曹锦东认为MathWorks通过STM32CubeMX来支持ST的产品是非常聪明的一个做法，因为STM32CubeMX不管从哪个MCU出来，CubeMX可以生成整个系统的配置软件，比如在使用STM32C0，在STM32CubeMX选一个封装，I/O口配置什么功能，点完以后就有一个示意图出来，包括封装、引脚。MathWorks的软件如果和STM32CubeMX有对接功能或者以从STM32CubeMX把芯片资源拿过来，对于ST来讲升级是非常快的，ST推出新的芯片出来之后，已经在STM32CubeMX有比如I/O口外设配置，同时可以兼容最新ARM内核指令级，对一个MCU的两方面，内核和外设，如果这两部分可以通过不同的方式抓取到配置文件，内核指令的兼容，对MathWorks来说升级就会很快。他相信MathWorks的软件越来越多地可以支持其STM32系列产品。

那么，如何将MATLAB设计的电机控制算法和AI算法部署到STM32等嵌入式处理器当中呢？陈晓挺解释称，MathWorks有几十年汽车和军工等行业产品应用历史的自动化代码生成能力，他们有一个独特的代码生成框架，可以在任何地方部署在MATLAB或Simulink中开发的模型。拿STM32来说，Embedded Coder能将MATLAB和Simulink算法转换成C/C++代码，并针对STM32的处理器优化代码，替换掉标准C代码。

  `, O( M  r: E3 [1 `/ Z他同时指出，MathWorks允许客户将模型导入MATLAB做AI训练，因为AI训练需要数据集，因此他们支持客户收集并预处理自己的数据集，然后利用AI模型做训练，训练好后的AI模型可以部署到STM32上，也可以部署到PC机的GPU上。因为深度学习网络参数很多，运算量很大，因此，在部署到嵌入式CPU之前，最重要的是选择一种最合适用户应用的尽量轻量化的AI模型，然后对已选择的AI算法做网络剪枝（修剪或移除深层神经网络突触和神经元），量化（对int8数据类型的激活、权重和偏差的量化），这些压缩AI模型的工作都可以通过MATLAB提供的易用工具来完成，以方便在资源受限的硬件上进行推断。也就是说，MathWorks支持从算法到落地的完整流程。
9 j' n1 D# K! g1 M2 w* e: f% z: Q
意法半导体微控制器市场经理丁晓磊补充称，STM32在AI上 有一个STM32 Cube.AI工具，该工具与MATLAB的一些功能配合后可以很好地做整个AI开发流程的连接，“STM32 Cube.AI做的是从已经被训练好的模型到如何更好地优化和部署到STM32 MCU上，因为我们对自己MCU的情况更了解，部署更优化，内存占用率更小，流代码开发效率更高，但是之前有各种主流的AI模型和框架，我们可以通过ONNX接口就可以转化为被训练好的模型，所以，在这里面跟MATLAB的合作，使得开发用户可以从前端模型数据收集模型的选择和训练，一直到能够生成ONNX格式的模型之后，再用ST的Cube.AI做后面的发布部署，这样就会形成更加优化的模型训练到优化、到部署，整个一套开发在AI就会更为顺畅、更能落地。”

5 P. ?* ?- {* F7 A% i
“我们会越来越重视跟软件支持伙伴的合作，做芯片本身不是很困难，困难的是怎么提供和芯片相关的软件和特定应用化的系统让客户做开发。”曹锦东进一步指出。他同时强调，软件是非常关键的，与MathWorks这样的合作伙伴合作，可以帮助客户熟悉了解如何用MCU做特定应用，这是ST的生态系统中非常重要的环节。