2023年7月11日，慕尼黑上海电子展盛大开幕。STM32携物联网&智能互联等领域的世界级领先产品和智能解决方案精彩亮相，各种前沿技术和应用演示令ST展位人气爆棚。

STM32：以边缘AI解决方案引领嵌入式AI新时代

2023年7月12日，ST微控制器市场部门市场经理丁晓磊在本次慕尼黑上海电子展的国际嵌入式系统创新论坛发表演讲，介绍ST在边缘人工智能领域的相关产品和技术，并分享ST边缘人工智能工具，实际应用案例以及生态系统等重点内容，让更多人了解了ST如何帮助客户使用我们的边缘人工智能产品和解决方案最终实现项目落地。

嵌入式人工智能将成为主流

随着企业的业务部署场景和数据产生正在向端侧、边缘侧“迁移”，嵌入式AI也迎来了快速发展的机遇期。

在边缘侧设备中运行AI有很多优势：设备响应速度快、超低延时；降低数据传输量；更有效地保护隐私、增强信息安全；降低边缘侧设备的运行功耗；还可以降低推理成本以实现其他新的功能操作。因此，边缘AI 可以为很多领域提供价值，比如：工业预测性维护，从家电到工业机器的控制系统，以及物联网 (IoT)应用，如智慧城市, 智慧楼宇, 智慧家庭和工业自动化等。

STM32 边缘AI解决方案加快嵌入式AI部署

作为该趋势的主要推动者，ST已经在AI方面投入大量资源，旨在帮助开发人员在基于微控制器/微处理器（STM32系列）和传感器（MEMS、ToF…）的嵌入式系统上快速部署AI应用。

ST提供了一整套工具、设计支持和服务，包括软件工具、模型库、 软件参考，硬件芯片，开发板等，在STM32 MCU、MPU和智能传感器上实现边缘AI，通过简单、快速、低成本的方式为许多解决方案带来智能化，例如：预测性维护、物联网产品、智能楼宇、资产跟踪、人数统计等等。

通过嵌入式AI，轻松增强应用，开启全新应用可能性，解锁AI应用普惠之道。ST在帮助客户使用我们的边缘人工智能产品和解决方案最终实现项目落地方面，已取得了丰富的应用案例，涵盖智慧城市、智能家居、娱乐、玩具、智能楼宇、交通运输、智能办公、工业、家电等各个领域。

▲ 图：STM32在电弧检测中的应用

STM32 Cube.AI：一个工具，两个版本，轻松将AI部署到STM32

STM32Cube.AI 软件工具，是ST提供的嵌入式AI工具，支持全系列STM32芯片，致力于在STM32实现优异的AI性能，可在 STM32硬件上实现更加便捷的评估、转换和部署机器学习或深度神经网络。该工具集成在STM32Cube MCU开发环境中，可以优化和调整模型，直接部署在目标板上。

STM32Cube.AI工具的两个版本包括：STM32Cube.AI和STM32Cube.AI开发者云。

STM32Cube.AI是STM32嵌入式AI工具的PC版本，可帮助优化STM32项目中经过训练的AI模型的性能和内存占用。

STM32Cube.AI开发者云平台是STM32最新的线上 AI 服务器，可直接评估模型的在板推理时间。它可用来创建、优化和生成适用于STM32微控制器的人工智能，以及进行基准测试。无需安装任何软件，也无需评估板。

NanoEdge AI Studio软件工具是ST为无AI专业知识的嵌入式开发者提供等一体化机器学习方案，助用户从头开始做自己的AI解决方案。ST重写了从代数、机器学习和信号处理的各种算法，并且使这些算法能够在MCU内学习和推理。

本文重点解释如何使用硬件转换卷积神经网络(CNN)，并特别介绍使用带CNN硬件加速器的人工智能(AI)微控制器在物联网(IoT)边缘实现人工智能应用所带来的好处。

AI应用通常需要消耗大量能源，并以服务器农场或昂贵的现场可编程门阵列(FPGA)为载体。AI应用的挑战在于提高计算能力的同时保持较低的功耗和成本。当前，强大的智能边缘计算正在使AI应用发生巨大转变。与传统的基于固件的AI计算相比，以基于硬件的卷积神经网络加速器为载体的智能边缘AI计算具备惊人的速度和强大的算力，开创了计算性能的新时代。这是因为智能边缘计算能够让传感器节点在本地自行决策而不受5G和Wi-Fi网络数据传输速率的限制，为实现之前难以落地的新兴技术和应用场景提供了助力。例如，在偏远地区，传感器级别的烟雾/火灾探测或环境数据分析已成为现实。这些应用支持电池供电，能够工作很多年的时间。本文通过探讨如何采用带专用CNN加速器的AI微控制器实现CNN的硬件转换来说明如何实现这些功能。

采用超低功耗卷积神经网络加速器的人工智能微控制器

MAX78000是一款有超低功耗CNN加速器的AI微控制器片上系统，能在资源受限的边缘设备或物联网应用中实现超低功耗的神经网络运算。其应用场景包括目标检测和分类、音频处理、声音分类、噪声消除、面部识别、基于心率等健康体征分析的时间序列数据处理、多传感器分析以及预测性维护。

图1为MAX78000的框图，其内核为带浮点运算单元的Arm® Cortex®-M4F内核，工作频率高达100 MHz。为了给应用提供足够的存储资源，MAX78000还配备了512 kB的闪存和128 kB的SRAM。该器件提供多个外部接口，例如I2C、SPI、UART，以及用于音频的I2S。此外，器件还集成了60 MHz的RISC-V内核，可以作为一个智能的直接存储器访问(DMA)引擎从/向各个外围模块和存储（包括闪存和SRAM）复制/粘贴数据。由于RISC-V内核可以对AI加速器所需的

图1.MAX78000的结构框图

传感器数据进行预处理，因而Arm内核在此期间可以处于深度睡眠模式。推理结果也可以通过中断触发Arm内核在主应用程序中执行操作，通过无线传输传感器数据或向用户发送通知。

具备用于执行卷积神经网络推理的专用硬件加速器单元是MAX7800x系列微控制器的一个显著特征，这使其有别于标准的微控制器架构。该CNN硬件加速器可以支持完整的CNN模型架构以及所有必需的参数（权重和偏置），配备了64个并行处理器和一个集成存储器。集成存储器中的442 kB用于存储参数，896 kB用于存储输入数据。不仅存储在SRAM中的模型和参数可以通过固件进行调整，网络也可以实时地通过固件进行调整。器件支持的模型权重为1位、2位、4位或8位，存储器支持容纳多达350万个参数。加速器的存储功能使得微控制器无需在连续的数学运算中每次都要通过总线获取相关参数——这样的方式通常伴有高延迟和高功耗，代价高昂。CNN加速器可以支持32层或64层的网络，具体层数取决于池化函数。每层的可编程图像输入/输出大小最多为1024 × 1024像素。

CNN硬件转换：功耗和推理速度比较

CNN推理是一项包含大型矩阵线性方程运算的复杂计算任务。Arm Cortex-M4F微控制器的强大能力可以使得CNN推理在嵌入式系统的固件上运行。但这种方式也有一些缺点：在微控制器上运行基于固件的CNN推理时，计算命令和相关参数都需要先从存储器中检索再被写回中间结果，这会造成大量功耗和时延。

表1对三种不同解决方案的CNN推理速度和功耗进行了比较。所用的模型基于手写数字识别训练集MNIST开发，可对视觉输入数据中的数字和字母进行分类以获得准确的输出结果。为确定功耗和速度的差异，本文对三种解决方案所需的推理时间进行了测量。

表1.手写数字识别的CNN推理时间和推理功耗，基于MNIST数据集

方案一使用集成Arm Cortex-M4F处理器的MAX32630进行推理，其工作频率为96 MHz。方案二使用MAX78000的CNN硬件加速器进行推理，其推理速度（即数据输入与结果输出之间的时间）比方案一加快了400倍，每次推理所需的能量也仅为方案一的1/1100。方案三对MNIST网络进行了低功耗优化，从而最大限度地降低了每次推理的功耗。虽然方案三推理结果的准确性从99.6%下降到了95.6%，但其速度快了很多，每次推理只需0.36 ms，推理功耗降也低至仅1.1 µW。两节AA碱性电池（总共6 Wh能量）可以支持应用进行500万次的推理（忽略系统其它部分的功耗）。

这些数据说明了硬件加速器的强大计算能力可以大大助益无法利用或连接到连续电源的应用场景。MAX78000就是这样一款产品，它支持边缘AI处理，无需大量功耗和网络连接，也无需冗长的推理时间。

MAX78000 AI微控制器的使用示例

MAX78000支持多种应用，下面本文围绕部分用例展开讨论。其中一个用例是设计一个电池供电的摄像头，需要能检测到视野中是否有猫出现，并能够通过数字输出打开猫门允许猫进入房屋。

图2为该设计的示例框图。在本设计中，RISC-V内核会定期开启图像传感器并将图像数据加载到MAX78000的CNN加速器中。如果系统判断猫出现的概率高于预设的阈值，则打开猫门然后回到待机模式。

图2.智能宠物门框图

开发环境和评估套件

边缘人工智能应用的开发过程可分为以下几个阶段：

第一阶段：AI——网络的定义、训练和量化

第二阶段：Arm固件——将第一阶段生成的网络和参数导入C/C++应用程序，创建并测试固件

开发过程的第一阶段涉及建模、训练和评估AI模型等环节。此阶段开发人员可以利用开源工具，例如 PyTorch 和 TensorFlow。MAX78000 的GitHub网页也提供全面的资源帮助用户在考虑其硬件规格的同时使用PyTorch构建和训练AI网络。网页也提供一些简单的AI网络和应用，例如面部识别(Face ID)，供用户参考。

图3显示了采用PyTorch进行AI开发的典型过程。首先是对网络进行建模。必须注意的是，MAX7800x微控制器并非都配置了支持所有PyTorch数据操作的相关硬件。因此，必须首先将ADI公司提供的ai8x.py文件包含在项目中，该文件包含MAX78000所需的PyTorch模块和运算符。基于此可以进入下一步骤构建网络，使用训练数据对网络进行训练、评估和量化。这一步骤会生成一个检查点文件，其中包含用于最终综合过程的输入数据。最后一步是将网络及其参数转换为适合CNN硬件加速器的形式。值得注意的是，虽然任何PC（笔记本、服务器等）都可用于训练网络，但如果没有CUDA显卡，训练网络可能会花费很长的时间——即使对于小型网络来说也有可能需要几天甚至几周的时间。

开发过程的第二阶段是通过将数据写入CNN加速器并读取结果的机制来创建应用固件。第一阶段创建的文件通过#include指令集成到C/C++项目中。微控制器的开发环境可使用Eclipse IDE和GNU工具链等开源工具。ADI公司提供的软件开发套件(Maxim Micros SDK (Windows))也已经包含了所有开发必需的组件和配置，包括外设驱动以及示例说明，帮助用户简化应用开发过程。

图3.AI开发过程

成功通过编译和链接的项目可以在目标硬件上进行评估。ADI开发了两种不同的硬件平台可供选用：图4为 MAX78000EVKIT ，图5为 MAX78000FTHR ，一个稍小的评估板。每个评估板都配有一个VGA摄像头和一个麦克风。

图4.MAX78000评估套件

图5.MAX78000FTHR评估套件

结论

以前，AI应用必须以昂贵的服务器农场或FPGA为载体，并消耗大量能源。现在，借助带专用CNN加速器的MAX78000系列微控制器，AI应用依靠单组电池供电就可以长时间运行。MAX78000系列微控制器在能效和功耗方面的性能突破大大降低了边缘AI的实现难度，使得新型边缘AI应用的惊人潜力得以释放。

据IoT Analytics数据，2022年活跃连接的物联网设备将达到144亿，2025年将增长至270亿。作为物联设备中必不可少的控制与计算的大脑，MCU也将迎来持续增长。Yole最新数据显示，2022年MCU的市场规模预计为200亿美元以上，并且将保持7.1%年复合增长率，于2027年达到300亿美元市场规模。

数百亿的市场背后，蕴含着持续不断的技术创新，从简单控制到IoT大脑，MCU一路高歌猛进，热度不减。

MCU的进化之路：从简单控制到IoT大脑

上世纪60年代末70年代初，微控制器（MCU）的产品雏形出现。早期均是多芯片的方案，从Intel的MCS-4(Micro-Computer Set-4)开始，明确了CPU、RAM、ROM和I/O这样的一个具有通用性的基本系统架构。随后出现的TMS1000，将这四个部分整合在一个芯片中，便成为了历史上第一个真正意义上的MCU。

通用型MCU的出现，繁荣了后面50年的电子设备创新，各种品类层出不穷。MCU的功能和规格也随着技术发展、应用需求提升而进化。进入到IoT时代之后，MCU的角色更是成为了端侧的计算中枢，成为端侧的物联生态构建的决定因素。

如上图所示，典型的IoT应用由感知、计算、执行、连接和安全几部分组成。传感器检测大量的环境信息，将物理世界的模拟信号转换为数字信号数据，传递给后端的MCU中进行计算分析和处理；MCU根据计算结果给出决策信号到后端的执行层；执行层根据MCU给出的动作指令完成相应动作；在整个过程中，必要的数据也会通过无线连接的方式上传到云端进行云AI运算或存储。

从单点的设备到联网的端侧设备，对于MCU提出了更高的要求。纵观整个MCU市场，呈现出以下的技术演进趋势。

第一是对于算力提升的要求，同时也要追求更高的能效比。高端MCU的主频已经提升到GHz级，采用双CPU核的架构，针对不同工作负载实现灵活调度，有的MCU将会集成专用的NPU核来执行特定的AI/ML工作。

第二是无线射频功能的集成，支持例如BLE、Sub-G、Zigbee等无线通信协议。通过内部集成无线功能，简化了系统整体设计，缩减PCB面积，帮助非射频专业开发者在产品中快速构建无线连接。

第三是具备图形交互界面（GUI）的能力。从传统的机械按键+段式LCD显示，到现在的语音控制、图形界面交互控制，人机交互效果越来越友好。MCU需要具备足够的图形处理能力（2.5D、3D图形化加速器），支持不同的接口和显示屏的底层驱动，具备足够丰富的图形库开发资源。

第四是对于安全（Security）的更高要求。设计者开始明确：安全应该是从硬件设计之初就开始考量，而不是仅仅存在于软件层面的安全设计。像Arm在Cortex-M的中引入了Trustzone硬件安全架构，通过硬件隔离实现安全的密钥信息存储。在Trustzone的安全设计基础上，不同MCU中还会集成一系列安全功能，譬如HSM、AES、硬件密钥、双组闪存等等。

第五是强调MCU的整体开发生态，在MCU芯片之上构建较为完整方案加速客户的上市时间。从前端的传感器连接，到后端的上云提供完整的开发链条；一些简单的设计可以通过低代码的图形化开发工具快速完成；提高同一MCU平台上不同型号之间的代码的复用性，缩减用户进行MCU升级时进行代码迁移的成本。

业界领先厂商已经向着上述几个技术趋势去发力，推出符合AIoT时代需求的新一代MCU产品。如下图所示，英飞凌计划将会在下一代MCU产品中提供包括连接、机器学习、人机接口、传感等功能，并提供包括软件硬件参考、安全、IoT云在内的全方案开发平台。

芯片即方案：一颗MCU满足全部IoT应用需求

IoT Analytics总结了2022年物联网的十大技术趋势，其中提到：完备5G基础设施将会加速IoT垂直领域应用发展；IoT将会改变制造业，并成为实现可持续发展的关键技术；云平台商和IT厂商开始竞逐边缘端平台市场；AI变得无处不在，隐形AI在各行各业释放潜能；AI的计算正在向着边缘端拓展，实现端侧部署。

端侧物联网应用需要选择什么样的MCU，才能迎合这样的IoT发展需求？对于开发者而言，在选型的阶段将传统的通用型MCU，替换成选择一颗IoT MCU，可谓整个开发工作已经成功了大半。

PSoC6是一款专门为IoT和消费类应用而生的双核无线MCU，是一款可编程嵌入式系统级芯片解决方案。

首先作为IoT Purpose的MCU，双核的架构设计是其一大特色，用户可以根据不同工作负载动态分配M4核和M0+核的工作任务，M4核专注于高性能计算处理，M0+核则专注于实时监控的工作，例如无线通讯协议的频繁监控采样和回应等工作。M0+作为M4的减压引擎，允许M4进入睡眠状态；这种双核架构实现了功耗和性能的完美平衡。

可编程模块是PSoC系列的另一特色，在CPU的外围有12个类似于PLD的可编辑的数字逻辑单元（UDB），这种硬件可编程模块为MCU提供了更高的灵活度，并且可以通过PSoC Creator软件来实现硬件编程，避免HDL的陡峭学习曲线。

无线功能的集成是作为IoT MCU的必要元素，PSoC6支持Bluetooth 5和WiFi无线连接方式，开发者还可以通过可编程硬件模块创建自定义的AFE，并支持产品最后一分钟的设计更改，最大限度地减少PCB的重新设计。英飞凌还提供了AIROC这一Wi-Fi+蓝牙Combo的单芯片方案，可以与PSoC6一起构成更完整的从端到云的无线开发生态。

在安全性方面，PSoC6内置了IoT安全模块，同时支持多个安全环境，无需额外外部安全存储器或元件，同时集成包括ECC²和AES³在内的多种行业标准密码算法。此外，PSoC64安全系列还经过了PSA二级安全认证，集成了硬件RoT和开箱即用的Amazon FreeRTOS。

在开发生态方面，英飞凌提供了Modus Toolbox这一跨平台开发工具，提供工程的创建、编辑、编译、调试、烧写等功能，同时它还集成了实时操作系统、硬件外设驱动、无线连接的驱动库和众多的中间件。通过Modus Toolbox软件平台，结合英飞凌的传感器、无线连接、MCU、执行器完整的产品阵营，开发者可以轻松实现从传感器到云端的完整IoT应用开发。

以上几大特质融合在一起，让PSoC6成为了IoT开发的利器。以智能门锁应用为例，传统方案需要将指纹识别、语音识别、触控、无线连接等多个不同的芯片整合在一起构成一个系统方案；而现在一颗PSoC6就具备了这些功能，极大地简化了开发流程，缩减了整体成本并提高了安全性。

从边缘ML到TinyML，将AI的触角拓展到极致边缘端

纵观业界趋势，AI正逐渐向边缘端发展。机器学习（下文简称ML）的训练一般会在云端进行，而ML的推理会越来越多在设备端进行。在边缘端进行ML的处理，可以提高本地的设备响应，减少云端上传的数据带宽，提高本地数据的安全性。当前在一些MCU中也会添加特定的加速器，通过专用算力来进行ML的运算，从而释放CPU的通用算力。

与智能手机等边缘设备不同，在MCU为计算中心的端侧设备上进行机器学习面临着不小的挑战。这种更边缘侧的机器学习应用需要在本地有限的计算资源上，满足超低功耗的要求（mW级乃至更低）。为了区分，业界将这种更为极致的边缘侧ML称为TinyML。TinyML对接的传感器数据的种类相比边缘ML设备要复杂的多，因此数据的标签化处理工作也更复杂；很多云端和边缘ML上成熟的算法模型因为体积太大，往往也不能直接在TinyML应用中进行部署；软件和硬件的配合也需要有更成熟的方案。大部分IoT设备的开发者并不具备资深的AI/ML的知识，帮助这些开发者越过陡峭的学习曲线，避免繁杂的算法、软件工作，快速实现TinyML的部署，才会迎来IoT应用的新一轮爆发。

为了解决TinyML的应用难题，英飞凌与SensiML携手一起构建了从云端训练、到嵌入式软件开发、再到最终硬件部署的一套完整的边缘侧机器学习应用方案。

SensiML致力于为极致边缘的IoT设备构建准确的AI传感器算法。英飞凌的XENSIV传感器捕获原始的传感数据信息；透过SensiML Analystics Toolkit平台的Data Capture Lab进行数据的收集和标签化处理；Aanlystics Studio进行数据清理，生成数据特征和适合PSoC6平台的嵌入式AI模型；Knowledge Pack进行数据特征提取和模型优化，优化好的模型可以在PSoC6的平台进行部署。Test App可以将实时数据导入进行在线模型验证，同时也可以在设备上进行模型验证。

SensiML的Analystics Toolkit完善后导出ML模型，通过ModusToolbox将其部署到PSoC6和XENSIV的硬件平台上。

英飞凌与SensiML一起构建了云端训练、嵌入式软件开发和ML硬件部署的垂直开发生态，开发者即使并不是AI/ML的算法研究者，也可以在XENSIV和PSoC6平台上快速构建边缘ML的应用，推进边缘ML的部署。

结语

从通用MCU到IoT MCU，再到具备TinyML特质的IoT MCU，微控制器的发展与整个消费电子设备的演进浪潮休戚相关。单品MCU已经不足以满足当下IoT开发者的需求，选择一颗MCU即选择了一个完整的开发生态。英飞凌构建了包括感知、计算、执行、连接和安全在内的完整的物联网生态，并且通过与SensiML的合作帮助实现物联网的边缘AI部署。

当物联网端侧开始拥抱AI，一个全新的IoT局面即将开启。在下一波百亿物联设备的背后，离不开英飞凌的MCU及其全面IoT解决方案的参与。

一场新冠肺炎疫情导致的“缺芯”问题，使人们对MCU的关注度大幅提升。同时也进一步增加了MCU的应用范围，从家电、工控、照明等传统领域，到AIoT、智能汽车、智慧医疗等新兴市场，几乎无处不在。MCU技术的发展、产品的开发，亦与市场应用密不可分。芯片架构的优化、接口功能的丰富，都离不开应用需求端的推动。那么，当前MCU的热点应用市场有哪些？

Silicon Labs（亦称“芯科科技”）公司MCU产品经理Eric Bauereis先生近期获邀参加中国电子报（CENA）的MCU专题采访，在2022年开年之际通过问答形式的访谈为行业人士带来MCU行业的市场发展及技术趋势的最新解析。Bauereis表示，智能家居、智能制造、智能驾驶等物联网热门应用以及人工智能（AI）迅速发展之下，其设备开发各有着不同的要求，未来在越来越多的应用中需要将无线连接功能整合到MCU中；而MCU上也需要多个内核来处理专用功能，进而带动芯片设计和工艺改良的需求。

MCU市场需求强劲

CENA：您对于MCU市场的整体走势怎样看待？供需结构有何变化？

Bauereis：尽管MCU需求的增长可能略低于高端处理器需求的增长，但 MCU厂商面临的供应链挑战更大，因为MCU产品通常采用扩产空间较小且提升产能动力更弱的成熟工艺。我们预计市场对 MCU的需求将继续增长，同时供应紧张还将持续一段时间。

技术呈多元化发展

CENA：人工智能、智能制造、智能驾驶等热点应用对MCU产品性能需求有何特点？MCU的技术发展有何变化趋势？

Bauereis：人工智能、智能制造、智能驾驶等热门应用有着不同的要求，因此技术发展的趋势不仅仅是局限于几个领域。一般来说，越来越多的应用需要充分利用无线连接和分布式处理。无线连接可以是独立的，但在越来越多的应用中需要将无线连接功能整合到MCU中。同样，随着处理需求的增加，分布式方法变得越来越普遍。这可能意味着一个网络中有多个MCU，也可能意味着MCU上有多个内核来处理专用功能。

MCU站上风口差异化成国内企业的制胜机会

CENA：您认为中国MCU企业这两年发展情况怎么样？目前的主要困难是什么？

Bauereis：过去几年，中国MCU公司不断发展壮大。在大多数情况下，他们在供应链运营方面面临着与所有MCU公司相同的问题；同时中国MCU厂商也面临与贸易争端相关的问题。大多数厂商继续关注成本和客户服务，或供应链方面的问题。有厂商开始通过改进工具和软件以获得更好的设计体验，从解决项目的总成本和维持长期合作关系等方面入手。一些公司通过为特定市场提供特定的性能或功能来实现差异化，但这些市场通常是在亚太地区。

近日，西人马科技发布了FT1700芯片，这是西人马推出的首款一体式AI SoC芯片。

FT1700的性能特点

FT1700芯片基于异构多核处理器架构，集成了4个CPU和4个DSP，即8个核心处理器，同时还集成了一个实时处理器，可用于实时系统控制；视觉AI DSP可用于高性能机器视觉计算阵列，另外还有4K图像/视频编解码，以及高性能有线/无线数据接口可用于传输实时音频/视频流。

FT1700芯片可提供0.5T~1T的算力，可用于工业检测、边缘计算、机器视觉、智能制造、自动数据采集系统（ADAS）、工业机器人控制、行业无人机等多种AI应用场景。

FT1700参考平台包含系统核心板（SOM）和定制化开发平台（CDP）两大部分。SOM是FT1700的最小系统核心板，提供高稳定性算力评估环境、丰富的外设接口验证能力，尤其适合市场推广期的平台评估、强调快速迭代的整机原型产品验证开发。客户可以聚焦具体业务接口设计，不再拘泥于繁杂的SOC硬件最小系统设计细节，以便加速项目开发进度。SOM包含4x16 bit DDR4 4Gb、8GB eMMC，CDP支持千兆以太网、USB3.0、TypeC、HDMI串口、3.5mm耳机接口等。

FT1700的潜在应用市场

SoC芯片技术的一大关键优势是可以降低系统板上因信号在多个芯片之间进出带来的延迟而导致的性能局限，提高了系统的可靠性，降低了系统成本。FT1700是专为物流仓储、智能监控、边缘计算、工业检测、ADAS/DMS、汽车行驶记录仪、工业无人机等多种应用而设计的一体式SoC芯片。FT1700芯片利用多核心的并行计算优势，有着超高的计算能力，可快速识别图像、图形、视频和音频，然后做出判断。

例如现在的物流仓储运输系统普遍使用计算机系统记录、跟踪货物的流通情况，面对成千上万的大小货物，扫码登记录入信息是唯一可行的方法。FT1700芯片支持各种代码类型，包括条形码和二维码，该芯片还可以识别摄像机拍摄到的外包装上的字符和数字。

FT1700芯片还可用于无人停车场管理。在车辆进出停车场时，监控摄像机对车辆的牌照进行图像采集，系统对采集到的图像进行预处理，FT1700芯片对车牌字符进行分割后识别，然后输出识别结果，包括车牌号码和归属地、车牌颜色等，帮助系统跟踪车辆在停车场内的停留位置和时间。

行业无人机对电力、石油、天然气管线的空中巡检已经成为这类野外作业的普遍模式，有效克服了地形复杂、距离远和人员不宜到达的缺点。无人机携带的高速摄像机可以在快速的飞行过程中连续拍摄管线的高清视频。基于特殊的算法，FT1700芯片可以快速识别管线图像，判别出管线是否存在故障以及故障的类型。

西人马发力SoC芯片

纵观近年来的芯片技术发展趋势，未来的芯片技术是向着智能化方向发展，SoC芯片就是智能芯片的代表之一。西人马依据行业方向和市场不断变化的痛点需求，以及西人马自身的客户特点，公司在AI SoC芯片方面加大研发投入力度，今年首先发布了FT1700芯片。

目前无论是国际还是国内市场，SoC芯片研发领域都呈现出群雄并起的态势。以IDM模式经营的西人马作为SoC芯片领域内的“新同学”，将主要根植于自身在MEMS、ASIC、MCU芯片上的深厚根基，发挥自己的后发优势，为全球客户提供全新的SoC产品系列。

在今年上半年，西人马发布了两款MCU芯片CU0102B和CU0801A。CU0102B芯片采用0.18um CMOS BCD工艺制造，该款芯片与压电传感器如压电加速度计、压力以及MEMS压电麦克风等一起集成使用，即可以生产出稳定可靠的IEPE传感器。CU0801A芯片专为智能传感器应用、PLC、电源监控、报警系统、手持式设备、数据记录应用、马达控制和PC外围设备等多种工业、消费类应用场景，适合传感器、工业控制、电源监控等微小信号采集的应用场景。CU0102B和CU0801A再加上此次发布的FT1700，西人马在不到五个月的时间内连续发布了三款芯片产品，这显示出西人马强劲的芯片开发实力。

西人马为客户提供了“端-边-管-云-用”的一体化解决方案

“端”指的是数据采集层，涉及芯片、传感器，西人马目前拥有MEMS、ASIC、MCU等先进芯片，可以覆盖高端加速度计、压力、红外、气体、金属颗粒、信号处理、AI等产品。研发的传感器系列有压电式加速度传感器、高温传感器、微型传感器、温振一体传感器、模态测试传感器、电容式加速度传感器、压力传感器等。

“边”指的是边缘计算层，是连接端、小边、大边、云的采集器和边缘计算服务器，采用了业内领先的模块化设计思路和CPU+FPGA+IO的整体架构，结合西人马的主控芯片MCU、AI实现算力可扩展、自主可控的数据采集、智能控制的边缘设备，适用于工业领域的实时采集、处理、智能运算等需求。

“管”为基础通信能力，西人马和通信运营商深度合作，部署5G+MEC平台，实现控制面和用户面分离，通过网络切片提供各种等级SLA。

“云”指的是塔斯云，是西人马全面感知的智能大脑，通过监测端侧海量时序时空数据，形成多维信息融合的智能决策图谱。塔斯云通过开源、合作的方式，应用学术界和各类行业界的前沿技术，配合工具化、模块化、行业套件化的产品设计，并借助丰富的模型库、传感器库、知识库、算法库和前端组件库，助力各垂直领域快速上线、赋能增效和产业升级。

“用”指的是行业应用，西人马一体化解决方案可以应用于民用航空、轨道交通、风电、钢铁、电力、汽车和消费类电子领域。