隨著物聯網與5G、網絡通信、人工智能等技術融合發展，各行各業也都在致力于推進數字化、智能化轉型。
物聯網從來不是垂直領域的概念，而是千百個行業中應用的集合。
在復雜的應用場景下，邊緣計算的概念變得火熱。云計算的大數據時代，數據被上傳到云端集中處理，但海量數據的傳輸會在云端形成堵塞，對物聯網的響應速度造成影響。
在這種背景下，邊緣計算的應用迎來爆發。
將算力分配到邊緣，能夠減少算力集中，讓產生于邊緣的數據在邊緣“就近處理”，這正好與設備多而雜的物聯網要求相符。
隨著物聯網的應用愈加廣闊，并與人工智能結合，智能邊緣的概念應運而生。
人工智能點火，物聯網起飛
人工智能如今早已經浸入生活的方方面面。
從能夠戰勝人類頂尖圍棋選手的AlphaGo，到能夠語音控制家電的智能音箱，人工智能使成千上萬的行業和場景發生了前所未有的變化。
對物聯網行業來說，人工智能的出現帶來了全新的生機。
“萬物互聯”的概念早已存在，人工智能則進一步賦予了互聯的萬物“思考”的能力。
作為一種強大的識別技術，人工智能的出現大大強化了物聯網設備對當前現狀的分析能力，以識別一只貓為例子，使用過去的傳統軟件方法需要軟件開發者從貓圖像中提取出貓的特征，如貓有三角形的尖耳朵和胡須，并將圖像與這些特征進行匹配。但這種主觀判斷方法很難避免折耳貓，側身照片，黑色背景等例外情況下脫離預設的圖像特征。而使用人工智能方法，則只需要輸入大量的、不同狀態下的貓照片，人工智能就能自動建立準確、深層的貓圖像特征模型，從而準確的在圖片中識別出貓。
這種變化對物聯網來說是顛覆性的，以物聯網熱門賽道智能家居為例，人工智能的加入讓智能家居的重點從“連接”走向“智能”，結合溫濕度、光線、加速度等傳感器數據，根據實時情況調整物聯網設備狀態，打造一個“活著”的家已經成為了智能家居在更高維度上的新定義。
但物聯網的廣泛的應用場景也給AI提出了新的需求。
IoT技術更加強調“物與物”之間的互聯，連接更為廣泛并對時間敏感。且大多終端設備都工作內容簡單，算力要求小，工作時間長，續航要求高的特點。
這些要求讓終端設備不得不考慮功耗問題，甚至有許多終端設備由電池供電，在物聯網設備中部署人工智能算力時還要考慮對電池供電的支持。
AlphaGo等傳統中心化的人工智能核心雖然算力更高，但在更為碎片化的物聯網中，算力更多時候受到客觀條件制約，無法肆意馳騁，必須戴著“鐐銬”跳舞。
為了適應實際應用中分散式，碎片化的需求，人工智能逐漸與邊緣計算相結合，將算力從云端遷移至邊緣。
IoT時代，MCU再進化
邊緣端AI的要求與云端不同。邊緣端AI只處理由邊緣產生的數據，主要面向圖像分析、聲音分析、波形識別等工作。對于終端單一應用來說，算力要求不會很高。
但在另一方面，在物聯網環境中計算對功耗和成本則更加敏感。
處于邊緣的物聯網設備對功耗非常敏感，如傳感器、安防攝像頭等設備要求長期在線工作，但提供傳統人工智能算力的FPGA或GPU在邊緣端很難滿足這樣的工作要求。
ADI MCU產品線資深業務經理李勇說：“傳統意義上的AI芯片的特點是算力強但功率和尺寸較大，針對的更多是對計算速度、算力較高的應用。如果將FPGA或者GPU用到邊緣端，一是成本受不了，二是沒有辦法用電池進行供電。”
李勇用一個例子形象的解釋了這種需求錯配：終端一個安防攝像頭的工作往往只是拍攝一幅圖片再分析一次，然后再拍衣服圖片并再分析一次，這并不需要很高的算力，反而需要的是能夠滿足長時間待機需求的長續航。
在邊緣應用的新要求下，AI正在尋找新的出路，MCU則是這個問題的一個可能解。
早在上世紀60年代末，MCU產品的雛形就已經出現。某種程度上，通用型MCU的廣泛應用為上世紀后五十年的電子設備創新打下了基礎。
在物聯網時代到來后，MCU則被賦予了端側計算中樞這一更高使命。無論是設備本身的功能還是作為物聯網的一部分，物聯網設備在連接、交互、安全等方面都已經離不開MCU。
而當如今智能遇上邊緣，MCU又擔起了新的使命。
隨著MCU的算力進一步提升，高頻MCU的主頻已經提升到GHz級別，已經可以滿足邊緣端低算力人工智能需求。將人工智能集成在MCU上，只用一顆芯片實現端側部署，正在成為新的潮流。
在過去幾年里，包括瑞薩在內的多家MCU廠商都在積極探索將MCU與人工智能結合。
在日前舉辦的ADI MCU Media Workshop上，ADI中國技術支持中心高級工程師辛毅就介紹的ADI最新的邊緣AI解決方案MAX78000就是踐行的這條路線。
辛毅介紹到，MAX78000集成了卷積神經網絡（CNN）引擎，能夠滿足邊緣人工智能應用需求，并且MAX78000的設計宗旨是最大程度降低CNN引擎功耗。
為了這個目標，該器件采用了Arm Cortex-M4F處理器與32位RISC-V處理器的雙內核架構，內置了CNN引擎。
辛毅形象的把這個架構比喻成“爸爸和媽媽”：兩個微控制器內核是“買菜的媽媽”，CNN加速器則是“做菜的爸爸”，合力完成邊緣智能的計算工作。
在這樣的架構下，能夠減少數據遷移，提高數據并行性，降低電流消耗。
兩個不同架構的微控制器則有著進一步分工。李勇介紹，Arm與RISC-V雙內核在具體工作過程中各司其職，算力較強的Arm內核負責MCU的控制處理，而RISC-V內核則作為協處理器配合CNN引擎進行AI計算中的數據搬運。功耗甚至能夠做到MCU+DSP架構的百分之一。
在人工智能時代，MCU這個芯片屆的老前輩并沒有落后，依然“歷久彌新”，在可見的未來里，已經成為了物聯網邊緣不可或缺的“大腦”。
免責聲明：凡注明為其它來源的信息均轉自其它平臺，目的在于傳遞更多信息，并不代表本站觀點及立場。若有侵權或異議請聯系我們處理。
