理器的 PPU 集成到 AURIX TC4x 架构中，通过提供经济实惠的人工智能来实现广泛的电动汽车用例。

PPU具有实时处理性能，可以加速循环神经网络、卷积神经网络、多层感知器等AI算法。

除了提供处理能力外，ARC EV7x 处理器 IP 还提供功能安全特性，与 AURIX 架构相结合，支持开发更安全的汽车系统。

2020年5月，英飞凌宣布收购位于瑞典斯德哥尔摩的初创公司Imagimob AB，以增强其在微控制器和传感器上的TinyML边缘AI能力。

Imagimob 是快速增长的小型机器学习和自动化机器学习（TinyML 和 AutoML）市场的领导者。

ST：AI结合软硬件赋能MCU。

近年来，智能家电的快速发展对MCU的性能和互联提出了越来越高的要求。

基于MCU平台，可以运行人工智能和机器学习，开发出更高性能、更低功耗的边缘计算正在成为行业热点。

面对这一趋势，意法半导体很早就开始布局智能MCU。

ST 创建了一个平台，通过 STM32Cube-AI 将机器学习引入 32 位 MCU。

今年6月，意法半导体宣布收购边缘AI软件专业开发公司Cartesiam，使基于Arm的MCU具备机器学习和推理能力。

去年，ST推出了STM32N6，这是一款带有神经网络硬件处理单元的通用微控制器。

这是意法半导体首款带有神经处理单元硬件加速器的MCU，将促进目标应用的计算能力和功耗的提升。

进一步降低成本。

与 STM32MP1 微控制器相比，该 MCU 的推理速度快 25 倍。

据了解，STM32N6包含专有的NPU和ARM Cortex核心，可提供与配备AI加速器的四核处理器相同的AI性能，但成本仅为其十分之一，功耗仅为其12倍。

今年5月，ST推出了最新的64位微控制器STM32MP2。

凭借多个 ARM Cortex 内核、一个神经处理单元、一个图形加速器和多个高性能 I/O 选项，ST 将这款新型处理器定位于工业 4.0 应用中的机器学习。

此外，意法半导体的软件工具STM32CubeMX还集成了AI模块，可以方便客户将训练好的AI模型转换为MCU上运行的软件，使MCU可以轻松实现AI功能。

ST还拥有STM32Cube.AI和NanoEdge AI Studio软件工具，并与NVIDIA合作集成NIVIDIA TAO和STM32Cube.AI工具，让开发人员能够在STM32微控制器上无缝训练和实现神经网络模型。

相对而言，STM32Cube.AI和NanoEdge AI Studio这两款优势互补的软件工具、丰富的STM32微控制器和微处理器产品系列以及庞大的传感器产品组合，使得ST的人工智能解决方案最具市场竞争力。

丰富的人工智能产品组合。

瑞萨电子：业界顶级的M85处理器MCU。

近年来，不少厂商开始尝试将AI功能集成到MCU中。

瑞萨电子也是关注MCU+AI的厂商之一。

出于效率、延迟和成本的考虑，市场开始采用越来越多的边缘计算作为嵌入式系统中 AI/ML 的唯一解决方案。

作为全球主要的MCU和MPU供应商，瑞萨电子的AI解决方案通过使用具有终端智能数据处理能力的嵌入式AI技术，增强基于信息和操作技术的系统和产品。

早在2018年，瑞萨就推出了面向AI的MPU产品。

入门级RZ/V2L系列具有类似的功效和高精度AI加速器DRP-AI，用于AI推理和图像处理，以实现更具成本效益的视觉AI应用。

此外，通用64位RZ/G2L产品组使用最新的Arm Cortex-A55内核来改进AI处理。

去年，瑞萨还推出了内置视觉AI加速器的RZ/V2MA系列产品，进一步实现了精确的图像识别和多摄像头图像支持。

据了解，RZ/V2系列是AI专用微处理器，内置瑞萨电子*硬件加速器“DRP，动态可重构处理器-AI”。

DRP-AI 专为嵌入式机器视觉 AI/ML 应用而设计和优化。

它可以提供实时AI推理和图像处理功能。

它还具有高AI推理性能和低功耗。

该系列产品支持0.4~80TOPS。

可扩展的AI算力为资源有限的嵌入式端侧AI应用提供差异化??、有竞争力的解决方案。

瑞萨表示，MCU和MPU的计算效率以及实时处理AI/ML模型的能力正在不断提高。

随着AI/ML技术在各种应用中的广泛采用，MCU和MPU将不断添加AI加速结构和NPU。

近日，瑞萨电子再次推出了功能强大的RA8系列MCU。

全新RA8系列MCU部署了Arm Helium技术，即Arm的M型矢量扩展单元。

与基于 Arm Cortex-M7 处理器的 MCU 相比，该技术可将数字信号处理器 (DSP) 和机器学习 (ML) 的性能提高 4 倍。

人工智能的出现增加了对边缘和终端智能的需求，以服务于工业自动化、智能家居和医疗等不同市场的新应用。

瑞萨电子的全新 RA8 系列为 MCU 性能和功能设定了新标准，并将简化人工智能在许多新应用中的实施，适合那些希望在不牺牲安全性的情况下抓住嵌入式和物联网领域不断增长的人工智能机会的人们。

对于创新者来说，这将改变游戏规则。

在AI软件方面，瑞萨电子也在持续加强布局。

瑞萨电子于去年年中完成了对 Reality AI 的收购，为汽车、工业和消费产品中的先进非视觉传感提供嵌入式人工智能和微型机器学习 (TinyML) 解决方案。

Reality AI 的旗舰产品 Reality AI Tools 是一个软件环境，旨在支持整个产品开发生命周期，提供来自非视觉传感器的数据分析。

目前，Reality AI的全套工具已用于支持瑞萨所有MCU和MPU产品线。

用户可以使用该工具集来优化自己的AI和ML模型，并向外界提供支持AI计算的MCU。

ADI：硬件CNN集成，边缘AI MCU的技术趋势需要在多个垂直边缘进行AI赋能。

调用云端的AI能力成本较高，整个链条的响应时间也较长，这取决于连接的质量。

也比较高，因此无法实现更加实时的计算和处理，与端侧低功耗、低时延的系统设计目标不符合。

边缘AI的实现需要满足端侧的功耗要求。

因此，内置硬件CNN执行专门的AI运算，成为ADI的AI MCU首选。

在端侧计算单元部署资源充足的卷积神经网络（CNN）加速器，可以承担端侧的AI任务，同时也释放了CPU等更擅长做计算任务的资源，从而提高AI运营。

同时，也保证了端侧高能效目标的实现。

据了解，在数百亿的物联网设备中，大部分计算单元都是MCU。

将CNN加速器集成到MCU中已经成为MCU的发展方向。

目前，多家MCU厂商都推出了AI集成的MCU产品，ADI也是如此。

预计2019年产生的数据75%将在边缘侧处理，端侧AI MCU市场潜力巨大。

以ADI的边缘AI解决方案MAXX系列MCU为例。

MAXX 系列由两个微控制器内核（ARM Cortex M4F 和 RISC-V）以及一个卷积神经网络 (CNN) 加速器组成。

该架构针对边缘人工智能应用进行了高度优化。

数据加载和启动由微控制器核心处理，而人工智能推理则由卷积神经网络加速器专门处理。

据了解，ADI的边缘AI解决方案具有四大特点：速度快、无需外部存储、灵活的时钟控制、超低功耗。

因此，它特别适合需要电池供电和及时决策的物联网设备。

对于边缘AI计算平台，与选择FPGA、GPU、DSP或其他专用ASIC相比，ADI的MAXX以其针对性的架构设计提供了更高的能效和性能。

与传统的MCU+DSP方案相比，ADI的MAXX CNN加速器可以降低99%以上的功耗，并且CNN上的算法执行效率也高于DSP上。

对于单纯使用微控制器的解决方案，MAXX的CNN加速器具有更高的数据吞吐量，可以将速度提升两倍以上；它还释放了CPU的工作负载，使其能够专注于它更擅长的计算任务。

对于FPGA等解决方案来说，虽然它们可以处理更复杂的细节，但其成本、功耗和面积并不适合部署在边缘侧。

MAXX还具有更大的优势。

随着AI在边缘的落地，在端侧MCU中集成硬件CNN已成为一种技术趋势。

此类AI MCU的发展将迎来巨大的市场机会。

MCU初创公司：瞄准AI加速器 此外，一些AI初创公司，例如Br??ainchip、Hailo和Alif，已经瞄准了可用于MCU应用的AI加速器。

以Alif为例，Alif半导体推出的Ensemble系列融合微控制器“融合”了不同的计算技术——实时MCU内核、机器学习加速器和一些应用MPU内核，可以有效处理电池供电设备上的繁重机器学习。

工作量。

据悉，其性能比使用各种AI模型执行类似工作负载的传统32位MCU高出两个数量级。

Alif 的新系列 Ensemble 微控制器和微处理器 随着系统设计人员寻求减少 AI/ML 处理对云的依赖，Ensemble 系列等可扩展边缘 AI 解决方案可能会在未来几年取得进步。

Arm：MCU+AI需求旺盛 作为众多MCU芯片厂商的固有赋能者，Arm近年来陆续发布了具有算力的核心MicroNPU Ethos U55、U65等系列，标志着人工智能加速器市场更加强劲的需求开始单片机市场。

。

如今，在MCU中添加AI加速器逐渐流行。

使用Tiny ML/Embedded ML在MCU上部署算法，也可以根据不同的应用场景，轻松灵活地部署在不同架构和资源的通用MCU上。

Arm在短时间内发布了两代用于MCU的microNPU。

一方面，说明MCU市场确实对AI和AI加速器有旺盛的需求；另一方面，也说明MCU、MPU甚至CPU之间的性能差距正在缩小。

这将为未来智能MCU生态系统带来新的变化。

AI与MCU的融合或将释放巨大市场，或成为未来万物互联的基石。

同时也看到，除了在MCU中集成硬件加速器之外，在MCU中解决边缘AI更流行的趋势在于算法的开发。

可以使用 TinyML 和 TensorFlow Lite 等较小的工具来开发 ML 算法，从而使其能够用于在 MCU 等受限硬件中开发 AI 应用程序。

如上所述，瑞萨电子、英飞凌、ST等都在开发AI软件解决方案来优化AI和ML模型。

对此，MCU大厂Microchip也在制定计划。

为了满足边缘机器学习开发和设计的需求，Microchip还推出了完整的集成工作流程，通过其新的MPLAB机器学习开发套件来简化ML模型。

发展。

该软件工具包适用于 Microchip 的 MCU 和 MPU 产品组合，可快速高效地添加 ML 推理。

02 写在最后 AIoT时代，AI向边缘和终端设备的渗透已成为长期必然的大方向。

与传统方法相比，边缘AI以其独特的优势可以为各行业提供更满意的解决方案。

越来越多的人尝试利用边缘AI来解决行业痛点。

在MCU中集成硬件加速器或集成AI算法，可以将MCU的低功耗、低成本、实时性、稳定性、开发周期短、市场覆盖面广等特点与人工智能强大的处理能力结合起来。

更有利于终端智能市场的发展。

回顾行业历史，MCU厂商大概从今年开始就开始尝试在MCU中加入AI功能。

例如，ST的Project Orlando是一款实验性的MCU超低功耗AI加速器单元，而瑞萨电子则在2018年发布了适用于MCU的可编程可重构协处理器DRP。

到目前为止，经过多年的发展，在MCU中添加AI加速器已经越来越多并且更加主流。

将AI能力集成到MCU中，可以让AI算法在设备本地实时处理和响应，而无需依赖云端或其他远程服务器。

这提高了系统的实时性和即时响应能力，让设备能够更快地做出决策和反应，在低功耗的情况下实现高效的AI计算。

当MCU市场开始拥抱AI，AIoT新局面即将开启。

下一波百亿级物联网设备背后，MCU产业将迎来新的变革和重构。

【本文由投资界合作伙伴微信公众号授权：半导体行业观察者。

本平台仅提供信息存储服务。

】如有任何疑问，请联系投资界（）。