在当今科技发展的浪潮中，嵌入式 AI 技术正逐渐从概念验证迈向真实产品阶段。过去几年，AI 模型不断小型化，MCU 性能也日益增强。然而，嵌入式 AI 开发并非易事，真正做过项目的工程师深知，其难点往往不在于模型本身，而在于模型、算力、内存、工具链和实时系统之间的协同。
很多时候，问题并非 “有没有模型”，而是模型能否在 MCU 上顺利运行，包括模型是否放得下、算子是否支持、推理速度能否满足产品要求、内存布局是否影响性能以及工具链生成的代码能否顺利集成到现有工程中。对于嵌入式工程师来说，AI 部署已不再是简单地调用一个推理接口，而是一项复杂的系统工程。
这正是本系列选择瑞萨 RA8P1 作为讨论平台的原因。RA8P1 并非只是在 MCU 中加入一个 NPU，而是将 1GHz 的 Cortex - M85、Helium MVE 向量扩展、Ethos - U55 NPU、 250MHz 的 Cortex - M33 辅助核、片内 SRAM/MRAM 以及 SPI、DSI、CSI、高速 USB 等接口进行了有机组合，为视觉 AI、显示交互、数据采集和实时控制提供了一个更为完整的工程平台。
在嵌入式 AI 开发过程中，工程师们通常会面临以下几个工程困惑：
模型能不能跑起来：这背后涉及模型格式、量化方式、算子支持和代码生成是否匹配等问题。
算力够不够：算力不仅取决于 CPU 主频，还与 Helium、NPU 和模型映射效率密切相关。
内存放不放得下：权重、激活张量、输入输出缓冲区和系统任务都需要竞争存储资源。
为什么跑起来后仍然慢：可能是 CPU Fallback、片外存储访问、Cache 配置或数据搬运等因素造成了瓶颈。
传统 MCU 在控制、通信和实时任务方面表现出色，但在面对神经网络推理时，会面临新的挑战。首先是计算量问题，卷积、矩阵乘法、激活函数和后处理等都需要大量乘加运算，若完全依赖普通 CPU 执行，很难同时满足实时性和功耗要求。其次是内存问题，模型权重、激活张量和图像输入都需要大量存储空间，对于视觉类 AI 应用来说，内存容量、带宽和访问路径很容易成为限制性能的关键因素。第三是工具链复杂度问题，嵌入式 AI 工程师不仅要关注模型精度，还需理解量化、算子支持、编译器优化、运行时接口、NPU 驱动和工程集成等多个环节，任何一个环节不匹配，都可能导致模型转换失败、性能不达标或工程难以维护。
RA8P1 的价值在于它构建了一套完整的 AI 工程平台，而非仅仅提供单点算力。其关键在于能否将 CPU 通用计算、Helium 向量加速、NPU 神经网络推理、片内外存储和高速外设接口组织成一个可落地的系统。从 RA8P1 的整体框图可以看出，它将高性能 CPU、向量计算能力、专用 AI 加速器、多层级存储和软件工具链进行了有效整合，使得模型部署、性能分析和后续优化可以在同一平台上逐步开展。
RA8P1 的各个能力模块在嵌入式 AI 中都发挥着重要作用：
Cortex - M85：负责主控逻辑、通用计算、前后处理和 CPU Fallback 算子执行。
Helium MVE：能够提升向量运算、DSP、图像预处理、后处理和 CMSIS - NN 类计算效率。
Ethos - U55 NPU：主要面向神经网络主干推理，适合卷积、全连接等可映射到 NPU 的计算密集型算子。
SRAM/MRAM/OSPI Flash/SDRAM：支撑模型权重、激活缓冲区和输入输出数据的分层放置。
RUHMI/Vela/FSP：覆盖模型转换、NPU 编译、工程集成和运行时支持。
在典型的视觉 AI 场景中，RA8P1 各模块协同工作，组成了从摄像头到显示的完整链路：
图像输入：摄像头通过 CSI 接口输入图像数据，系统需根据分辨率和帧率规划输入缓冲区。
前处理：Cortex - M85 可配合 Helium MVE 完成图像缩放、裁剪、颜色空间转换、归一化等操作。
模型推理：Ethos - U55 NPU 负责执行卷积、全连接等神经网络主干计算，尽量减少 CPU 侧负载。
后处理：Cortex - M85 继续处理分类结果、检测框、阈值判断、NMS 或业务逻辑。
结果输出：DSI 可用于本地显示，USB 或 SPI 可用于数据上传、外设通信或调试输出。
