今天，人工智能 (AI) 正在以超乎想象的速度迅猛发展，在这一大背景下，有两大趋势特别值得关注：一个趋势是近两年基于大模型的生成式AI的狂飙突进，向我们展示着AI的无限可能；另一趋势则是AI技术不断“下沉”，转向网络的“边缘”，边缘AI的兴起正在将AI带入更多的应用场景，让AI变得触手可及。
所谓边缘AI，顾名思义就是基于边缘计算的AI技术。众所周知，在AI发展早期，由于需要大量的算力支撑，因此使用云端集中式的数据处理能力进行AI数据的训练和推理，是很自然的选择。不过，随着技术和市场的发展，这种云计算型AI的局限性也逐渐显现出来。
首先，云计算型AI对网络的依赖性太强，大量原始数据需要上传至云端处理，这不仅需要占有更多的带宽资源，在断网时还会直接导致AI应用停摆；其次，云计算型AI的延迟较高，这使其难于胜任需要实时响应的应用；再有，在数据传输的过程中，还会存在信息安全和隐私泄露的风险。这些弱点在普通的消费级应用中也许并不明显，但在工业、自动驾驶、医疗等对实时处理、数据安全和低延迟特性更为敏感的领域，则是致命的短板。
而这种短板，恰恰为边缘AI的发展带来了契机——边缘AI无需依赖云端服务器或网络，即可在独立的边缘设备上执行实时训练和推理任务，将大大扩展AI的应用领域；同时，由于AI的生成和部署、数据处理都在网络边缘端的本地设备上进行，可以极大地降低延迟，并从源头上保障数据的隐私安全。
正是由于具有这样独特的优势，如今边缘AI已成为一个极具潜力的市场。国际数据公司 (IDC) 的研究显示，2025年全球边缘计算解决方案支出将接近2,610亿美元，预计未来将以13.8%的年复合增长率快速增长，到2028年达到3,800亿美元，其中边缘AI的发展将是核心的推动力。
创新的端点AI技术
在开发者的心目中，一个理想的边缘AI解决方案，应该具备以下几个特点：
1、无需网络连接即可独立工作，在本地设备上完成推理，更大限度地缩短通信延迟。
2、能够进行现场训练，可基于设备的安装环境和运行状况（如噪音、振动和温湿度）等信息进行高速现场学习，生成定制化的模型。
3、可同时执行Al以外计算处理任务，以完成其他设备控制工作。
不过，理想虽然丰满，现实却很骨感：在海量的边缘计算场景中，开发者面对的是算力有限的设备，它们大都采用嵌入式MPU或MCU作为主控芯片，想要在这些器件上面跑AI，并不容易，需要从软件到硬件、从芯片到系统进行全面地优化，这样才能为边缘AI的落地提供一片技术沃土。
为此，ROHM Semiconductor (以下简称ROHM) 推出了一个创新的端点AI技术——Solist-AI™，专为边缘计算领域提供端侧AI解决方案。
Solist-AI™的名称源自音乐术语“独奏者”，这意味着其无需依赖云端服务器，即可在独立的边缘设备上执行实时训练和推理处理，且具有体积小、功耗低等特点，与云计算型AI和传统的基于边缘AI计算机的方案相比，优势十分明显。
图1：Solist-AI™端点AI技术优势
（图源：ROHM Semiconductor）
上述这些特点，使得Solist-AI™技术非常适合于两类典型应用：
预测性维护：基于正常数据进行训练以构建AI模型，并基于该AI模型检测出设备或系统运行异常的征兆，及时进行维护。
劣化预测：通过对预先训练好的AI模型进行增量训练，将其升级为与现场适配的“定制”AI模型，并基于该定制模型对设备寿命或工作完成时间进行预测。
由此不难看出，在电机轴承损伤检测、电池老化和剩余电量预测、服务器异常发热检测、缺陷产品筛选、基础设施的维护，以及独居老人和卧床患者的看护等领域，Solist-AI™技术都可大展身手！
独特的Solist-AI™微控制器
如果你觉得以上的介绍还有点抽象，下面我们就来详细解析“创新的端点AI技术，Solist-AI™是如何做到的”。
图2：Solist-AI™系统示意图
（图源：ROHM Semiconductor）
从上图可以看出，基于Solist-AI™的端点AI系统的核心，是一款“Solist-AI™微控制器”(如ML63Q25x-NNNx系列微控制器)，它具有软、硬件两大“法宝”，使其能够在设备端丝滑地实现AI训练和推理功能。
硬件层面，Solist-AI™微控制器除了常规的嵌入式处理功能（包括Arm Cortex-M0+处理器、外设功能、片上存储等），还特别集成了一个AI硬件加速器AxlCORE-ODL，它能够高速实现神经网络处理及FFT等数据的预处理，与基于软件的传统MCU相比，AI处理速度提高约1,000倍（12MHz运行时的理论值），从而大幅减轻AI处理时MCU的负载，使得MCU有“余力”去完成AI之外的计算处理任务。
图3：Solist-AI™微控制器中集成了AxlCORE-ODL AI硬件加速器（图源：ROHM Semiconductor）
软件方面，Solist-AI™微处理器采用了一种基于三层神经网络的极限学习机（Extreme learning machine, ELM）的优化AI算法，该算法特别适合于基于硬件的运算架构，并能有效减少AI处理时的内存消耗，其与AxlCORE-ODL硬件加速器相配合，提供了一种高能效的边缘计算解决方案。
图4：Solist-AI™技术采用三层神经网络算法
（图源：ROHM Semiconductor）
总之，在AxlCORE-ODL硬件加速器和专门优化的神经网络算法的加持下，Solist-AI™微控制器具有独立AI工作、设备端学习和增量训练，以及同时执行AI以外处理任务等特点，与传统的基于软件的边缘AI解决方案相比，优势尽显。
图5：Solist-AI™技术与软件解决方案比较
（图源：ROHM Semiconductor）
以ML63Q25x-NNNx MCU为例，该Solist-AI™微控制器支持基于AI的实时运行状态监控，在AI处理期间功耗低至40mW，同时可避免网络延迟问题和安全风险，是工业应用中异常检测和预测性维护的理想选择。
全面的开发生态支持
值得一提的是，Solist-AI™微控制器是Solist-AI™技术的核心，但并非是其全部。ROHM正在努力打造一个完整的Solist-AI™技术生态，为边缘AI应用的开发提供全方位的支撑。
图6：Solist-AI™微控制器开发支持系统
（图源：ROHM Semiconductor）
在这个生态系统中，为了创建更高精度的AI模型，整合了一些开发利器，比如：
Solist-AI™ Sim
一款可在PC端验证Solist-AI™功能的仿真工具，可以轻松确认AI训练和推理结果，在短时间内验证AI的应用效果，单次仿真仅需数秒。目前，ROHM已公开发布用于异常检测（无监督训练）和预测或参数推测（监督训练）的仿真工具。
Solist-AI™ Scope
一款用于确认实机工作情况的实用工具，能够将Solist-AI™微控制器内部处理的数据以波形形式进行显示，便于实时查看输入到AI的传感器数据和从AI输出的异常程度指标，从而轻松验证AI是否按预期工作。
图7：利用Solist-AI™ Sim和Solist-AI™ Scope创建高精度的AI模型（图源：ROHM Semiconductor）
此外，ROHM还提供与Solist-AI™微控制器配套的参考板和评估板，以及用于嵌入式开发的LEXIDE-Ω集成开发环境，加上第三方Flash编程器等开发工具，营造起了一个完整的开发生态。这些举措的核心目的都是一个——帮助开发者在MCU上玩转AI，让边缘AI能够扩展到越来越多的应用场景。
本文小结
边缘AI正在快速发展，目前正在从最初的“云端训练、边缘推理”的模式，向更少云端资源依赖，模型训练、迭代、部署全流程边缘化的“边缘训练”模式升级，同时也在向更高层次的具备自主感知、自适应调整学习能力的“自主机器学习”模式迈进。
ROHM的Solist-AI™技术，及其衍生出的新一代的边缘AI微处理器和软件开发工具，正是这样的趋势之选，助力工程师在边缘AI的世界自由驰骋！
ML63Q25x-NNNx集成AI的微控制器
说明：文中“Solist-AI™”是ROHM Co.，Ltd.的商标或注册商标
来源：贸泽电子
免责声明：本文为转载文章，转载此文目的在于传递更多信息，版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题，请联系小编进行处理（联系邮箱：cathy@eetrend.com）。