北京2022年7月19日 /美通社/ -- 據21ic報道，IoT Analytics數據顯示，2022年活躍連接的物聯網設備將達到144億，2025年將增長至270億[i]。作為物聯設備中必不可少的控制與計算的大腦，MCU也將迎來持續(xù)增長。Yole最新數據顯示，2022年MCU的市場規(guī)模預計為200億美元以上，并且將保持7.1%年復合增長率，于2027年達到300億美元[ii]市場規(guī)模。
數百億的市場背后，蘊含著持續(xù)不斷的技術創(chuàng)新，從簡單控制到IoT大腦，MCU一路高歌猛進，熱度不減。
MCU的進化之路：從簡單控制到IoT大腦
上世紀60年代末70年代初，微控制器（MCU）的產品雛形出現。早期均是多芯片的方案，從Intel的MCS-4(Micro-Computer Set-4)開始，明確了CPU、RAM、ROM和I/O這樣的一個具有通用性的基本系統(tǒng)架構。隨后出現的TMS1000，將這四個部分整合在一個芯片中，便成為了歷史上第一個真正意義上的MCU。
通用型MCU的出現，繁榮了后面50年的電子設備創(chuàng)新，各種品類層出不窮。MCU的功能和規(guī)格也隨著技術發(fā)展、應用需求提升而進化。進入到IoT時代之后，MCU的角色更是成為了端側的計算中樞，成為端側的物聯生態(tài)構建的決定因素。
圖：連接現實與數字世界
如上圖所示，典型的IoT應用由感知、計算、執(zhí)行、連接和安全幾部分組成。傳感器檢測大量的環(huán)境信息，將物理世界的模擬信號轉換為數字信號數據，傳遞給后端的MCU中進行計算分析和處理；MCU根據計算結果給出決策信號到后端的執(zhí)行層；執(zhí)行層根據MCU給出的動作指令完成相應動作；在整個過程中，必要的數據也會通過無線連接的方式上傳到云端進行云AI運算或存儲。
從單點的設備到聯網的端側設備，對于MCU提出了更高的要求。縱觀整個MCU市場，呈現出以下的技術演進趨勢。
第一是對于算力提升的要求，同時也要追求更高的能效比。高端MCU的主頻已經提升到GHz級，采用雙CPU核的架構，針對不同工作負載實現靈活調度，有的MCU將會集成專用的NPU核來執(zhí)行特定的AI/ML工作。
第二是無線射頻功能的集成，支持例如BLE、Sub-G、Zigbee等無線通信協(xié)議。通過內部集成無線功能，簡化了系統(tǒng)整體設計，縮減PCB面積，幫助非射頻專業(yè)開發(fā)者在產品中快速構建無線連接。
第三是具備圖形交互界面（GUI）的能力。從傳統(tǒng)的機械按鍵+段式LCD顯示，到現在的語音控制、圖形界面交互控制，人機交互效果越來越友好。MCU需要具備足夠的圖形處理能力（2.5D、3D圖形化加速器），支持不同的接口和顯示屏的底層驅動，具備足夠豐富的圖形庫開發(fā)資源。
第四是對于安全（Security）的更高要求。設計者開始明確：安全應該是從硬件設計之初就開始考量，而不是僅僅存在于軟件層面的安全設計。像Arm在Cortex-M的中引入了Trustzone硬件安全架構，通過硬件隔離實現安全的密鑰信息存儲。在Trustzone的安全設計基礎上，不同MCU中還會集成一系列安全功能，譬如HSM、AES、硬件密鑰、雙組閃存等等。
第五是強調MCU的整體開發(fā)生態(tài)，在MCU芯片之上構建較為完整方案加速客戶的上市時間。從前端的傳感器連接，到后端的上云提供完整的開發(fā)鏈條；一些簡單的設計可以通過低代碼的圖形化開發(fā)工具快速完成；提高同一MCU平臺上不同型號之間的代碼的復用性，縮減用戶進行MCU升級時進行代碼遷移的成本。
業(yè)界領先廠商已經向著上述幾個技術趨勢去發(fā)力，推出符合AIoT時代需求的新一代MCU產品。如下圖所示，英飛凌計劃將會在下一代MCU產品中提供包括連接、機器學習、人機接口、傳感等功能，并提供包括軟件硬件參考、安全、IoT云在內的全方案開發(fā)平臺。
芯片即方案：一顆MCU滿足全部IoT應用需求
IoT Analytics總結了2022年物聯網的十大技術趨勢[iii]，其中提到：完備5G基礎設施將會加速IoT垂直領域應用發(fā)展；IoT將會改變制造業(yè)，并成為實現可持續(xù)發(fā)展的關鍵技術；云平臺商和IT廠商開始競逐邊緣端平臺市場；AI變得無處不在，隱形AI在各行各業(yè)釋放潛能；AI的計算正在向著邊緣端拓展，實現端側部署。
端側物聯網應用需要選擇什么樣的MCU，才能迎合這樣的IoT發(fā)展需求？對于開發(fā)者而言，在選型的階段將傳統(tǒng)的通用型MCU，替換成選擇一顆IoT MCU，可謂整個開發(fā)工作已經成功了大半。
PSoC6是一款專門為IoT和消費類應用而生的雙核無線MCU，是一款可編程嵌入式系統(tǒng)級芯片解決方案。
首先作為IoT Purpose的MCU，雙核的架構設計是其一大特色，用戶可以根據不同工作負載動態(tài)分配M4核和M0+核的工作任務，M4核專注于高性能計算處理，M0+核則專注于實時監(jiān)控的工作，例如無線通訊協(xié)議的頻繁監(jiān)控采樣和回應等工作。M0+作為M4的減壓引擎，允許M4進入睡眠狀態(tài)；這種雙核架構實現了功耗和性能的完美平衡。
可編程模塊是PSoC系列的另一特色，在CPU的外圍有12個類似于PLD的可編輯的數字邏輯單元（UDB），這種硬件可編程模塊為MCU提供了更高的靈活度，并且可以通過PSoC Creator軟件來實現硬件編程，避免HDL的陡峭學習曲線。
無線功能的集成是作為IoT MCU的必要元素，PSoC6支持Bluetooth 5和WiFi無線連接方式，開發(fā)者還可以通過可編程硬件模塊創(chuàng)建自定義的AFE，并支持產品最后一分鐘的設計更改，最大限度地減少PCB的重新設計。英飛凌還提供了AIROC這一Wi-Fi+藍牙Combo的單芯片方案，可以與PSoC6一起構成更完整的從端到云的無線開發(fā)生態(tài)。
在安全性方面，PSoC6內置了IoT安全模塊，同時支持多個安全環(huán)境，無需額外外部安全存儲器或元件，同時集成包括ECC²和AES³在內的多種行業(yè)標準密碼算法。此外，PSoC64安全系列還經過了PSA二級安全認證，集成了硬件RoT和開箱即用的Amazon FreeRTOS。
在開發(fā)生態(tài)方面，英飛凌提供了Modus Toolbox這一跨平臺開發(fā)工具，提供工程的創(chuàng)建、編輯、編譯、調試、燒寫等功能，同時它還集成了實時操作系統(tǒng)、硬件外設驅動、無線連接的驅動庫和眾多的中間件。通過Modus Toolbox軟件平臺，結合英飛凌的傳感器、無線連接、MCU、執(zhí)行器完整的產品陣營，開發(fā)者可以輕松實現從傳感器到云端的完整IoT應用開發(fā)。
圖：ModusToolbox跨平臺開發(fā)工具
以上幾大特質融合在一起，讓PSoC6成為了IoT開發(fā)的利器。以智能門鎖應用為例，傳統(tǒng)方案需要將指紋識別、語音識別、觸控、無線連接等多個不同的芯片整合在一起構成一個系統(tǒng)方案；而現在一顆PSoC6就具備了這些功能，極大地簡化了開發(fā)流程，縮減了整體成本并提高了安全性。
從邊緣ML到TinyML，將AI的觸角拓展到極致邊緣端
縱觀業(yè)界趨勢，AI正逐漸向邊緣端發(fā)展。機器學習（下文簡稱ML）的訓練一般會在云端進行，而ML的推理會越來越多在設備端進行。在邊緣端進行ML的處理，可以提高本地的設備響應，減少云端上傳的數據帶寬，提高本地數據的安全性。當前在一些MCU中也會添加特定的加速器，通過專用算力來進行ML的運算，從而釋放CPU的通用算力。
與智能手機等邊緣設備不同，在MCU為計算中心的端側設備上進行機器學習面臨著不小的挑戰(zhàn)。這種更邊緣側的機器學習應用需要在本地有限的計算資源上，滿足超低功耗的要求（mW級乃至更低）。為了區(qū)分，業(yè)界將這種更為極致的邊緣側ML稱為TinyML。TinyML對接的傳感器數據的種類相比邊緣ML設備要復雜的多，因此數據的標簽化處理工作也更復雜；很多云端和邊緣ML上成熟的算法模型因為體積太大，往往也不能直接在TinyML應用中進行部署；軟件和硬件的配合也需要有更成熟的方案。大部分IoT設備的開發(fā)者并不具備資深的AI/ML的知識，幫助這些開發(fā)者越過陡峭的學習曲線，避免繁雜的算法、軟件工作，快速實現TinyML的部署，才會迎來IoT應用的新一輪爆發(fā)。
為了解決TinyML的應用難題，英飛凌與SensiML攜手一起構建了從云端訓練、到嵌入式軟件開發(fā)、再到最終硬件部署的一套完整的邊緣側機器學習應用方案。
圖：PSoC6，XENSIV和SensiML解決方案
SensiML致力于為極致邊緣的IoT設備構建準確的AI傳感器算法。英飛凌的XENSIV傳感器捕獲原始的傳感數據信息；透過SensiML Analystics Toolkit平臺的Data Capture Lab進行數據的收集和標簽化處理；Aanlystics Studio進行數據清理，生成數據特征和適合PSoC6平臺的嵌入式AI模型；Knowledge Pack進行數據特征提取和模型優(yōu)化，優(yōu)化好的模型可以在PSoC6的平臺進行部署。Test App可以將實時數據導入進行在線模型驗證，同時也可以在設備上進行模型驗證。
SensiML的Analystics Toolkit完善后導出ML模型，通過ModusToolbox將其部署到PSoC6和XENSIV的硬件平臺上。
英飛凌與SensiML一起構建了云端訓練、嵌入式軟件開發(fā)和ML硬件部署的垂直開發(fā)生態(tài)，開發(fā)者即使并不是AI/ML的算法研究者，也可以在XENSIV和PSoC6平臺上快速構建邊緣ML的應用，推進邊緣ML的部署。
結語
從通用MCU到IoT MCU，再到具備TinyML特質的IoT MCU，微控制器的發(fā)展與整個消費電子設備的演進浪潮休戚相關。單品MCU已經不足以滿足當下IoT開發(fā)者的需求，選擇一顆MCU即選擇了一個完整的開發(fā)生態(tài)。英飛凌構建了包括感知、計算、執(zhí)行、連接和安全在內的完整的物聯網生態(tài)，并且通過與SensiML的合作幫助實現物聯網的邊緣AI部署。
當物聯網端側開始擁抱AI，一個全新的IoT局面即將開啟。在下一波百億物聯設備的背后，離不開英飛凌的MCU及其全面IoT解決方案的參與。
[i] 《Number of connected IoT devices growing 18% to 14.4 billion globally》https://iot-analytics.com/number-connected-iot-devices/
[ii] 《Yole Développement - MCU Quarterly Market Monitor Q1 2022 - Product Brochure》https://s3.i-micronews.com/uploads/2022/04/Microcontroller-Quarterly-Market-Monitor-Q1-2022-Product-Brochure.pdf
[iii]《10 IoT technology trends to watch in 2022》https://iot-analytics.com/iot-technology-trends/
