由于通用计算芯片很少对AI计算进行优化，所以在不少AI应用中，我们都需要传统意义上的AI芯片，比如GPU或者ASIC之类面积与功耗较大的产品。也正因为这些限制，这些AI芯片难以在边缘端铺开。

那么边缘AI是否可以交由MCU来完成呢？传统的MCU设计哪怕针对一些轻度AI计算来说，仍有一些吃力。所以不少MCU厂商开始发力更高性能的MCU，采用专为AI优化的设计，为边缘AI的普及添砖加瓦。

超高性能内核

考虑到不少MCU仍在使用Cortex-M4、M3乃至M0之类的低功耗内核，考虑到复杂嵌入式AI算法的算力要求，这些旧内核在这类应用中也就不太够看了。既然存在计算性能上的劣势，那么就直接从性能上突破，这几年涌现了不少基于超高性能的内核的MCU产品，比如基于Cortex-M7内核的GD32H7。

Cortex-M7内核作为Cortex-M4的继任者，基于Armv7E-M架构开发。从he心关键特性来看，在所有Cortex-M处理器中，Cortex-M7是仅有的两个6级流水线以上设计he心之一，而另一个则是7级流水线的Cortex-M85he心，基于该he心的MCU目前尚未正式面世。

兆易创新在GD32H7上将主频做到了600MHz，甚至超过了不少国外大厂的Cortex-M7 MCU，如此高主频使其足以应对边缘侧的AI算力要求，无需再集成额外的NPU了。而且为了满足AI算法的资源占用，GD32H7还配备了1024KB到3840KB的片上Flash和1024KB的SRAM。

除了Armhe心以外，像先楫半导体这样的RISC-V厂商，也推出了HPM6700/6400系列这样的RISC-V超高性能MCU。其中HPM64G0更是可以做到单核主频1GHz，支持双精度浮点运算的同时，也具备了强大的FPU和DSP扩展，足以满足不少TensorFlow Lite模型的运算需求。

多核MCU

解决性能问题的另外一个思路就是采用多核MCU设计，像意法半导体之类的厂商早在几年前就已经开始布局双核MCU产品。比如STM32H7系列，其中就有集成了Cortex-M7和Cortex-M4两个内核的产品，STM32H747/757。

这两个独立运行的he心可以分配不同的任务，比如Cortex-M7负责高性能任务，而Cortex-M4负责实时性任务。同时，借助ST提供的STM32Cube.AI工具，就能从已有的AI算法和预训练模型转换成可运行的代码。如果需要运行超过1Mbyte的更大模型，则可以分配给Cortex-M7更多的闪存。

除了双Cortex-Mhe心的设计之外，也有的厂商开始探索不同架构的he心协作的路线。比如ADI的MAX78000芯片，就选择了集成一个Arm Cortex-M4he心与一个RISC-Vhe心，除此之外，该MCU还集成了一个神经网络加速器。

而且在MAX78000上，ADI对这三大组件都做好了分工，其中Cortex-M4负责MCU的控制与处理，而RISC-V内核作为协处理器负责数据搬运，而神经网络加速器则提高CNN计算效率，这样的架构相较传统的MCU%2BDSP方案在功耗、并行性上都要更具优势。

写在zui后

虽然当下MCU市场不少玩家都已经在发力边缘AI，但厂商们也需要做好软件生态的构建，提供完备的实例代码或可用模型，实现真正的开箱即用。与此同时，MCU也还有在性能上继续改进的空间，比如不少MCU参与的边缘AI计算，只能使用预训练好的模型，什么时候MCU能在边缘端同时完成轻量训练与推理的任务，其应用空间也会更加广阔。