2. MCU选型与硬件平台搭建：主流芯片对比与外设资源评估
做嵌入式AI，第一步就是挑芯片。这事儿看着简单，其实坑不少。我刚开始带项目时，就吃过选型的亏——芯片算力够了，但Flash装不下模型，最后只能砍算法精度，那叫一个难受。
今天咱们就把MCU选型这件事聊透。从主流芯片对比，到外设资源怎么评估，再到开发板和调试工具怎么配，一条线捋清楚。
2.1 主流MCU芯片对比：STM32、ESP32、Cortex-M系列
目前端侧推理用得最多的，基本就是这三大家族。咱们一个一个看。
| 芯片系列 | 代表型号 | 内核 | 主频 | AI加速能力 | 典型场景 |
|---|---|---|---|---|---|
| STM32 | STM32F4/H7/N6 | Cortex-M4/M7/M33 | 80~550 MHz | CMSIS-NN、DSP指令 | 工业控制、传感器融合 |
| ESP32 | ESP32-S3/C6 | Xtensa LX7 / RISC-V | 240~400 MHz | ESP-NN、向量扩展 | IoT、语音唤醒、无线传感 |
| Cortex-M系列 | M55 / M85 / M7 | ARMv8.1-M / v7E-M | 200~800 MHz | Helium (MVE)、SIMD | 边缘AI、实时推理 |
我个人习惯是这么分的：
- STM32：生态最成熟，文档、例程、社区资源都多。适合刚入门做AI推理的朋友。尤其是STM32N6，内置了NPU，跑轻量CNN基本不用操心。
- ESP32：无线能力是杀手锏。Wi-Fi + BLE 集成，适合做需要联网的端侧AI，比如智能家居里的语音识别。ESP32-S3的向量扩展指令，跑TinyML模型效率不错。
- Cortex-M系列：如果你需要更高的算力，或者想用ARM的Helium技术（MVE），那就直接看M55或M85。我在一个工业视觉项目里用过M55，256点FFT比M4快了将近4倍。
核心观点：选芯片不是越贵越好，而是看你的模型能不能在它的Flash和RAM里跑起来。算力再强，装不下模型也是白搭。
2.2 外设资源评估：Flash、RAM、算力
这三个指标，是选型的硬门槛。咱们一个一个拆。
2.2.1 Flash：模型的家
模型权重、中间变量、代码，全得塞进Flash里。我见过有人选了512KB Flash的芯片，结果模型量化后还要600KB，最后只能换芯片，项目延期两周。
怎么估算？
- 模型权重：参数量 × 量化位宽 / 8。比如100万参数的int8模型，大约1MB。
- 代码 + 运行时库：CMSIS-NN、TFLite Micro这些，大概占100~300KB。
- 留余量：至少20%。
2.2.2 RAM：推理的工作台
推理时，输入、输出、中间特征图全在RAM里。尤其是CNN，中间特征图可能比模型本身还大。
举个例子：一个224×224×3的输入，经过几层卷积后，中间特征图可能膨胀到几百KB。如果RAM只有256KB，那就得用“内存复用”技巧——说白了就是反复读写同一块区域。
我的经验：选RAM时，至少要比模型峰值内存需求大1.5倍。否则调试时你会被“内存溢出”折磨到怀疑人生。
2.2.3 算力：能不能跑实时
算力通常用MAC/s（乘累加每秒）来衡量。Cortex-M7在400MHz下，大约能跑2~3 GMAC/s。跑一个MobileNetV1（约569M MACs），大概需要0.2~0.3秒。
够不够？看你的帧率要求。如果只要10FPS，那没问题。如果要30FPS，就得考虑量化、剪枝，或者换带NPU的芯片。
| 模型 | 参数量 | MACs | M7 400MHz 推理时间 | M55 400MHz (Helium) 推理时间 |
|---|---|---|---|---|
| MobileNetV1 (int8) | 4.2M | 569M | ~280 ms | ~90 ms |
| TinyML Perf 基准 | ~100K | ~10M | ~5 ms | ~1.5 ms |
2.3 开发板选型与调试工具准备
芯片选好了，接下来就是开发板和调试工具。这块我踩过不少坑，跟大家说说。
2.3.1 开发板怎么选
- STM32系列：NUCLEO-F767ZI（M7内核，2MB Flash/512KB RAM）或STM32N6-DK（带NPU）。我个人推荐NUCLEO系列，便宜、带ST-Link调试器，上手快。
- ESP32系列：ESP32-S3-DevKitC-1。带USB OTG、JTAG调试，支持ESP-DL框架。
- Cortex-M系列：ARM Corstone-300 FVP（虚拟平台）或MPS3 FPGA板。如果你不想买硬件，FVP是个好选择，跑模型和真芯片几乎一样。
避坑指南：我曾经买过一块某国产开发板，号称支持TFLite Micro，结果连CMSIS-NN都没移植好，折腾了两周才跑通。所以，选开发板时一定要确认官方是否提供了完整的AI推理SDK。
2.3.2 调试工具清单
- 调试器：J-Link（SEGGER）或ST-Link。J-Link速度快，支持Cortex-M全系列，我一直在用。
- 串口工具：Putty、MobaXterm或Arduino IDE的串口监视器。用来打印推理结果和调试信息。
- 逻辑分析仪：Saleae Logic 8。抓时序、看中断、分析外设通信，必备。
- 功耗测量：Joulescope或nRF Power Profiler。做低功耗AI推理时，这个工具能帮你找到功耗热点。
- IDE：STM32CubeIDE（免费，集成CubeMX）或VS Code + PlatformIO。我个人习惯用VS Code，插件多，调试体验好。
2.4 知识结构图：MCU选型与平台搭建流程
下面这张图，把整个选型和搭建流程串起来了。你可以把它当作一个检查清单。
2.5 实战建议：从零搭建你的第一个AI推理平台
说了这么多，咱们来点实际的。如果你现在手头什么都没有，我建议按这个步骤来：
- 买一块NUCLEO-F767ZI（约200元），或者ESP32-S3-DevKitC（约80元）。
- 下载STM32CubeIDE，或者VS Code + PlatformIO。
- 跑通一个TFLite Micro的Hello World——就是那个sine wave预测的例子。别小看它，能验证你的整个工具链是否通顺。
- 用串口打印推理结果，确认输出和PC端一致。
我的习惯：每次拿到新开发板，第一件事不是跑AI模型，而是先点个LED、打印个“Hello World”。确保调试器、串口、IDE都正常工作。这一步能省下后面80%的排查时间。
嗯，选型和平台搭建就聊到这儿。记住一句话：芯片是骨架，工具是手脚，模型是灵魂。骨架搭稳了，后面的事才好办。