AIoT为MCU开辟了新的市场，使越来越多的新应用和用例成为可能，这些应用和用例可以使用MCU与某种形式的AI加速相结合，以促进边缘和端点设备的智能控制。这些支持AI的MCU为计算和机器学习（ML）提供了独特的DSP功能，并用于关键字识别、传感器融合和振动分析等各种应用。更高性能的MCU可实现更复杂的视觉和成像领域的应用，如人脸识别、指纹分析和物体检测。

神经网络用于AI/ML应用，例如图像分类、人员检测和语音识别。这些是用于实现机器学习算法的基本构建块，并广泛使用线性代数运算，例如用于推理处理、网络训练和权重更新的点积和矩阵乘法。正如您可能想象的那样，将AI构建到边缘产品中需要处理器具有强大的计算能力。这些新兴AI应用的设计人员需要满足对更高性能、更大内存和更低功耗的需求，同时保持低成本。在过去的日子里，这是GPU和MPU的职权范围，它们具有强大的CPU内核、大内存资源和用于分析的云连接。最近，可以使用AI加速器从主CPU卸载此任务。其他边缘计算应用（如音频或图像处理）需要支持快速乘法累加运算。通常，设计人员选择在系统中添加DSP来处理信号处理和计算任务。所有这些选项都提供了所需的高性能，但会大大增加系统成本，并且往往更耗电，因此不适合低功耗和低成本的端点设备。

MCU如何填补这一空白？

更高性能MCU的出现使得低成本、低功耗的边缘AIoT成为现实。AIoT是通过最新MCU更高的计算能力以及更适合这些终端设备中使用的资源受限MCU的轻量级神经网络模型来实现的。与MPU或DSP相比，基于MCU的物联网设备上的AI可实现实时决策和更快的事件响应，并且还具有更低的带宽要求、更低的功耗、更低的延迟、更低的成本和更高的安全性等优势。MCU还提供更快的唤醒时间，从而实现更快的推理时间和更低的功耗，以及与存储器和外设的更高集成度，以帮助降低成本敏感型应用的整体系统成本。

基于Cortex-M4/M33的MCU可以满足更简单的AI用例的需求，例如性能需求较低的关键字识别和预测性维护任务。然而，当涉及到更复杂的用例时，如视觉AI（目标检测、姿态估计、图像分类）或语音AI（语音识别、NLP），需要更强大的处理器。较旧的Cortex-M7内核可以处理其中一些任务，但推理性能较低，通常仅在2-4 fps范围内。

我们需要的是具有AI加速功能的更高性能微控制器。

RA8系列高性能AI MCU简介

全新RA8系列MCU采用基于Arm v8.1M架构的Arm Cortex-M85内核和7级超标量流水线，可提供计算密集型神经网络处理或信号处理任务所需的额外加速。

Cortex-M85是性能最高的Cortex-M内核，配备Helium™，即Arm v8.1M架构中引入的Arm M -Profile矢量扩展（MVE）。Helium是一种单指令多数据（SIMD）向量处理指令集扩展，它可以通过使用单个指令处理多个数据元素来提升性能，例如在多个数据上重复乘法累加。与较旧的Cortex-M7内核相比，Helium显著加速了资源受限的MCU器件中的信号处理和机器学习能力，并在ML任务中实现了前所未有的4倍加速，在DSP任务中实现了前所未有的3倍加速。RA8 MCU具有大容量内存、高级安全性以及丰富的外设和外部接口，非常适合语音和视觉AI应用，以及需要信号处理支持的计算密集型应用，例如音频处理、JPEG解码和电机控制。