第九层：2025 新趋势
这一章属于趋势专题，重点是帮助你建立对 Edge AI、TinyML、安全启动和可信设备的现实认知。目标不是立刻掌握全部工具链，而是知道这些技术何时有价值、何时成本过高。
建议学习目标：
- 理解 AI on MCU 与传统嵌入式算法的差别。
- 掌握 TinyML 的基本开发流程：训练、量化、部署、推理。
- 对 STM32 AI 工具链、模型压缩和部署限制有初步认知。
- 理解安全启动、TPM 与设备可信链的基本作用。
阅读建议：先看 AI on MCU 的基本流程，再看量化和案例，最后再理解安全性扩展部分。
AI on MCU / Edge AI
TinyML / TensorFlow Lite Micro
TinyML 的核心思想是：把轻量模型部署到 MCU 或资源受限设备上，在本地完成推理。
相比传统“把数据传到云端再推理”的方式，它的优势通常在于：
- 时延低
- 功耗可控
- 隐私性更好
- 离线可运行
典型开发流程：
- 在 PC 上训练模型
- 做量化和裁剪
- 转换为嵌入式可集成格式
- 在 MCU 上运行推理
- 验证精度、时延、内存占用和功耗
TensorFlow Lite Micro 是当前最常见的 MCU 侧推理框架之一。
STM32 AI 开发套件
STM32 生态中较常见的相关工具包括：
- STM32CubeMX
- STM32Cube.AI
- STM32CubeIDE
它们的价值主要在于：
- 降低模型转换门槛
- 提供针对 STM32 的推理优化
- 帮助评估 RAM / Flash 占用和运行时间
但要注意，工具链方便并不代表项目一定适合上 AI。模型大小、功耗、数据质量和维护成本必须一起评估。
模型量化与部署
模型量化常用于把浮点模型压缩成 8bit 或更低精度形式，以减少：
- Flash 占用
- RAM 占用
- 计算负担
部署时常见难点：
- 模型太大
- 中间激活内存不足
- 推理耗时超预算
- 输入数据预处理和训练时不一致
实际落地时，要优先评估的不是“模型在 PC 上多准”，而是“在目标 MCU 上是否跑得动、耗得起、维护得住”。
AI + 外设驱动融合案例
AI 不会单独存在，它往往只是嵌入式系统中的一个能力模块。
典型场景：
- 振动信号故障检测
- 语音唤醒
- 姿态识别
- 简易图像分类
真正落地时，AI 模块通常要和：
- 传感器采样
- DMA 传输
- 缓冲区管理
- 通信上报
一起设计。
安全性
安全启动（Secure Boot）
安全启动的目的是保证设备只运行可信固件。
常见思路：
- 从硬件信任根出发
- 校验 Bootloader
- 校验固件镜像
- 校验升级包
对于联网设备和可升级设备，这一能力非常关键。
TPM 安全芯片接入
TPM 或其他安全芯片常用于：
- 密钥安全存储
- 身份认证
- 签名校验
- 平台可信证明
它的价值不在于“让设备更复杂”，而在于把关键安全材料从普通 Flash / 文件系统中隔离出来。
实战案例
工业设备预测性维护
典型链路：
- 采集振动 / 电流等信号
- 做特征提取或轻量模型推理
- 本地判断风险等级
- 通过安全通信上传结果
智能家居安全监控
典型链路：
- 本地传感器或图像输入
- 做事件检测
- 只在必要时上传数据或报警
- 配合安全启动和身份认证保证设备可信
参考资源
- TensorFlow Lite Micro
- STM32Cube.AI
- Edge Impulse
- PSA Certified
- mbed TLS
- TPM 2.0 规范文档
本章小结
AI on MCU 和安全可信链是嵌入式领域的重要新方向，但落地时必须同时考虑资源、功耗、延迟、成本和可维护性。理解取舍，比盲目追新更重要。