AI并不只是大语言那么高不可攀的应用，AI已经无处不在。这是我在今天下午的NXP发布会上，看到的最常见的一些AI/ML应用，他们已经发生。在分享的同时，我也试着梳理下，在这种AI/ML everywhere的时代，嵌入式工程师又该怎么把握机遇，不被甩下车？
---
![]()
电动工具中的电机的AI——自动停止
在电动工具行业中将AI/ML技术与电机控制结合应用的案例。通过使用MCU和AI技术，可以更智能地控制工具并增加安全功能，如自动停机。
AI/ML + Motor Control to Enable Power Tools- AI/ML + 电机控制：NXP的MCX N系列微控制器集成了AI/ML功能，用于电动工具应用中。
- eIQ工具包：为用户提供数据集训练和验证的效率，使用户能够轻松构建属于自己的AI/ML模型。
- 芯片解决方案：一个芯片既可以实现AI/ML启用的自动停止功能，也能执行电机控制。
---
![]()
将MCU用于能源领域，尤其是逆变器和能源存储系统中，增强检测能力并通过边缘计算进行智能化控制。
Power Conversion to Enable Inverter & Energy Storage System (ESS)- 电力转换：使能逆变器和能源存储系统，突出使用电弧故障断路器（AFCI）作为区分特性。
- MCX N微控制器：提供边缘处理能力，用于检测和保护。
- MCX W微控制器：通过蓝牙将逆变器/ESS设备的结果传输到主机中心或网关。
- 系统解决方案：NXP提供了包括硬件参考设计、软件包和eIQ机器学习工具包在内的系统解决方案。
---
![]()
AI/ML技术在医疗设备中的应用，通过检测鼾声来帮助治疗呼吸睡眠障碍。
AI/ML Sound Detection to Enable Healthcare- AI/ML声音检测：用于医疗保健，特别是检测鼾声以优化CPAP（持续气道正压）设备的效果。
- i.MX RT交叉微控制器：提供AI/ML声音频谱计算，推理时间低至6毫秒。
- CPAP中的一体化芯片解决方案：包括控制、显示和AI/ML算法。
---
![]()
AI/ML技术如何用于智能工厂中的缺陷检测，以提高制造业的智能化水平。
AI/ML Vision Detection to Enable Smart Factories- AI/ML视觉检测：用于智能工厂中的缺陷检测，以提高效率、准确性和灵活性。
- i.MX系列处理器：在边缘设备上实现高性能CNN视觉算法推理。
- NXP WiFi产品：提供低延迟以便将制造结果通知到控制中心。
- 支持大量市场客户：通过广泛的第三方支持和EBS生态系统，加速客户的评估和采纳。
---
![]()
如何通过大语言模型和智能边缘计算来增强智能家居的用户体验，允许用户自然语言控制家居设备。
AI/ML Large Language Models to Enable Smart Home User Experiences- 大语言模型（LLM）：为智能家居用户带来更高质量的用户体验。终端用户可以使用自然语言与家居设备交互。
- i.MX 95应用处理器：为边缘AI计算提供强大的能力。
- NXP系统解决方案：提供包括连接、安全、AI计算和软件支持的完整智能家居解决方案。
---
AI/ML无处不在的时代，嵌入式工程师需要不断适应和提升自己，以充分利用这项技术趋势。
埋头敲代码，忙于搬砖的同时，也应该思考下，自己的学习方向
1. 学习基础AI/ML知识- 学习基础的机器学习概念，例如分类、回归、聚类、神经网络等。
- 熟悉常见的机器学习算法（例如决策树、随机森林、SVM和神经网络等），理解它们的应用场景。
2. 掌握嵌入式AI框架和工具- 学习如何在嵌入式系统上运行AI模型。例如，NVIDIA Jetson平台、ARM的Cortex-M微控制器系列、Google的TensorFlow Lite等工具和框架可以在嵌入式环境中执行AI模型。
- 了解TinyML（用于资源受限设备的AI/ML）及其相关工具，如TensorFlow Lite for Microcontrollers、Edge Impulse等。
3. 理解硬件加速器和处理器架构- 深入了解用于AI/ML的硬件加速器（如GPU、TPU、NPU）及其在嵌入式系统中的应用。嵌入式系统通常对功耗敏感，因此了解如何高效地执行AI任务非常重要。
- 研究硬件架构如何影响AI模型的推理性能，学会根据不同任务优化嵌入式系统。
4. 学习数据处理和模型优化- 嵌入式系统通常资源有限（如处理器、内存、功耗等），因此需要学习如何裁剪和优化AI模型。
- 学习模型量化、剪枝、压缩等技术，使复杂的AI模型能够在资源受限的嵌入式系统上运行。
- 研究如何有效地收集、处理和管理嵌入式设备产生的数据。
5. 实时性和边缘计算- 嵌入式系统通常需要处理实时任务，因此嵌入式工程师需要确保AI模型能够在严格的实时性要求下高效运行。
- 研究边缘计算，即在靠近数据源的嵌入式设备上执行AI任务，从而减少延迟和带宽需求。
6. 提升编程技能- 掌握C/C++、Python等嵌入式编程语言，同时学习如何在低级别优化代码。
- 熟悉并行编程，尤其是在嵌入式系统中利用多核处理器和硬件加速器来执行AI推理任务。
7. 关注应用领域- 关注AI在嵌入式系统中的实际应用场景，例如物联网、智能家居、自动驾驶、医疗设备、工业自动化等。
- 针对不同的应用领域，了解如何将AI/ML模型集成到嵌入式系统中，从而为产品增值。
8. 与AI/ML团队协作- 在团队合作中与AI/ML专家紧密合作，理解他们的需求，协助将AI模型部署到嵌入式系统中。
- 嵌入式工程师需要在软件工程、系统集成和性能优化方面发挥重要作用。
---
最后，放一张自己制作的思维导图供大家参考
![]()
|
楼主
标题置顶
标题高亮
