1. 课程导论与AI on STM32生态全景

各位同学好，我是你们这门课的老周。在嵌入式这行摸爬滚打了十几年，从最早的8位机一路做到现在的双核Cortex-M7，说实话，AI落到MCU上这件事，放在五年前我是不太敢想的。

但今天，STM32跑AI推理已经不是新鲜事了。我去年帮一个客户做工业异常检测，就是用STM32U5加上Cube.AI，硬是把原本要上Linux的方案砍成了单芯片MCU方案，成本降了60%。嗯，这就是我们这门课要讲的核心——怎么在资源受限的MCU上，把AI推理跑起来、跑得快、跑得稳。

为什么要在MCU上跑AI？

你可能会问：云端的算力那么强，干嘛非要在MCU上折腾？

说白了，三个字：实时性、隐私、成本。

• 实时性：传感器数据采集后直接推理，毫秒级响应，不用等网络往返。我在做电机振动监测时，要求推理延迟小于5ms，云端方案根本做不到。
• 隐私：数据不出设备，尤其适合医疗、金融等敏感场景。
• 成本：一颗STM32H7的价格可能不到高端MPU的十分之一，BOM成本优势明显。

当然，限制也很明显。MCU的Flash通常只有几MB，RAM更是以KB为单位，算力也远不如GPU。所以，模型压缩和量化就成了必修课——这也是我们这门课的核心内容之一。

STM32 AI工具链全景

ST官方提供了三款核心工具，我分别说说它们的定位和我的使用感受。

工具	定位	适用场景	我的评价
STM32Cube.AI	模型转换与优化引擎	将训练好的模型（Keras/TFLite/ONNX）转为STM32可执行的C代码	核心工具，几乎每个项目都会用到
X-CUBE-AI	集成开发扩展包	在CubeMX中一键集成AI推理，生成初始化代码	适合快速原型验证，但深度优化需要手动调参
NanoEdge AI Studio	自动机器学习平台	无需AI经验，自动生成异常检测、分类模型	适合非AI专家，但模型可定制性有限

STM32Cube.AI的工作流程

这个流程我走了不下几十遍，踩过的坑能写满一本笔记本。简单来说，分四步：

1. 模型训练：在PC上用Keras/PyTorch训练你的模型，注意输入尺寸要和传感器数据对齐。
2. 模型转换：用STM32Cube.AI将模型转为C代码，这一步会做量化（float32转int8）和内存优化。
3. 集成部署：在CubeMX中配置外设，将生成的AI代码与传感器驱动、通信协议整合。
4. 调试优化：用STM32CubeMonitor或串口打印分析推理结果，调整量化参数或模型结构。

AI在MCU上的典型应用场景

我挑三个我实际做过的案例，帮你建立直观感受：

• 工业异常检测：用加速度传感器采集振动数据，通过CNN模型判断设备是否异常。STM32G4系列跑一个2层卷积的模型，推理时间约3ms，完全满足实时要求。
• 语音关键词识别：在STM32H7上部署TinyML模型，识别“你好”“停止”等关键词。我记得第一次调通时，对着开发板喊了半小时，嗓子都哑了。
• 手势识别：用ToF传感器或摄像头，通过轻量级CNN识别手势。这个对内存要求较高，通常需要用到STM32U5或H7系列。

STM32 AI生态的局限性

说实话，MCU跑AI不是万能的。我总结了几点：

• 模型大小限制：Flash通常不超过2MB，所以模型参数必须压缩到几百KB以内。
• 不支持复杂网络：像Transformer、ResNet-50这种大模型，在MCU上基本跑不动。
• 调试手段有限：不像PC端有TensorBoard，MCU上只能靠串口打印或逻辑分析仪。

但反过来想，正因为有限制，才需要我们这些工程师去优化、去突破。这也是我开设这门课的初衷——把那些踩过的坑、试过的方法、验证过的技巧，系统地分享给你。

本章知识体系

下面这张图是我自己画的，把STM32 AI生态的核心脉络梳理了一遍。你把它存下来，后面每学一章都可以回来对照看看。