1. 课程导论与AI on STM32生态全景
各位同学好，我是你们这趟嵌入式AI之旅的向导。说实话，几年前有人跟我说在STM32这种MCU上跑AI模型，我第一反应是「开什么玩笑？」——那时候AI还是云端的专利，动辄GPU、TPU，跟单片机八竿子打不着。
但时代变了。现在你手里那块不起眼的STM32，完全能跑轻量级神经网络。我亲自踩过这个坑，也尝到了甜头。今天咱们就把这事彻底聊透。
1.1 STM32上运行AI，到底靠不靠谱？
先回答最核心的问题：STM32这种资源受限的MCU，凭什么跑AI？
答案就四个字——量化压缩。你想想看，一个32位浮点数的权重，压缩成8位甚至1位整数，模型体积直接缩到原来的1/4到1/32。再加上STM32近年来的硬件升级：
- ARM Cortex-M4/M7：带DSP指令和单精度FPU，做矩阵运算比纯软件快3-5倍
- ARM Cortex-M55：首次引入Helium向量扩展，对标ARM Neon，SIMD吞吐量翻倍
- STM32N6系列：内置NPU（神经网络处理单元），专门为CNN/RNN加速而生
我去年帮客户做电机振动异常检测，用的就是STM32F767，Cortex-M7内核。模型量化到8bit后，推理一次只要2.3ms，完全满足实时性要求。所以别被「AI必须上云」的思维定式框住。
关键结论：STM32适合运行轻量级推理（模型<1MB、RAM<256KB），不适合训练。推理延迟通常在1-10ms级别，功耗控制在mW级。
1.2 工具链双雄：STM32Cube.AI vs X-CUBE-AI
很多新手一上来就懵——这两个名字长得太像了。我刚开始也搞混过，后来才明白它们的定位完全不同。
| 对比项 | STM32Cube.AI | X-CUBE-AI |
|---|---|---|
| 本质 | STM32CubeMX中的AI插件 | 独立的AI扩展软件包 |
| 主要功能 | 模型导入、量化、代码生成 | 运行时库、推理引擎、示例工程 |
| 使用场景 | 项目初始化阶段，生成工程骨架 | 开发阶段，集成推理代码 |
| 输入格式 | Keras .h5, TensorFlow Lite .tflite, ONNX | STM32Cube.AI生成的C代码 |
| 输出 | 优化后的C代码 + 内存映射 | 可编译的嵌入式工程 |
简单说：STM32Cube.AI负责「模型→C代码」的转换，X-CUBE-AI负责「C代码→可运行固件」的集成。两者配合使用，缺一不可。
我的习惯：先在STM32Cube.AI里做模型验证和量化，确认精度损失在可接受范围内（通常<2%），再用X-CUBE-AI生成最终工程。千万别跳过验证直接烧录——我曾经吃过这个亏，模型在PC上跑得好好的，量化后直接输出全零，排查了两天才发现是输入归一化参数没对齐。
1.3 典型应用场景：从玩具到工业
AI on STM32不是实验室里的花架子，它已经在很多场景里落地了。我挑三个最典型的说说。
场景一：关键词唤醒（KWS）
智能音箱、语音遥控器里那个「小爱同学」「Hey Siri」的唤醒词，现在用STM32就能做。模型通常是一个小型CNN或DS-CNN（深度可分离卷积），参数在100K-500K之间。我做过一个项目，用STM32L4+DS-CNN，模型大小仅120KB，唤醒准确率92%，功耗不到10mW——比一直开着WiFi等云端响应省电多了。
场景二：异常检测
工业设备的状态监测是AI on MCU的杀手级应用。比如电机轴承的振动信号，正常状态和故障状态的频谱特征完全不同。用STM32F4采集加速度计数据，跑一个自编码器（Autoencoder）或单类SVM，推理时间<5ms，可以实时判断设备是否「带病工作」。我有个客户用这套方案替代了原本的PLC+上位机架构，成本降了60%。
场景三：预测性维护
比异常检测更进一步——不仅要发现故障，还要预测剩余使用寿命（RUL）。这通常需要时序模型，比如LSTM或TCN（时序卷积网络）。STM32H7系列跑一个精简LSTM（4层，每层32单元），推理一次约8ms，可以提前2-3周预警轴承磨损。嗯，这里要注意：LSTM的循环结构对MCU不太友好，我建议优先考虑TCN或1D-CNN，硬件加速更高效。
避坑指南：我曾经在STM32G0上跑一个LSTM模型，结果RAM爆了——LSTM的中间状态缓存太大。后来换成TCN，模型精度几乎不变，RAM占用从64KB降到18KB。所以选模型架构时，一定要先看MCU的RAM上限。
1.4 知识体系全景图
下面这张图概括了本章的核心脉络。我建议你把它存下来，后续每学完一章都回来对照一下，看看自己走到了哪一步。
这张图把整个流程串起来了：从训练好的模型出发，经过STM32Cube.AI转换量化，再通过X-CUBE-AI集成到工程，最终部署到目标板。右侧的三个应用场景，就是我们后续实战章节要逐一攻克的。
1.5 本章小结
到这，你应该已经清楚了：
- STM32跑AI不是噱头，量化压缩和硬件升级让它变得可行
- STM32Cube.AI和X-CUBE-AI是两条腿，走路必须一起用
- 关键词唤醒、异常检测、预测性维护是当前最成熟的落地场景