瑞萨电子MCU/MPU产品推动AIoT应用发展

2025-12-12

关注

瑞萨电子MCU/MPU产品推动AIoT应用发展

人工智能（Artificial Intelligence，AI）是一门使机器具备感知、理解、推理与学习能力的技术，其核心实现方式包括机器学习（Machine Learning）与深度学习（Deep Learning）。这类技术依赖于大量数据训练模型，从而对图像、语音、文字以及传感器信号等输入信息做出高效判断与预测。AI推理既可以在云端服务器上进行，也可以部署在边缘节点或终端设备上，部署位置的不同将直接影响系统的延迟、隐私保护、带宽占用和功耗表现。

AIoT的基本概念

AIoT（Artificial Intelligence of Things）是人工智能与物联网（IoT）的融合，它通过在IoT设备中集成AI技术，实现更智能、更高效的自动化解决方案。当前主要的AI技术应用形式包括端侧AI和边缘AI。

端侧AI直接在设备端执行AI计算，如智能手机、智能摄像头和可穿戴设备等。这种处理方式使得设备无需依赖云端或边缘节点即可完成数据处理与反馈，显著降低了延迟，提高了响应速度。对于智能家居、智能健康和智慧城市等实时性要求较高的场景，端侧AI具有重要价值。

边缘AI则将AI推理任务部署在网络边缘的设备上，如边缘服务器、智能路由器或工业控制器。相比端侧设备，这些边缘节点通常具备更强的计算能力，能够处理更复杂的任务，例如深度神经网络的训练与推理。边缘处理有助于减少数据传输至中心服务器的流量，缓解云端计算压力，特别适用于数据流密集型应用。

TinyML：支撑AIoT发展的关键技术

Tiny Machine Learning（TinyML）是一种将机器学习或深度学习模型压缩至极小体积，从而可在MCU或MPU上本地运行的技术。TinyML模型通常体积在KB到MB之间，功耗低至毫瓦级别，推理延时控制在毫秒量级，并且无需依赖网络连接即可完成数据处理、推理与决策。

TinyML在降低延迟、减少功耗和摆脱网络依赖方面表现出色，为AI模型在微型终端设备中的部署提供了可能性，是推动AIoT持续发展的核心技术之一。

MCU与MPU在AIoT中的角色

在AIoT系统中，MCU和MPU分别承担着不同的任务与功能，这主要源于两者在硬件配置与性能上的差异。

MCU主要应用于端侧AI场景，其在数据采集点进行本地处理，有效降低了延迟，提升了系统响应速度，同时也减少了数据传输和网络成本，增强了能效和安全性。端侧AI通过将数据处理与硬件信任根紧密结合，进一步强化了数据隐私和安全防护。

MPU凭借其更强的计算能力、多任务处理能力和实时数据处理优势，广泛应用于端侧与边缘AI场景。其主要处理对象包括图像、声音和实时信号，常见于图像识别、音频分析和工业自动化等领域。

瑞萨电子在AIoT领域的解决方案

瑞萨电子为AI和机器学习开发者提供了一整套完整的解决方案堆栈，涵盖从感知、连接、计算到执行的各个环节。同时，瑞萨还开发了配套的软件、工具及合作伙伴生态系统，为AIoT系统开发提供全面支持。

MCU产品

RA8P1系列MCU搭载高性能Arm Cortex-M85核心，并集成了Ethos-U55 NPU，单芯片即可提供0.25TOPS的AI算力和超过7300 CoreMarks的CPU性能。

RA8P1 - 1GHz Arm Cortex-M85 and Ethos-U55 NPU Based AI Microcontroller | Renesas

MPU产品

RZ/V系列MPU内置瑞萨独有的AI加速器DRP-AI，具备高推理性能与低功耗特性，算力范围覆盖0.5到80TOPS，适用于多种AI应用场景。

RZ/V Embedded AI MPUs | Renesas

AI/ML软件支持

瑞萨提供多种AI开发工具，覆盖从模型生成到部署的全流程，帮助开发者高效构建AIoT应用。

Reality AI Tools：该工具支持从传感器数据中自动构建优化的TinyML/Edge AI模型，适用于新能源、智能家电和工业物联网。
RUHMI Framework：集成AI编译器与e2studio开发环境，支持RA8P1系列MCU，适配Ethos U55 NPU，提供图形界面和命令行接口。
e-AI Solution：支持将PyTorch、Keras、TensorFlow等模型转换为可在瑞萨开发环境中运行的格式，适用于终端AI应用。
DRP-AI Translator：将ONNX格式的AI模型转换为RZ/V系列MPU可执行代码，采用FP16和int8量化以优化内存访问。
DRP-AI TVM：基于Apache TVM框架，支持将未被转换的模型层调度至CPU执行，增强系统兼容性。

图3. e-AI工作流程