AI小科普

AI（人工智能）起源于达特茅斯学院于1956年举办的夏季研讨会。在该会议上，“人工智能”一词首次被正式提出。计算能力的技术突破推动了人工智能一轮又一轮的发展。近年来，随着大数据的可用性提高，第三轮人工智能发展浪潮已经来临。2015年，基于深度学习的人工智能算法在ImageNet竞赛的图像识别精度方面首次超过人类，人工智能在发展道路上高歌猛进。随着计算机视觉技术研究取得突破，深度学习已经在语音识别、自然语言处理等不同研究领域都获得了巨大的成功。现在，人工智能已经在生活中的方方面面显示出巨大潜力。
% o# C% k$ H6 U3 y
& B: i$ G1 Z0 O, ~9 l' p* `* a结合人工智能技术的发展阶段，为大家解释一下AI的主要概念：
- y5 A- j" E) F, q% g1 u: k& I
AI——————————————————————————————————————
! f; F& ~4 g1 u, b1 W3 F* n能让计算机脑模拟人类行为的一切技术。
; Q7 t# K2 P. ~2 X& \. x
机器学习
! g' m$ A& g$ Y: s  k2 c——————————————————————————————————————
8 h* |# `8 H& }9 M8 Y& h+ A9 j( P' Y0 ?人工智能（AI）的子集。通过从数据中学习而不断改进的算法和方法。

& K# H* h& j4 y' u深度学习
* h6 m$ y/ k+ Z" ~2 k——————————————————————————————————————
' C4 m- b% z  j" t机器学习（ML）的子集。通过使用模拟人类大脑神经网络的多层结构，从大量数据中获得有价值信息的学习算法。

* U" `/ }8 ?1 G6 d5 l

人工智能新力量

意法半导体Deep Edge AI应运而生

+ d8 P& Z# v: D! r6 E  @2 I0 Y目前，因为算力的需求，人工智能技术主要应用于云端场景。由于数据传输延迟等因素的限制，基于云的解决方案可能无法满足部分用户对数据安全性、系统响应能力、私密性、以及本地节点功耗的需求。在集中式人工智能解决方案中，嵌入式设备（智能音箱、可穿戴设备等）通常依赖云服务器实现人工智能能力，而在Deep Edge AI解决方案中，嵌入式设备本身即可在本地运行人工智能算法，实现实时环境感知、人机交互、决策控制等功能。

将推理过程移到深度边缘计算会带来一些优势，比如系统响应能力、更好的用户信息隐私保护（并非所有数据都需要通过多个系统传输到云端）、降低连接成本和功耗。
1 Z) Q  x" F: C5 S5 u( X

根据ABI的研究结果，到2030年，Deep Edge AI器件的全球出货量将达到25亿台。意法半导体注意到，围绕Deep Edge AI技术的社区和生态系统越来越多，专注于独立、低功耗且经济划算的嵌入式解决方案。作为该趋势的主要推动者，意法半导体已经在AI方面投入大量资源，旨在帮助开发人员在基于微控制器/微处理器（STM32系列）和传感器（MEMS、ToF…）的嵌入式系统上快速部署AI应用。意法半导体为STM32系列和集成了机器学习核心（MLC）的MEMS传感器提供了一套AI工具，可以加快开发周期，并且可以优化训练好的AI模型(STM32Cube.AI)。


( _  t# C, w/ ]- e/ Q4 V/ V  K1 h作为通用技术，人工智能已经在多个领域取得了令人瞩目的成就。我们相信，越来越多的智能终端设备将会对人类生活产生更为直接的积极影响。

/ O  _+ A- T9 y' b; D

通过意法半导体的生态系统快速部署AI应用

; P- l+ r  }0 i7 d

* S' b* k. m7 Z- U! {9 \意法半导体提供一个包含硬件和软件的生态系统，帮助快速、轻松地开发用于传感器和微控制器的多种Deep Edge AI算法。

" u0 i2 \9 {1 s+ F8 Q' c$ q7 ZMEMS传感器生态系统中的机器学习通过运行在名为机器学习核心(MLC)的传感器嵌入式引擎上的决策树分类器，帮助设计人员利用AI at the Edge实现手势、活动识别、异常检测等。

因此，物联网解决方案开发人员可以在快速原型制作环境中部署我们的任意（内嵌机器学习核心的）传感器，以便使用UNICO-GUI工具快速开发超低功耗应用。

借助内置的低功耗传感器设计、高级AI事件检测、唤醒逻辑和实时边缘计算功能，传感器中的MLC极大地减少了系统数据传输量，降低了网络处理负担。
9 m) i" U* s( o1 {0 L4 D
. `4 }# s' a/ X9 o+ a: T: k4 o* e" ]如果开发人员决定开发一个基于传感器内机器学习核心的解决方案，则需要一套全新的方法来发布自己的应用。
, e/ X/ g' C7 ~2 c7 R8 \8 L6 G
如要创建任何机器学习算法，起点都是数据及其对类（用于描述待解决的复杂问题）的定义。用户可以遵循五个步骤，在传感器中创建并运行AI应用。UNICO-GUI是一种图形用户界面，能够支持包括决策树生成在内的所有五个步骤。
2 _/ Y4 ]9 a/ a1 y, Y$ M

为了便于开发人员快速向STM32部署已训练的AI模型，意法半导体开发了一款使用简单易用且高效的工具 - STM32Cube.AI（也称X-CUBE-AI）。X-CUBE-AI可以分析并将已训练的神经网络转换为优化的C语言代码，并针对STM32目标进行自动测试。当然，X-CUBE-AI是一款非常强大的工具，后续文章中将介绍其更多功能。

5 t0 b! x7 R1 A6 M为了展示几种不同的AI应用如何可以在STM32上直接运行，并加快STM32嵌入式开发人员的开发、验证和部署进程，意法半导体提供许多AI应用作为参考。
: Q! D$ o5 R# V) z9 [8 d+ z
开发人员可以基于这些嵌入式AI应用软件包进行二次开发，快速实现自定义模型的部署。
: `5 v8 M& y1 Y1 \1 E
; j& }+ N0 ^9 Y& e1 b% }更多细节将在后续文章中介绍。
' U0 x/ n; s4 c, Q$ G
% C7 ]9 ^3 d& |1 ~) YAI开发工具和嵌入式应用软件包总结如下:

- `3 O4 s" w7 n$ g; ]. O+ K% i软件开发工具
# p0 ]4 U; C9 E! k8 J**以下产品来源：意法半导体


嵌入式软件
# N/ m8 z/ e; g( x4 S) {**以下产品来源：意法半导体
. f8 m, B8 j. f6 [/ E5 r( M6 N

有STM32的地方就有Deep Edge AI。
+ Z) a8 \! E- j% \7 a! U
9 t( H5 o/ D& |' OSTM32的所有MCU都支持AI模型的部署。对于计算能力较低的MCU，支持机器学习算法（ML）。对于计算能力较高的MCU，还支持神经网络模型（DL）。

" E( J" R# H& D6 x) _可以运行应用示例的评估板列表总结如下:
**以下产品来源：意法半导体
+ q0 V, o& o2 g5 N

; T, f" Z- {% T
/ Y7 }$ @0 F# r, v
) @3 g/ n9 x7 `

; ^: k! @; Q, T+ J
2 b! I! f+ y9 J8 W; W, o4 b" P

" _* X8 F9 q+ q1 ?4 ]
. C) _, g  T/ x. b7 T( _+ X  \
  e; H" K/ i3 S& G5 ~7 z8 g
6 \  [, I! b: X
/ ]8 j( R1 D# I6 y! L