📚 课程目录第1章 AI on STM32 概述

1. AI on STM32 概述：为什么要在MCU上跑AI？

各位同学好，我是老周。在嵌入式这行摸爬滚打了十几年，从最早的8位机做到现在的Cortex-M7，说实话，几年前我也没想过AI能跑到MCU上。但时代变了，而且变得很快。

今天咱们先聊一个根本问题：为什么非要在MCU上跑AI？云端AI不香吗？

我2018年做过一个工业振动监测项目。传感器采集数据，通过Wi-Fi传到云端，云端推理完再返回结果。听起来很完美对吧？但实际部署时问题一堆：

后来我把模型裁剪后部署到STM32F4上，直接在传感器端做推理。延迟从秒级降到毫秒级，功耗降了90%，客户非常满意。这就是MCU上跑AI的核心价值——在数据产生的地方就地处理。

MCU端AI的三大核心优势：

说到STM32上的AI部署，就绕不开STM32Cube.AI。这个工具链我用了三年，从最早的4.0版本跟到现在的9.x版本，变化非常大。简单说，它帮你把训练好的模型（TensorFlow Lite、Keras、ONNX等）转换成能在STM32上跑的优化代码。

整个生态包含以下几个关键组件：

说白了，这套工具链帮你把「训练好的模型」变成「能在STM32上跑的代码」，中间涉及的量化、内存优化、算子映射，工具都帮你处理了大部分。

我的建议：刚开始接触时，先用STM32CubeMX + X-CUBE-AI走一遍完整流程。不要一上来就折腾手动优化。工具能自动做的，先让它做。

这门课一共30章，不是讲理论，而是讲实战。我踩过的坑，你不需要再踩一遍。

具体来说，学完这门课你能做到：

注意：这门课要求你有一定的STM32基础，至少会用CubeMX建工程、会用IDE编译下载。如果你完全没接触过STM32，建议先补一下基础。

我个人习惯把学习分成三个阶段，每个阶段都有明确的目标：

你想想看，如果一上来就讲模型剪枝、量化感知训练，很容易劝退。所以咱们从最简单的开始——先让模型在STM32上跑起来，哪怕是个只有几个神经元的网络，跑通了再说优化的事。

下面这张图概括了这门课的核心知识体系。我把它分成四个层次，从底层的硬件到上层的迭代策略：

这张图我希望你保存下来。每次学完一章，回来看看自己处在哪个层次，心里就有数了。

市面上做MCU端AI的工具不少，比如TensorFlow Lite Micro、ARM CMSIS-NN、Edge Impulse。为什么我推荐STM32Cube.AI？

原因有三：

深度硬件优化：STM32Cube.AI能利用STM32特有的硬件加速器（如M7的DSP指令、M33的Helium向量扩展），这是通用框架做不到的。我在项目中对比过，同样的模型用Cube.AI生成的代码比TFLM快30%-50%。
一站式体验：从CubeMX配置、模型导入、代码生成到IDE调试，全部在ST的生态里完成。不用在多个工具之间来回切换。
中文文档和社区支持：ST这几年对中文支持越来越好，官方社区也有不少中文案例。遇到问题能搜到答案，这点很重要。

一个小技巧：如果你手头有STM32H7或U5系列，记得在Cube.AI中开启「硬件加速」选项。我刚开始不知道这个，白白浪费了30%的性能。

好了，第一章的内容就这些。咱们回顾一下重点：