ST 的 Markus Mayr 概述了STM32Cube.AI，這是業界最先進的工具包，能夠與流行的深度學習庫進行互操作，將任何用于 STM32 微控制器 （MCU） 的人工神經網絡轉換為運行優化推理。

在過去的五年里，人工智能 （AI） 已經從一個流行語轉變為現實，人工智能在面部和語音識別、金融欺詐檢測、預測性維護和在線購物建議中得到了應用，現在已經成為許多人日常生活的一部分——隨著即將出現的新應用。

人工智能是一組使計算機能夠模仿人類行為和智能的技術。它以從數據中提取意義的機器和深度學習算法集為基礎。為了開發包含 AI 功能的應用程序，您需要專門的工具和專業知識，這對于缺乏機器和深度學習培訓的資深嵌入式開發人員來說可能是一個挑戰。

將數據科學帶給嵌入式系統專家

STM32Cube.AI意義重大，因為經常使用 STM32 MCU 專門研究嵌入式系統的開發人員可能不熟悉神經網絡。同樣，從事機器學習工作的數據科學家可能更習慣于云計算幾乎無窮無盡的計算資源，并且可能對嵌入式開發的內存和計算限制不太適應。STM32Cube.AI 通過揭開 AI 和嵌入式系統的神秘面紗，并通過將神經網絡引入嵌入式邊緣開發來擴展物聯網，提供工具來利用更廣泛的開發人員群體的專業知識。

傳統上，人工智能計算是在云端執行的，大量原始傳感器數據由網關聚合，然后發送到基于云的人工智能引擎。這種架構具有優勢，因為它可以處理需要大量計算能力的非常大的數據集和計算。另一方面，這種方法需要大量的功率和高網絡帶寬，并且在云中進行大量且昂貴的計算。由于需要將數據發送到云進行處理，它還引入了延遲和隱私風險。

分布式 AI 架構是一種更輕巧、更敏捷的 AI 計算方法，其中網絡邊緣的嵌入式處理器和微控制器對傳感器數據進行預處理，顯著減少發送到云端的數據集大小或在沒有任何連接的情況下自主執行神經網絡到云端。借助 STM32Cube.AI，配備 STM32 MCU 的邊緣物聯網設備現在可以直接運行神經網絡，在邊緣實現實時 AI 計算并立即做出響應，保護隱私并減少網絡帶寬和集中式計算能力。

STM32Cube.AI 的工作原理

在 STM32 MCU 上實現神經網絡的第一步是將依賴于框架的預訓練神經網絡輸入到 STM32Cube.AI 轉換工具中，該工具用作STM32CubeMX代碼生成器的擴展包。STM32Cube.AI 支持快速、自動導入由流行設計框架（如 Keras、TensorFlow-Lite、Caffe、Lasagne 和 ConvnetJS）訓練的神經網絡。它將神經網絡轉換為 MCU 的優化代碼。然后，該工具將經過訓練的神經網絡映射到 STM32 MCU 并優化生成的庫以減少內存占用。完成所有這些后，STM32Cube.AI 將 NN 提供給開發人員。

除了 STM32Cube.AI 工具包外，意法半導體還提供其他產品和技術來幫助彌合嵌入式和 AI 系統開發人員之間的差距。其中包括專門為捕獲和處理傳感器數據而設計的SensorTile 開發套件，以及STM32 IoT 節點，這是一個多傳感器探索套件，具有集成的低功耗無線 BLE、NFC、Sub GHz 和 Wi-Fi 無線電，可幫助用戶開發直接連接到云服務器的應用程序。

ST 還提供一系列STM32 功能包，它們將低級驅動程序、中間件庫和示例應用程序組合到一個軟件包中。傳感功能包 幫助快速啟動結合和處理來自多個傳感器的數據以實現高級檢測和監控功能的應用示例的實施和開發，例如運動識別、語音識別、環境監控、定位、跌倒檢測、訪問控制和入侵檢測。

STM32Cube.AI 不僅僅是一個工具包——它象征著意法半導體通過為所有 STM32 開發人員帶來神經網絡處理來改變物聯網格局的戰略。