2. STM32N6硬件平台解析
STM32N6 是 ST 面向边缘 AI 场景推出的高性能 MCU 平台，它的核心价值不在于“把主频做高”，而在于把神经网络推理所需的算力、带宽、存储与功耗控制组织成一条可预测的数据通路。理解这颗芯片，建议不要从外设清单入手，而是先抓住四个关键对象：Neural-ART NPU、Cortex-M55、片上内存层次、功耗域与时钟域。它们共同决定了模型能不能跑、跑得多快、功耗是否可控。
一、NPU：把卷积与矩阵运算从 CPU 手中接走
STM32N6 内置的 Neural-ART NPU 是 ST 自研的神经网络加速器，典型算力约 600 GOPS，面向 int8 量化推理。它并不是“协处理器式”的小加速单元，而是具备独立取指、权重缓存、乘加阵列和激活/池化后处理能力的完整推理引擎。CPU 负责准备输入张量、配置网络描述符、启动推理并读取输出；真正的卷积、深度卷积、全连接等算子由 NPU 执行。
对架构设计而言，NPU 的关键参数不是单一算力数字，而是算力与带宽的匹配。例如一个 3×3 卷积层，若输入特征图 64×64×32、输出 64×64×64，则乘加次数约为 64×64×64×32×3×3 ≈ 75.5 M MAC，即约 151 MOP。在 600 GOPS 理论峰值下，纯计算时间约 0.25 ms；但如果权重和特征图频繁从外部存储搬运，实际耗时会被带宽拖长。因此 NPU 的高效运行高度依赖片上 SRAM 与权重缓存。
二、Cortex-M55：控制、调度与轻量算子的执行者
Cortex-M55 是 Armv8.1-M 架构内核，主频可达 800 MHz（不同型号/配置略有差异），支持 Helium（MVE）向量扩展。它的角色不是与 NPU 抢算力，而是承担三类任务：系统控制与中断调度、数据预处理/后处理、以及 NPU 不擅长或未覆盖的轻量算子。Helium 对 int8/int16 的 SIMD 支持，使颜色空间转换、归一化、NMS、阈值筛选等操作可以在 CPU 上高效完成。
一个常见的分工模式是：摄像头接口把图像写入 SRAM，M55 用 Helium 做裁剪、缩放和量化，NPU 执行主干网络，M55 再对输出张量做解码与后处理。这样 NPU 保持高利用率，CPU 也不会成为瓶颈。
三、内存层次：决定推理吞吐的隐形主角
STM32N6 的片上内存层次大致分为：紧耦合的 NPU 权重缓存与激活缓存、大容量片上 SRAM（典型 4.2 MB 级别，含专用 AI RAM）、以及外部存储接口（如 XSPI/HyperFlash、Octo-SPI、SDMMC 等）。NPU 访问片上 SRAM 的延迟和带宽远优于外部存储，因此模型部署时优先把权重和中间激活放在片上。
实际工程中常用“分块 + 复用”策略：把大模型按层切分，权重常驻片上，激活按需滚动。若模型权重超过片上容量，则需从外部 Flash 流式加载，此时 XSPI 的吞吐和 NPU 的预取能力就成为关键。判断内存方案是否合理，可以观察两个指标：NPU 等待权重的时间占比，以及每层推理时间是否随层数线性增长；若某层明显变慢，往往是该层权重或激活发生了外部搬运。
四、外设与功耗域：让算力“按需出现”
STM32N6 的外设围绕边缘视觉与音频展开：DCMI/CSI 摄像头接口、I2S/SAI 音频、USB、以太网、CAN-FD、以及丰富的定时器和串行接口。它们本身不直接提升 AI 算力，但决定了数据能否顺畅进入和离开推理链路。例如摄像头以 30 fps 输出 640×480 RGB888，数据率约 27.6 MB/s，若 DCMI 与 DMA 配置不当，CPU 会被搬运中断拖住，NPU 反而空闲。
功耗域的设计思路是“分域供电、按需唤醒”。CPU/NPU 核心域、SRAM 域、外设 IO 域和低功耗待机域可以独立控制。典型策略是：推理时开启 NPU 与 AI SRAM 域，推理间隙关闭 NPU 时钟，仅保留 M55 低功耗运行；若整机处于待机，则只保留 RTC 和唤醒源。判断功耗方案是否合理，可以测量两个电流值：推理峰值电流和推理间隔的平均电流。若平均电流接近峰值，说明没有真正进入低功耗状态。
五、把四者串起来看：一个可落地的配置思路
假设要部署一个 int8 量化的 MobileNet 级模型，输入 224×224×3，权重约 1.5 MB。合理的做法是：权重常驻 AI SRAM，输入图像由 DCMI+DMA 写入通用 SRAM，M55 用 Helium 完成归一化与量化，NPU 执行主干，输出张量回到 SRAM 由 M55 解码。时钟上让 NPU 与 M55 同源但可独立门控，功耗域上把未用外设全部关闭。
总结来说，STM32N6 的硬件平台是一套围绕“数据搬运—计算—存储—供电”协同设计的系统。NPU 提供算力，Cortex-M55 提供控制与轻量计算，内存层次决定实际吞吐，功耗域决定续航与热设计。架构设计时，先画清楚数据从传感器到 NPU 再到输出的路径，再逐段检查带宽、容量和供电是否匹配，才能把纸面参数转化为可稳定运行的边缘 AI 产品。