1. AI簡介

　　AI（人工智能）起源于達特茅斯學院于1956年舉辦的夏季研討會。在該會議上，“人工智能”一詞首次被正式提出。計算能力的技術突破推動了人工智能一輪又一輪的發展。近年來，隨著大數據的可用性提高，第三輪人工智能發展浪潮已經來臨。2015年，基于深度學習的人工智能算法在ImageNet競賽的圖像識別精度方面首次超過人類，人工智能在發展道路上高歌猛進。隨著計算機視覺技術研究取得突破，深度學習已經在語音識別、自然語言處理等不同研究領域都獲得了巨大的成功?，F在，人工智能已經在生活中的方方面面顯示出巨大潛力。

　　結合人工智能技術的發展階段，現將一些主要概念大致解釋如下。

　　AI：能讓計算機腦模擬人類行為的一切技術。

　　機器學習：人工智能（AI）的子集。通過從數據中學習而不斷改進的算法和方法。

　　深度學習：機器學習（ML）的子集。通過使用模擬人類大腦神經網絡的多層結構，從大量數據中獲得有價值信息的學習算法。

　　2. 人工智能的新生力量，意法半導體Deep Edge AI應運而生

　　目前，因為算力的需求，人工智能技術主要應用于云端場景。由于數據傳輸延遲等因素的限制，基于云的解決方案可能無法滿足部分用戶對數據安全性、系統響應能力、私密性、以及本地節點功耗的需求。在集中式人工智能解決方案中，嵌入式設備（智能音箱、可穿戴設備等）通常依賴云服務器實現人工智能能力，而在Deep Edge AI解決方案中，嵌入式設備本身即可在本地運行人工智能算法，實現實時環境感知、人機交互、決策控制等功能。

　　將推理過程移到深度邊緣計算會帶來一些優勢，比如系統響應能力、更好的用戶信息隱私保護（并非所有數據都需要通過多個系統傳輸到云端）、降低連接成本和功耗。

　　根據ABI的研究結果，到2030年，Deep Edge AI器件的全球出貨量將達到25億臺。意法半導體注意到，圍繞Deep Edge AI技術的社區和生態系統越來越多，專注于獨立、低功耗且經濟劃算的嵌入式解決方案。作為該趨勢的主要推動者，意法半導體已經在AI方面投入大量資源，旨在幫助開發人員在基于微控制器/微處理器（STM32系列）和傳感器（MEMS、ToF…）的嵌入式系統上快速部署AI應用。意法半導體為STM32系列和集成了機器學習核心（MLC）的MEMS傳感器提供了一套AI工具，可以加快開發周期，并且可以優化訓練好的AI模型（STM32Cube.AI）。

　　作為通用技術，人工智能已經在多個領域取得了令人矚目的成就。我們相信，越來越多的智能終端設備將會對人類生活產生更為直接的積極影響。

　　3. 通過意法半導體的生態系統快速部署AI應用

　　意法半導體提供一個包含硬件和軟件的生態系統，幫助快速、輕松地開發用于傳感器和微控制器的多種Deep Edge AI算法。

　　MEMS傳感器生態系統中的機器學習通過運行在名為機器學習核心（MLC）的傳感器嵌入式引擎上的決策樹分類器，幫助設計人員利用AI at the Edge實現手勢、活動識別、異常檢測等。

　　因此，物聯網解決方案開發人員可以在快速原型制作環境中部署我們的任意（內嵌機器學習核心的）傳感器，以便使用UNICO-GUI工具快速開發超低功耗應用。

　　借助內置的低功耗傳感器設計、高級AI事件檢測、喚醒邏輯和實時邊緣計算功能，傳感器中的MLC極大地減少了系統數據傳輸量，降低了網絡處理負擔。

　　如果開發人員決定開發一個基于傳感器內機器學習核心的解決方案，則需要一套全新的方法來發布自己的應用。

　　如要創建任何機器學習算法，起點都是數據及其對類（用于描述待解決的復雜問題）的定義。您可以遵循五個步驟，在傳感器中創建并運行AI應用。UNICO-GUI是一種圖形用戶界面，能夠支持包括決策樹生成在內的所有五個步驟。

　　為了便于開發人員快速向STM32部署已訓練的AI模型，我們開發了一款使用簡單易用且高效的工具 - STM32Cube.AI（也稱X-CUBE-AI）。X-CUBE-AI可以分析并將已訓練的神經網絡轉換為優化的C語言代碼，并針對STM32目標進行自動測試。當然，X-CUBE-AI是一款非常強大的工具，后續文章中將介紹其更多功能。

　　為了展示幾種不同的AI應用如何可以在STM32上直接運行，并加快STM32嵌入式開發人員的開發、驗證和部署進程，意法半導體提供許多AI應用作為參考。

　　開發人員可以基于這些嵌入式AI應用軟件包進行二次開發，快速實現自定義模型的部署。

　　更多細節將在后續文章中介紹。

　　AI開發工具和嵌入式應用軟件包總結如下

　　STM32的所有MCU都支持AI模型的部署。對于計算能力較低的MCU，支持機器學習算法（ML）。對于計算能力較高的MCU，還支持神經網絡模型（DL）。

　　可以運行應用示例的評估板列表總結如下。

　　產品評估工具