人工智能已經從高高在上的技術走向多場景應用，在這個進程中，嵌入式技術將成為AI落地的重要承載平臺。 不久前，2020世界人工智能大會云端峰會(WAIC)在上海剛剛落幕，人工智能概念又一次被行業點燃。大會上，業界大佬云聚一堂，共話AI創新，探討人工智能治理方案。 李彥宏表示，AI的發展將經歷三個大的歷史階段。第一個階段是技術的智能化，第二階段叫做經濟的智能化，第三個階段叫做社會的智能化。目前，我們正處于從經濟智能化的前半段向后半段過渡的時期。 馬斯克表示，如果一定要把AI分成三個類別，感知、認知和行動，那么目前已經做到了感知，認知是目前最薄弱的環節。 而丁磊表示，人工智能不是技術問題，是應用場景問題，選對了應用場景，發揮的效率就非常高。 可以看出，科技大佬們的觀點不謀而合，目前人工智能已經從技術走向應用，如何將AI技術真正落地，解決每個應用場景中人們的實際需求，才最關鍵。而在這個過程中，嵌入式技術將成為AI落地的重要承載平臺。

AI與機器學習和深度學習是何關系?

AI是所有研究的機器模仿人類等認知能力的超集。例如：與環境的交互，知識表示，感知，學習，計算機視覺，語音識別，解決問題等等。

▲AI與機器學習和深度學習的關系圖

機器學習是AI的分支，在計算機科學領域的應用使計算機無需顯式編程就能學習。機器學習由能夠基于數據進行學習和預測的算法組成：這類算法在前面樣本基礎上進行訓練，以構建和估計模型；在傳統編程不可行的情況下，通常采用機器學習；如果經過適當的訓練，可以適應新的案例應用。

機器學習有不同的實現方法，其中包括常見的：決策樹，聚類，基于規則的學習，歸納邏輯編程，深度學習。

深度學習（DL）是機器學習的子集，它是機器學習中一種基于對數據進行表征學習的方法，是一種能夠模擬出人腦的神經結構的機器學習方法。主要包含4種典型的深度學習算法：卷積神經網絡CNN，循環神經網絡RNN，生成對抗網絡GANs，深度強化學習RL。

▲神經元網絡分層

深度學習有什么優缺點?

深度學習的”深度“是指從”輸入層“到”輸出層“所經歷層次的數目，即”隱藏層“的層數，層數越多，深度也越深。所以越是復雜的選擇問題，越需要深度的層次多。例如，AlphaGo的策略網絡是13層，每一層的神經元數量為192個。深度學習需要大量的數據。

深度學習與機器學習一個很重要的區別在于數據量的大小。就目前大量的實驗和工作證明，數據量的大小直接影響深度學習的性能。我們都希望利用小的數據集、簡單的算法就能取得不錯的效果，但目前的事實是小數據集上使用深度學習往往容易過擬合。

▲數據量大小與算法表現的關系

自大數據和超級強大的GPU出現以來，深度學習的潛力正在被不斷挖掘。其優點表現在：

學習能力強（數據模式和關系的自主學習）。從結果來看，深度學習的表現非常好，學習能力非常強。

數據驅動，準確度高。深度學習高度依賴數據，數據量越大，其表現就越好。在圖像識別、面部識別、NLP 等部分任務甚至已經超過了人類的表現。同時還可以通過調參進一步提高上限。

容易改進和微調。利用原有模型參數初始化現有模型，根據自己的數據集微調參數,可節省很多時間。

可移植性好，適應性強。由于深度學習的優異表現，有很多框架可以使用，例如 TensorFlow、Pytorch。這些框架可以兼容很多平臺。

▲深度學習優劣勢

其缺點表現在：

需要大量數據集，計算量大。深度學習需要大量的數據，所以成本很高。并且現在很多應用還不適合在移動設備上使用。

模型設計復雜，需要高算力。深度學習對算力要求很高，模型設計非常復雜，需要投入大量的人力物力和時間來開發新的算法和模型。大部分人只能使用現成的模型。

沒有”人性”，容易存在偏見。由于深度學習依賴數據，并且可解釋性不高。在訓練數據不平衡的情況下會出現性別歧視、種族歧視等問題。

STM32讓AI觸手可及

作為半導體行業的專家，ST在嵌入式AI應用的探索道路上也一直走在前列，為AI應用提供了豐富的基于Arm Cortex-M的STM32 MCU產品和解決方案。

STM32在AI應用的優勢在于：

低功耗

通用性（用1顆芯片既滿足AI又滿足通用需求）

豐富的產品系列

工業級品質及10年供貨保障

▲ M4以上內核的STM32產品均可實現AI應用

以機器視覺的處理需求為例，從靜止的低分辨率圖片和良好光照的低處理需求，到低幀率、開放環境、中等光照條件的中等處理需求，直至高速視頻、高分辨率和可適應光照條件的高處理能力需求，從普通MCU到帶神經網絡處理單元的MCU，直至專用SoC，STM32都提供相應的解決方案滿足特定的應用需求。

▲機器視覺的處理需求

從市場應用角度來看，STM32主要定位于低端機器視覺市場、基于聲音的應用以及狀態監測和預測性維護應用。

▲STM32的市場定位

為幫助用戶更快速地進行嵌入式AI開發，ST還提供了豐富的深度學習資源，覆蓋了神經網絡開發的整個流程。

▲神經網絡開發流程

第一步：獲取數據

在該階段，ST提供硬件開發板和軟件采集數據，如運動、聲音類數據等。硬件開發板包括：SensorTile、SensorTile.Box、IOT Node(B-L475E-IOT01A)。

▲可以上下滾動查看圖片

用戶可通過以下渠道購買開發板和獲取軟件：

STM32天貓旗艦店購買開發板：淘口令?NCmB1zyeeWZ?

軟件：FP-AI-SENSING1，下載鏈接：http://navo.top/zayQfi

第二步：數據清洗、打標

ST同時提供手機端APP直連硬件開發板，作為數據初篩和收集的平臺。

ST BLE SensorAPP （支持Android、IOS，源碼開放）下載鏈接：http://navo.top/uayaye

第三步：訓練神經網絡模型

神經網絡訓練在服務器或者PC端完成，ST不提供方案。但是在例程中提供相應的參考訓練腳本。

第四步：將模型轉換為MCU上執行的優化代碼

STM32Cube.AI，是ST推出的一個先進的工具包，能夠與流行的深度學習庫進行互操作，將任何人工神經網絡轉換并應用于STM32微控制器（MCU）。Cube.AI工具是CubeMX的AI擴展包，可以在CubeMX內下載或者單獨下載，下載地址：http://navo.top/rq2uqm。

STM32Cube.AI支持的神經網絡模型框架有Lasagne、Keras、Caffe、ConvNetJs、Tensorflow Lite、可以導出為ONNX標準的框架（PyTorch,Microsoft Cognitive Toolkit, MATLAB 以及更多），最新支持請參考Cube.AI的release note。

Cube.AI 工具的功能包括：

轉換模型文件到運行在STM32上的C代碼

對模型文件做CPU、RAM、Flash資源分析，顯示適配MCU型號

對模型做整型量化或者深度壓縮

更多功能更新中…

Cube.AI 工具使用教程請參考以下培訓課程：《基于STM32開發人工智能應用》 （復制網址到外部瀏覽器）

https://c.51diantang.com/columndetail?id=046ea06e6d1d476ab49a2cbbf84e43ab

第五步：使用訓練好的模型分析數據

對于運動、聲音類數據，ST可提供硬件開發板包括：SensorTile、SensorTile.Box、IOT Node (B-L475E-IOT01A)；ST提供的軟件包括：FP-AI-SENSING1，下載鏈接：http://navo.top/zayQfi

對于圖像類數據，ST可提供硬件開發板包括：STM32H747I-DISCO + STM32F4DIS-CAM或者OpenMV

用戶可通過以下渠道購買開發板和獲取軟件：

STM32天貓旗艦店購買開發板：淘口令?wMEr1zyloyE?

OpenMV 中國區官方代理：淘口令?m1xH1zyrco2?

軟件：FP-AI-VISION1，下載鏈接：http://navo.top/rMJbY3

ST通過大學計劃推動AI教育普及

ST一直與世界知名大學緊密合作，共同致力于推動AI知識和應用在教育領域的培訓和推廣。ST與加州大學洛杉磯分校的教授共同推出了物聯網和嵌入式機器學習課程。該課程基于ST的SensorTile開發套件，為年輕的工程師和技術人員提供了構建物聯網系統（如可穿戴消費設備，可穿戴醫療設備，住宅物聯網系統和車輛物聯網系統）所需的基礎。

自2007年在上海交通大學開設第一個聯合實驗室以來，ST已經在中國教育領域建立了重要的合作伙伴關系。ST中國大學計劃和多所中國高校合作，共同開發嵌入式、物聯網以及人工智能相關的教材和課程體系，并且通過師資培訓推廣到更多中國高校；同時建立了ST教育聯盟，促進與高等院校的密切合作。

在AI應用方面，ST已經與許多編寫核心培訓材料的教授進行了長時間的合作。蘇州大學的王宜懷教授正在開發一本用STM32微控制器和STM32Cube.AI講解復雜的嵌入式系統人工智能概念的教科書。通過使用ST的人工智能工具，將神經網絡轉換成可在STM32上運行的代碼，教師可以為學生帶來先進、巧妙的AI解決方案。