人工智能已經(jīng)從高高在上的技術(shù)走向多場(chǎng)景應(yīng)用，在這個(gè)進(jìn)程中，嵌入式技術(shù)將成為AI落地的重要承載平臺(tái)。 不久前，2020世界人工智能大會(huì)云端峰會(huì)(WAIC)在上海剛剛落幕，人工智能概念又一次被行業(yè)點(diǎn)燃。大會(huì)上，業(yè)界大佬云聚一堂，共話(huà)AI創(chuàng)新，探討人工智能治理方案。 李彥宏表示，AI的發(fā)展將經(jīng)歷三個(gè)大的歷史階段。第一個(gè)階段是技術(shù)的智能化，第二階段叫做經(jīng)濟(jì)的智能化，第三個(gè)階段叫做社會(huì)的智能化。目前，我們正處于從經(jīng)濟(jì)智能化的前半段向后半段過(guò)渡的時(shí)期。 馬斯克表示，如果一定要把AI分成三個(gè)類(lèi)別，感知、認(rèn)知和行動(dòng)，那么目前已經(jīng)做到了感知，認(rèn)知是目前最薄弱的環(huán)節(jié)。 而丁磊表示，人工智能不是技術(shù)問(wèn)題，是應(yīng)用場(chǎng)景問(wèn)題，選對(duì)了應(yīng)用場(chǎng)景，發(fā)揮的效率就非常高。 可以看出，科技大佬們的觀點(diǎn)不謀而合，目前人工智能已經(jīng)從技術(shù)走向應(yīng)用，如何將AI技術(shù)真正落地，解決每個(gè)應(yīng)用場(chǎng)景中人們的實(shí)際需求，才最關(guān)鍵。而在這個(gè)過(guò)程中，嵌入式技術(shù)將成為AI落地的重要承載平臺(tái)。

AI與機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是何關(guān)系?

AI是所有研究的機(jī)器模仿人類(lèi)等認(rèn)知能力的超集。例如：與環(huán)境的交互，知識(shí)表示，感知，學(xué)習(xí)，計(jì)算機(jī)視覺(jué)，語(yǔ)音識(shí)別，解決問(wèn)題等等。

▲AI與機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系圖

機(jī)器學(xué)習(xí)是AI的分支，在計(jì)算機(jī)科學(xué)領(lǐng)域的應(yīng)用使計(jì)算機(jī)無(wú)需顯式編程就能學(xué)習(xí)。機(jī)器學(xué)習(xí)由能夠基于數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測(cè)的算法組成：這類(lèi)算法在前面樣本基礎(chǔ)上進(jìn)行訓(xùn)練，以構(gòu)建和估計(jì)模型；在傳統(tǒng)編程不可行的情況下，通常采用機(jī)器學(xué)習(xí)；如果經(jīng)過(guò)適當(dāng)?shù)挠?xùn)練，可以適應(yīng)新的案例應(yīng)用。

機(jī)器學(xué)習(xí)有不同的實(shí)現(xiàn)方法，其中包括常見(jiàn)的：決策樹(shù)，聚類(lèi)，基于規(guī)則的學(xué)習(xí)，歸納邏輯編程，深度學(xué)習(xí)。

深度學(xué)習(xí)（DL）是機(jī)器學(xué)習(xí)的子集，它是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，是一種能夠模擬出人腦的神經(jīng)結(jié)構(gòu)的機(jī)器學(xué)習(xí)方法。主要包含4種典型的深度學(xué)習(xí)算法：卷積神經(jīng)網(wǎng)絡(luò)CNN，循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，生成對(duì)抗網(wǎng)絡(luò)GANs，深度強(qiáng)化學(xué)習(xí)RL。

▲神經(jīng)元網(wǎng)絡(luò)分層

深度學(xué)習(xí)有什么優(yōu)缺點(diǎn)?

深度學(xué)習(xí)的”深度“是指從”輸入層“到”輸出層“所經(jīng)歷層次的數(shù)目，即”隱藏層“的層數(shù)，層數(shù)越多，深度也越深。所以越是復(fù)雜的選擇問(wèn)題，越需要深度的層次多。例如，AlphaGo的策略網(wǎng)絡(luò)是13層，每一層的神經(jīng)元數(shù)量為192個(gè)。深度學(xué)習(xí)需要大量的數(shù)據(jù)。

深度學(xué)習(xí)與機(jī)器學(xué)習(xí)一個(gè)很重要的區(qū)別在于數(shù)據(jù)量的大小。就目前大量的實(shí)驗(yàn)和工作證明，數(shù)據(jù)量的大小直接影響深度學(xué)習(xí)的性能。我們都希望利用小的數(shù)據(jù)集、簡(jiǎn)單的算法就能取得不錯(cuò)的效果，但目前的事實(shí)是小數(shù)據(jù)集上使用深度學(xué)習(xí)往往容易過(guò)擬合。

▲數(shù)據(jù)量大小與算法表現(xiàn)的關(guān)系

自大數(shù)據(jù)和超級(jí)強(qiáng)大的GPU出現(xiàn)以來(lái)，深度學(xué)習(xí)的潛力正在被不斷挖掘。其優(yōu)點(diǎn)表現(xiàn)在：

學(xué)習(xí)能力強(qiáng)（數(shù)據(jù)模式和關(guān)系的自主學(xué)習(xí)）。從結(jié)果來(lái)看，深度學(xué)習(xí)的表現(xiàn)非常好，學(xué)習(xí)能力非常強(qiáng)。

數(shù)據(jù)驅(qū)動(dòng)，準(zhǔn)確度高。深度學(xué)習(xí)高度依賴(lài)數(shù)據(jù)，數(shù)據(jù)量越大，其表現(xiàn)就越好。在圖像識(shí)別、面部識(shí)別、NLP 等部分任務(wù)甚至已經(jīng)超過(guò)了人類(lèi)的表現(xiàn)。同時(shí)還可以通過(guò)調(diào)參進(jìn)一步提高上限。

容易改進(jìn)和微調(diào)。利用原有模型參數(shù)初始化現(xiàn)有模型，根據(jù)自己的數(shù)據(jù)集微調(diào)參數(shù),可節(jié)省很多時(shí)間。

可移植性好，適應(yīng)性強(qiáng)。由于深度學(xué)習(xí)的優(yōu)異表現(xiàn)，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(tái)。

▲深度學(xué)習(xí)優(yōu)劣勢(shì)

其缺點(diǎn)表現(xiàn)在：

需要大量數(shù)據(jù)集，計(jì)算量大。深度學(xué)習(xí)需要大量的數(shù)據(jù)，所以成本很高。并且現(xiàn)在很多應(yīng)用還不適合在移動(dòng)設(shè)備上使用。

模型設(shè)計(jì)復(fù)雜，需要高算力。深度學(xué)習(xí)對(duì)算力要求很高，模型設(shè)計(jì)非常復(fù)雜，需要投入大量的人力物力和時(shí)間來(lái)開(kāi)發(fā)新的算法和模型。大部分人只能使用現(xiàn)成的模型。

沒(méi)有”人性”，容易存在偏見(jiàn)。由于深度學(xué)習(xí)依賴(lài)數(shù)據(jù)，并且可解釋性不高。在訓(xùn)練數(shù)據(jù)不平衡的情況下會(huì)出現(xiàn)性別歧視、種族歧視等問(wèn)題。

STM32讓AI觸手可及

作為半導(dǎo)體行業(yè)的專(zhuān)家，ST在嵌入式AI應(yīng)用的探索道路上也一直走在前列，為AI應(yīng)用提供了豐富的基于Arm Cortex-M的STM32 MCU產(chǎn)品和解決方案。

STM32在AI應(yīng)用的優(yōu)勢(shì)在于：

低功耗

通用性（用1顆芯片既滿(mǎn)足AI又滿(mǎn)足通用需求）

豐富的產(chǎn)品系列

工業(yè)級(jí)品質(zhì)及10年供貨保障

▲ M4以上內(nèi)核的STM32產(chǎn)品均可實(shí)現(xiàn)AI應(yīng)用

以機(jī)器視覺(jué)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(kāi)放環(huán)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(yīng)光照條件的高處理能力需求，從普通MCU到帶神經(jīng)網(wǎng)絡(luò)處理單元的MCU，直至專(zhuān)用SoC，STM32都提供相應(yīng)的解決方案滿(mǎn)足特定的應(yīng)用需求。

▲機(jī)器視覺(jué)的處理需求

從市場(chǎng)應(yīng)用角度來(lái)看，STM32主要定位于低端機(jī)器視覺(jué)市場(chǎng)、基于聲音的應(yīng)用以及狀態(tài)監(jiān)測(cè)和預(yù)測(cè)性維護(hù)應(yīng)用。

▲STM32的市場(chǎng)定位

為幫助用戶(hù)更快速地進(jìn)行嵌入式AI開(kāi)發(fā)，ST還提供了豐富的深度學(xué)習(xí)資源，覆蓋了神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)的整個(gè)流程。

▲神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)流程

第一步：獲取數(shù)據(jù)

在該階段，ST提供硬件開(kāi)發(fā)板和軟件采集數(shù)據(jù)，如運(yùn)動(dòng)、聲音類(lèi)數(shù)據(jù)等。硬件開(kāi)發(fā)板包括：SensorTile、SensorTile.Box、IOT Node(B-L475E-IOT01A)。

▲可以上下滾動(dòng)查看圖片

用戶(hù)可通過(guò)以下渠道購(gòu)買(mǎi)開(kāi)發(fā)板和獲取軟件：

STM32天貓旗艦店購(gòu)買(mǎi)開(kāi)發(fā)板：淘口令?NCmB1zyeeWZ?

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

第二步：數(shù)據(jù)清洗、打標(biāo)

ST同時(shí)提供手機(jī)端APP直連硬件開(kāi)發(fā)板，作為數(shù)據(jù)初篩和收集的平臺(tái)。

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

第三步：訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)訓(xùn)練在服務(wù)器或者PC端完成，ST不提供方案。但是在例程中提供相應(yīng)的參考訓(xùn)練腳本。

第四步：將模型轉(zhuǎn)換為MCU上執(zhí)行的優(yōu)化代碼

STM32Cube.AI，是ST推出的一個(gè)先進(jìn)的工具包，能夠與流行的深度學(xué)習(xí)庫(kù)進(jìn)行互操作，將任何人工神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換并應(yīng)用于STM32微控制器（MCU）。Cube.AI工具是CubeMX的AI擴(kuò)展包，可以在CubeMX內(nèi)下載或者單獨(dú)下載，下載地址：http://navo.top/rq2uqm。

STM32Cube.AI支持的神經(jīng)網(wǎng)絡(luò)模型框架有Lasagne、Keras、Caffe、ConvNetJs、Tensorflow Lite、可以導(dǎo)出為ONNX標(biāo)準(zhǔn)的框架（PyTorch,Microsoft Cognitive Toolkit, MATLAB 以及更多），最新支持請(qǐng)參考Cube.AI的release note。

Cube.AI 工具的功能包括：

轉(zhuǎn)換模型文件到運(yùn)行在STM32上的C代碼

對(duì)模型文件做CPU、RAM、Flash資源分析，顯示適配MCU型號(hào)

對(duì)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(qǐng)參考以下培訓(xùn)課程：《基于STM32開(kāi)發(fā)人工智能應(yīng)用》 （復(fù)制網(wǎng)址到外部瀏覽器）

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

第五步：使用訓(xùn)練好的模型分析數(shù)據(jù)

對(duì)于運(yùn)動(dòng)、聲音類(lèi)數(shù)據(jù)，ST可提供硬件開(kāi)發(fā)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(duì)于圖像類(lèi)數(shù)據(jù)，ST可提供硬件開(kāi)發(fā)板包括：STM32H747I-DISCO + STM32F4DIS-CAM或者OpenMV

用戶(hù)可通過(guò)以下渠道購(gòu)買(mǎi)開(kāi)發(fā)板和獲取軟件：

STM32天貓旗艦店購(gòu)買(mǎi)開(kāi)發(fā)板：淘口令?wMEr1zyloyE?

OpenMV 中國(guó)區(qū)官方代理：淘口令?m1xH1zyrco2?

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

ST通過(guò)大學(xué)計(jì)劃推動(dòng)AI教育普及

ST一直與世界知名大學(xué)緊密合作，共同致力于推動(dòng)AI知識(shí)和應(yīng)用在教育領(lǐng)域的培訓(xùn)和推廣。ST與加州大學(xué)洛杉磯分校的教授共同推出了物聯(lián)網(wǎng)和嵌入式機(jī)器學(xué)習(xí)課程。該課程基于ST的SensorTile開(kāi)發(fā)套件，為年輕的工程師和技術(shù)人員提供了構(gòu)建物聯(lián)網(wǎng)系統(tǒng)（如可穿戴消費(fèi)設(shè)備，可穿戴醫(yī)療設(shè)備，住宅物聯(lián)網(wǎng)系統(tǒng)和車(chē)輛物聯(lián)網(wǎng)系統(tǒng)）所需的基礎(chǔ)。

自2007年在上海交通大學(xué)開(kāi)設(shè)第一個(gè)聯(lián)合實(shí)驗(yàn)室以來(lái)，ST已經(jīng)在中國(guó)教育領(lǐng)域建立了重要的合作伙伴關(guān)系。ST中國(guó)大學(xué)計(jì)劃和多所中國(guó)高校合作，共同開(kāi)發(fā)嵌入式、物聯(lián)網(wǎng)以及人工智能相關(guān)的教材和課程體系，并且通過(guò)師資培訓(xùn)推廣到更多中國(guó)高校；同時(shí)建立了ST教育聯(lián)盟，促進(jìn)與高等院校的密切合作。

在AI應(yīng)用方面，ST已經(jīng)與許多編寫(xiě)核心培訓(xùn)材料的教授進(jìn)行了長(zhǎng)時(shí)間的合作。蘇州大學(xué)的王宜懷教授正在開(kāi)發(fā)一本用STM32微控制器和STM32Cube.AI講解復(fù)雜的嵌入式系統(tǒng)人工智能概念的教科書(shū)。通過(guò)使用ST的人工智能工具，將神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成可在STM32上運(yùn)行的代碼，教師可以為學(xué)生帶來(lái)先進(jìn)、巧妙的AI解決方案。