边缘计算时代，ADI这款低功耗微控制器有何不同？-ic低功耗设计

电子发烧友网报道（文/李弯弯）通常来说，边缘AI是相对云端AI而言的，它允许设备在本地进行AI计算和决策，而不一定需要连接到互联网才能实现数据处理。

相比于云端AI，边缘AI具备实时性好、带宽资源要求低、隐私性好等诸多特点，因此在很多场景中边缘AI比云端AI更能解决实际的问题。

比如自动驾驶汽车突然识别到前方道路有一名儿童，汽车必须在几毫秒内做出反应才能避免灾难，如果将数据上传到云端就会产生很大的延时，因此边缘AI才能解决这一问题。

再比如森林火灾监测，公路、铁路或者是大坝塌方监测，这些地方普遍比较偏僻，通常没有很好的通信网络，但快速决策和预警非常关键，因此必须进行边缘端快速判定。

像这种应用时间敏感性非常高的场景，传统的云端监测，可能需要发送一组图片到云端，对网络流量要求比较高。通过监测端自主智能识别的话，在状况发生时只需要发短信息就可以快速实现安全警告，避免更严重的灾害损失发生。

和云端AI相同，边缘AI也具备AI的共性特征。AI技术是一种强大的模式识别技术，需要进行大量的矩阵运算，需要大量的存储空间和系统功耗。边缘AI作为在设备本地执行的AI，通常需要使用电池进行供电，因此需要在系统功耗、计算速度和设备成本之间取得平衡。

然而低功耗微控制器执行AI运算需要调用大量资源，速度低下，只能进行简单计算；FPGA、GPU和一些大型处理器虽然具备较快的计算速度，但成本高、功耗高；低成本微控制器/微处理器在功耗特性上的表现又不佳，计算速度和运算复杂度也一般。

市场需要更具超低功耗特性的新一代解决方案。ADI推出的带有神经网络加速器的MAX78000低功耗微控制器，可以在功耗、速度、成本三方面达成最优平衡。

具体来看，MAX78000集成了两个MCU核心用于系统控制，Arm Cortex-M4处理器和32位RISC-V处理器，其中Arm Cortex-M4F处理器以100MHz运行，客户可以编写任何系统管理代码。RISC-V处理器的功能是支持以低功耗将数据快速加载到神经网络加速器，用户可使用任何一种微控制器内核将数据输入到卷积神经网络的引擎中。

MAX78000具有432KB的权重存储空间，与运行在低功耗微控制器上的软件解决方案相比，在配置并加载了数据后，MAX78000运行AI推理的速度快了100倍，功耗还不到其1%。

ADI公司资深业务经理李勇此前介绍，低功耗是很多边缘智能应用场景的关键要求，MAX78000除了基于CNN加速器和双核处理器架构，还提供高效的片内电源管理，集成单电感多输出 (SIMO) 开关模式电源，最大限度地延长电池供电的物联网设备的续航时间。

据ADI应用工程师辛毅介绍，MAX78000最独特的功能是CNN加速器，它是专用硬件，旨在最大程度的减少卷积神经网络的运行能耗和等待时间，该CNN加速器具有432KB的权重存储，最多支持350万个权重的网络，同时产品架构具备高度的灵活性，允许TensorFlow、PyTorch常规工具集执行训练，转换后在MAX78000上运行。

MAX78000的另一个特征是，MCU的介入少，CNN加速器在运行时几乎不受任何MCU内核的干扰，从而极大的简化操作，提高了效率，改善了延时。

得益于优越的设计，芯片的功耗大幅降低，使得芯片能够在以电池供电的设备中执行复杂的AI应用，同时并没有造成延时和成本的上升。

与运行在低功耗MCU上的软件解决方案相比，MAX78000执行AI的速度快100倍，而其成本只有FPGA方案或者是GPU的零头。相比于MCU+DSP的方案，MAX78000功耗不足该方案的1%。MAX78000在功耗、速度、成本三方面达成最优的平衡。

MAX78000目前已经在森林防火监测、地质灾害监测以及智能家居等领域获得广泛应用。李勇表示，很多类似但并不涉及到公共安全的应用也需要实现本地快速智能决策，比如有用户就针对摩托骑行爱好者希望在骑行中能对头戴摄像头实现随时随地的语音控制开发产品，类似的还有助听器的语音控制、风力发电设备的安全监测这样的预测性维护等等。