Page 16 - MCU大廠分享10億級出貨秘訣

12
SPOTLIGHT
行ML同時兼顧功耗，必須在軟體 和硬體兩方面同時著力，「如M55 與M85，都具備了為執行tinyML的 Helium功能，能針對AI工作負載進 行硬體的最佳化。軟體部分，我們 有相對應的應用程式介面(API)， 例如CMSIS-NN或者CMSIS-DSP 的指令集，都是專門用來支援 tinyML的應用。因此軟硬體都要 相互配合，才能為MCU進行最佳 化。」
如NXP、意法半導體(ST)、 Silicon Labs等MCU業者，也都紛 紛針對ML推出產品，搶攻tinyML 的潛在市場。像是NXP，打著「將 ML和深度學習帶向邊緣端」的標 語，規劃以Cortex-M7為基礎的 i.MX RT10x0、Cortex-M33為基 礎RT600等系列產品;ST也瞄準AI 應用打造AI生態系統，除了相應的 MCU產品，並提供「STM32Cube. AI」擴充包等工具，以協助企業縮 短設計時程。
低功耗、高性能 MCU應用場 域更多元
Daranyi表示，當物聯網終端 產品要加入AI/ML功能，客戶除了 要選擇MCU/處理器執行AI/ML工 作負載，也要在功能需求與安全 性、可負擔性、複雜性和運算間取 得平衡。從調查結果顯示到2027 年tinyML設備出貨量將成長到30 億台、年複合成長率達30%的結 果，tinyML的市場確實已在逐漸 興起。對MCU來說，如果要因應 AI/ML功能需求，接下來會需要更 高的執行效率。
此外，意法半導體(ST)亞太區 資深產品行銷經理楊正廉指出，現 在慢慢也有看到手勢偵測及語音 辨識等應用，隨著判斷的內容越 來越複雜，且大家追求更智慧化， 傾向獨立在設備端就做完運算， 減少後端負擔，並可即時做出反 應，會需要更好的MCU。以ST來 說M4到M7都有相關產品支應需 求，也在針對運算效能持續優化。
李宜儒舉語音UI系統為例， 他說，過去這樣的系統受到低功 耗和高性能要求的限制，NXP協 助客戶規劃的解決方案，內建了去 雜訊音訊前端晶片、喚醒詞引擎和 語音命令引擎，並強調不需要任何 雲端運算，就能提高現實生活嘈雜 場景中的喚醒詞和語音命令觸發 率;據統計，完整的語音強化解決 方案以Cortex-M7為核心，設備 平均以160MHz運作，準確率可提
目前包括視覺辨識、智慧攝影 機、監控、語音指令，或是工廠中 物件偵測、良率判斷、異常偵測、 震動偵測等，諸如此類邊緣端的 應用，皆被認為可能是tinyML的 機會。其中又以視覺辨識跟語音 辨識，發展最為快速，且或許已 悄悄進入我們的生活。比如，像 我們喊出「OK Google」詞彙喚 醒Android裝置，就是仰賴語音 喚醒偵測的ML模型，搭配數位訊 號處理器實現類似tinyML概念的
tinyML無疑為AI的應用帶來 更多想像空間，一旦不一定需仰 賴後端進行判讀，設備「AI化」的 成本就有機會降下來，進而提升 市場接受度，現在也確實看到越 來越多的應用出現。但Gartner曾 點出，即便2025年創新應用和產 品服務都會朝邊緣運算靠攏，但現 在的發展目前確實遇到挑戰，包括 難以估計的投資報酬率、相關技術 尚未完全成熟等。
www.eettaiwan.com | 2022年6月
高40%。
Silicon Labs則將ML應用整
應用。 黃晏祥指出，像工業領域震動
合於系統單晶片(SoC)，搭配無線 AIoT系統平台，提供完整解決方 案。EFR32系列1和系列2的SoC， 支援適用tinyML的TensorFlow Lite Micro ML框架;EFR32xG24 並具有內建ML硬體加速器子系 統，可將執行AI推論(inference)的 性能提高四倍，功耗降低六倍。ML 解決方案讓設計人員在需要超低 功耗的無線物聯網設備中，可增加 AI/ML應用。
偵測的應用，是類似偵測機器震動 的頻率、型態、模式等參數，輔以 相關的演算法，即可預先診斷機器 是否故障或者需要維修，也可應用 在偵測產線的溫度等。若在前端即 可有一些tinyML的能力，可以放入 一些演算法，將資料即時的送到後 端、或伺服器上，即時發出警訊， 與物聯網做更緊密的結合應用。
tinyML發展飛快 強化生態圈為業界共識
黃晏祥也點出三大挑戰，其一 是ML的運算模型較大，需要記憶