1. 课程导论与AI on MCU概述
1.1 为什么要在STM32上跑AI？
这个问题我经常被问到。很多人觉得AI是云端的事，跟单片机八竿子打不着。但你想过没有——一个智能传感器，每次都要把数据传到云端去判断“有没有人经过”，再等结果回来？那延迟和功耗，说实话，很多场景根本扛不住。
边缘计算的核心逻辑，就是把推理能力下沉到数据产生的地方。STM32作为全球出货量最大的MCU家族，每年几十亿颗的体量，天然就是AI落地的绝佳载体。我在一个智能家居项目中就遇到过：客户要求人体检测响应时间小于50ms，功耗还得控制在mW级。云端方案根本做不到，最后就是用STM32F4跑了一个轻量级CNN搞定的。
AI on MCU的核心价值：
- 低延迟：本地推理，毫秒级响应，不依赖网络
- 低功耗：STM32运行功耗通常在几十到几百mW，电池供电无忧
- 数据隐私：原始数据不出设备，符合GDPR等法规要求
- 低成本：省掉通信模块和云服务费用，BOM成本大幅降低
- 高可靠性：断网也能工作，适合工业、汽车等关键场景
说白了，AI on MCU不是要跟GPU抢饭碗，而是填补那些“算力要求不高、但对实时性和功耗极其敏感”的空白地带。比如关键词唤醒、异常振动检测、手势识别、人脸打卡——这些场景，STM32配上Cube.AI，刚刚好。
1.2 STM32Cube.AI生态全景图
ST官方把整个AI工具链叫做STM32Cube.AI生态。我刚开始接触的时候也觉得东西有点多，但捋清楚之后会发现，其实就三层：模型转换层、优化部署层、运行时层。
下面这张图是我自己整理的生态结构，你可以对照着看：
这张图里，我特别想强调第二层。很多人以为模型训练完直接扔进去就能跑，其实不然。STM32的Flash和RAM就那么几百KB到几MB，模型必须经过量化和内存优化才能塞进去。我曾经把一个2MB的模型量化到8-bit后只剩500KB，推理速度反而快了3倍——这就是优化的价值。
1.3 核心工具链一览
| 工具/组件 | 作用 | 我的建议 |
|---|---|---|
| STM32CubeMX | 图形化配置MCU外设、时钟、引脚 | 必装，所有项目从这里开始 |
| X-CUBE-AI | 模型导入、分析、优化、生成C代码 | 核心工具，建议用最新版 |
| STM32CubeIDE | 集成开发环境，编译调试 | 免费好用，我主力用它 |
| AI Runtime (RT-Lib) | 运行时推理引擎，提供API | 自动生成，一般不用手动改 |
| STM32CubeMonitor | 实时数据可视化、性能分析 | 调试利器，强烈推荐 |
我的小习惯：每次开始新项目前，我都会先去ST官网检查一下X-CUBE-AI的版本更新。ST几乎每个季度都会优化算子库或增加新模型支持，用新版本往往能白嫖到性能提升。
1.4 课程目标与学习路径
这门课一共30章，我把它设计成一条从零到一的实战路径。你不需要先精通机器学习，也不需要是STM32老手——只要会C语言基础，能点亮一个LED，就够用了。
整个课程分四个阶段：
- 基础认知（第1-5章）：了解AI on MCU的基本概念，搭建开发环境，跑通第一个示例
- 模型转换（第6-12章）：从TensorFlow/PyTorch训练模型，用Cube.AI转换，解决各种报错
- 优化部署（第13-22章）：量化、剪枝、内存调优、多模型部署，让模型在资源受限的MCU上跑得又快又稳
- 调试实战（第23-30章）：性能分析、精度验证、常见坑点排查，以及三个完整项目实战
注意：课程中所有代码和工程都会在GitHub上开源。但我建议你不要直接复制粘贴——每个示例我都留了一些“坑”，你跟着调试一遍，印象才深刻。我当年学的时候就是吃了“只看不练”的亏，后来踩过的坑比学到的知识还多。
学完这门课，你能做到什么？
- 独立完成一个从模型训练到STM32部署的完整流程
- 看懂Cube.AI生成的性能报告，知道瓶颈在哪
- 遇到模型转换报错时，能自己定位并解决
- 把推理速度从“勉强能用”优化到“游刃有余”