综述：MCU智能升级：AI赋能低功耗技术综述

《Journal of Low Power Electronics and Applications》：MCU Intelligent Upgrades: An Overview of AI-Enabled Low-Power Technologies

　　

微控制器单元（MCU）作为嵌入式系统的核心组件。在智能物联网时代，嵌入式设备越来越多地部署在移动平台上，导致对低功耗的需求日益增长。因此，MCU的低功耗技术变得愈发关键。本文系统综述了MCU低功耗技术的发展历程和当前技术挑战。随后，研究人员重点分析了MCU与人工智能（AI）技术融合的系统级低功耗优化路径，包括轻量级AI算法设计、模型剪枝、AI加速硬件（NPU、GPU）以及异构计算架构。研究人员进一步阐述了AI技术如何从任务调度、电源管理、推理引擎优化以及通信与数据处理四个维度赋能MCU实现全面低功耗。通过智能家居、医疗健康、工业自动化和智慧农业等多个领域的实际应用案例，验证了MCU与AI结合在性能提升和功耗优化方面的显著优势。最后，本文聚焦未来MCU低功耗智能化升级中仍需解决的关键挑战，并提出了轻量级模型精度与鲁棒性平衡、边缘端协同计算的一致性与稳定性、感存算一体架构的可靠性与功耗控制等领域的深入研究方向，为未来研究提供了清晰的指引和展望。

1. 引言
1.1. MCU低功耗需求的演进
在嵌入式系统快速发展的背景下，MCU作为核心组件和控制单元，正从基本逻辑控制向智能决策转变，应用涵盖工业控制、汽车电子、消费电子和物联网（IoT）。随着智能物联网、工业4.0、新能源汽车等新兴领域的发展，低功耗作为关键性能指标之一，可从技术演进角度分为三个阶段：第一阶段仅具备基本驱动功能，主要关注静态功耗优化，采用8位MCU，注重降低静态电流，动态功耗控制未受重视。第二阶段逐步扩展至移动场景，引入动态功耗控制，采用DVFS（动态电压频率调节）技术和睡眠-唤醒机制，16位和32位MCU成为主流，通过软硬件协同实现更精细的动态功耗控制。第三阶段随着AI爆发，MCU低功耗技术进入以系统级优化和边缘智能协作为核心的新时代，通过集成异构计算架构、轻量级神经网络模型和边缘AI加速单元（如NPU、DSP），实现高性能低功耗数据推理，需结合任务调度、数据缓存和能效分级等策略，推动全栈功耗控制。当前MCU仍面临多模态数据处理挑战，AI模型计算功耗与边缘设备低功耗需求冲突加剧，“存储墙”问题、现有电源管理缺乏动态协调机制，以及安全保护带来的额外开销等问题。MCU低功耗技术路径涵盖工艺技术（如NTV多核CPU）、架构（异构多核设计）、电路设计（多电压控制电源管理模块）和软件层面（任务调度与AI算法），这些协同构成MCU智能化升级的功耗降低核心支撑。
1.2. AI技术与硬件融合的发展
AI技术正从传统云集中式部署向基于边缘设备的分布式系统演进，与MCU智能化需求完美契合，推动硬件与算法融合创新。算法层面，传统云深度学习框架过于复杂，需通过轻量化处理：模型压缩（量化、剪枝）将模型优化至KB级，针对MCU内部CPU架构优化计算指令，用静态内存替代动态分配空间。硬件层面，集成AI加速器成为核心方法，包括集成NPU（神经网络处理单元）专门处理模型、引入向量扩展指令集增强向量计算能力，以及采用异构计算架构动态分配任务（CPU处理逻辑，NPU处理AI计算，DSP处理信号等）。AI与硬件融合追求多样化和低功耗，低功耗是MCU集成AI处理模块的核心约束，可通过异步电路设计避免全局时钟功耗，以及自适应算力调节动态调整参与计算单元数量。
1.3. MCU低功耗技术的智能化升级
MCU智能化与AI边缘计算的融合是技术与市场驱动的必然选择。可利用AI模型降低MCU功耗：虽然AI模型本身因计算需求增加功耗，但系统级优化可显著减少不必要功耗，远超AI模型带来的增加。通过边缘计算减少对云端的依赖，降低延迟，例如图像处理中的人脸表情识别可在本地进行深度学习推理，避免云端传输延迟和成本。边缘预处理可过滤冗余数据，降低通信带宽成本和传输功耗，减少高精度传感器部署，降低硬件成本和总体功耗，同时防止数据传输中的泄露。轻量级TEE（可信执行环境）在部分MCU（如ARM TrustZone）中实现代码和数据隔离，适用于资源受限环境。本文总结了MCU低功耗技术路线，探讨了MCU-AI融合的现状与未来趋势，最后探索了MCU-AI融合在低功耗技术中的应用，为嵌入式系统低功耗技术未来发展提供概述。图2展示了MCU+AI低功耗技术概览路线图。
2. MCU与AI结合的技术路径
2.1. 轻量级AI算法与模型适配
复杂的大规模AI算法无法部署在计算能力、内存和功耗受限的MCU中，因此需采用轻量级AI算法实现高效可靠的智能决策。轻量级设计可通过修剪和定制模型架构、优化模型参数、改变计算方法来实现。对传统深度学习模型进行压缩和剪枝，开发高度紧凑高效的神经网络结构，部署在MCU平台上，例如TinyML技术可平衡模型性能与资源消耗。量化与剪枝是目前最广泛应用且有效的技术：量化通过将权重和激活值从32位浮点数转换为低位宽整数表示，显著降低计算复杂度和内存开销，但过低量化精度可能导致性能下降，故引入动态量化策略，对敏感层采用8位量化，非敏感层进一步压缩至4位量化以平衡性能与效率。剪枝技术识别模型中冗余参数或连接结构并移除，简化模型同时保持推理效率。在改变计算方法方面，事件驱动算法通过仅处理输入数据中变化的部分，避免冗余计算，显著降低能耗和响应延迟。分布式联邦学习作为集中式机器学习的替代方案，非常适合边缘AI，通过功能划分电源域实现模块级睡眠策略，或在事件触发时通过软件中断唤醒控制器，打破多设备数据壁垒，减轻通信负担并增强隐私保护能力。
2.2. AI加速硬件与异构架构
为解决算力提升与功耗控制的结构性矛盾，硬件加速架构正朝着集成专用加速器和新存储技术的异构计算架构发展。在MCU引入AI时，独立AI模块与集成AI架构的选择显著影响功耗和系统设计。独立AI加速器（如外部NPU或神经形态处理器）通常具有极低的常开功耗，在事件驱动场景下可实现低于1mW的有功功耗，适合对电池寿命要求严格的超低功耗设备，但会引入额外的通信延迟和接口功耗。集成AI架构将NPU或DSP等加速单元直接嵌入MCU内，与MCU核心共享片上SRAM和总线资源，实现低延迟、高带宽数据访问，通过多电源域管理，推理时CPU休眠，NPU处理约95%的计算任务，显著降低数据移动能耗和系统级功耗。例如，Renesas Cortex-M85+Ethos-U55 MCU的AI推理吞吐量比纯CPU方案高约35倍，基于Cortex-M55+Ethos-U55的原型系统单次推理能耗低约400倍。因此，在低功耗MCU场景中，集成AI架构更适合高实时性和能效需求的应用，独立AI模块更适合事件驱动或极端功耗约束场景。异构计算架构可利用不同核心模块（如CPU、LUT、DSP）的协同效应，动态分配算力和任务优化，平衡性能与功耗。消费级可穿戴设备通常采用超低功耗MCU/SoC，专注于优化静态待机和睡眠能耗，如Ambiq Apollo MCU。而AI加速硬件常集成并行计算单元：RISC-V多核平台集成多核DSP扩展提升并行计算吞吐量；CIM（存内计算）芯片融合存储与计算，通过交叉存储阵列执行矩阵运算，在紧凑面积内实现千TOPS/W级能效。为满足MCU低功耗需求，专用NPU常采用存内计算架构，在架构层面减少内存与计算单元间的数据移动开销，从而大幅降低能耗。例如，Manor Erez等人提出的MCU-NPU组合框架，在推理速度上比纯软件实现提升高达724倍。此外，感存算一体架构（如仿生“电子须”系统）将感知、存储和计算集成，实现自供电智能传感，降低传统传感系统的能耗和计算依赖，并结合存算一体架构进一步降低能耗。
3. AI赋能MCU低功耗优化路径
3.1. 智能任务调度
AI驱动的任务调度与电源管理的深度协同是优化系统能效的关键路径。在操作系统层面，优化任务调度需支持上下文感知的动态任务优先级调整机制，满足实时响应要求。在多任务多设备协作场景中，操作系统需具备分布式任务调度能力，特别是在多核嵌入式系统中，实时调度算法对性能和功能至关重要。例如，Xu等人通过算法优化多核任务调度效率，但平均时间减少有限；Zhu等人提出结构感知任务调度策略，将调度时间减少约40%；Zhang等人提出基于目标排序的粒子群优化算法（TS-MOPSO），任务执行时间、最大完成时间和总调度成本分别降低31.6%、23.1%和16.6%。这些智能调度策略有效提升多核MCU的资源利用率和调度效率，满足实时性要求，避免处理单元空闲周期带来的能耗浪费。
3.2. 智能电源管理
电源管理策略的智能化对提升系统整体续航能力意义重大。传统DVFS机制可进一步演变为适应负载变化的机制，通过引入轻量级AI学习模型实现系统算力需求的前馈控制，在负载变化前主动调整工作电压和频率，优化性能与功耗的平衡。例如，Huang等人提出双Q电源管理方法，通过学习扩展工作频率，实现5-18%的总能耗节省。采用深度强化学习的DVFS方法具有更好的性能和鲁棒性，Chen等人提出的方法将运行时间减少17.9%，质量提升22.05%。此外，在系统级还可利用AI优化自适应睡眠-唤醒策略，通过机器学习预测任务空闲周期，使MCU主动进入低功耗睡眠状态，并在需要时快速唤醒，降低不必要的功耗。在更广泛的层面，AI还可帮助优化设备或系统级功耗，例如智能家居中通过机器学习实现电器智能控制，取得显著节能效果。
3.3. 推理引擎优化
在MCU上高效运行AI推理任务需要软件级优化。通过算子融合技术合并数据处理和机器学习任务，可显著提升推理引擎执行效率。Chen等人提出TVM编译器，在图形级和算子级进行优化，为不同硬件后端提供深度学习工作负载的性能可移植性。Sun等人提出GPU加速的算子融合方法，将机器学习预测和数据处理的算子合并，将预测流水线运行速度提升317倍。在MCU平台，可应用算子融合方法在软件级优化。在资源受限的MCU上，离线预编译和优化模型算子可大幅减少实时推理中的指令开销和内存访问。例如，ARM Cortex-M的优化库（如CMSIS-NN）手动优化卷积等算子，将推理性能提升多倍。选择适合MCU架构的神经网络算子、利用编译器自动张量优化、尽可能重用算子计算结果，都是提升推理引擎效率和降低能耗的有效途径。
3.4. 通信与数据压缩优化
边缘设备中的MCU常需处理大量传感器数据，从数据源减少传输量和降低通信能耗是AI赋能低功耗的重要部分。在视频场景中，帧间冗余率常超过50%，仅传输关键帧或感兴趣区域可将数据量降低数个数量级。在健康监测中，心电图（ECG）等生理信号通常呈周期性波动，简单算法可压缩ECG信号约90%同时保留完整心律特征。环境传感器采集的温度、湿度、光照强度常存在长期相关性，可通过预测、差分编码、稀疏化等方法消除冗余。数据预处理和压缩技术包括：信号滤波去除噪声干扰，提高数据质量；特征降维通过提取主要信息成分压缩高维数据，如Ali等人证明边缘端图像数据降维（如使用自编码器或主成分分析）可减少约77%数据量且对云分析结果影响微小；自适应压缩策略根据数据分量重要性差异，如对视频监控区域划分ROI（感兴趣区域）和非ROI，对关键区域采用无损或低损耗压缩，非关键区域采用高压缩比有损压缩，显著提升整体压缩率。这些措施使边缘设备仅传输精简的关键信息，大幅减少无线通信数据交换量。统计数据表明，边缘端预处理和过滤冗余数据可显著降低带宽占用和无效数据传输带来的能耗。因此，结合AI的本地数据处理与压缩技术，不仅缓解MCU的存储和带宽瓶颈，还直接降低通信和数据存储引起的能耗，提升系统整体能效。
4. MCU+AI赋能低功耗技术应用
4.1. 智能家居场景的深度应用
在智能家居中，MCU与AI技术的结合显著提升了安全性和能源管理能力。一方面，基于视觉和行为分析的安全系统使家庭监控更智能，通过边缘AI实时分析视频流，自动识别异常事件（如非法入侵、火灾），并即时报警。AI驱动的入侵检测系统可学习正常家庭活动模式，检测异常入侵或可疑移动。同时，摄像头可进行人员身份验证和行为分析，本地处理减少视频流长期无线传输带来的能耗。另一方面，AI辅助控制策略有效优化设备能效，例如空调系统通过获取环境传感器状态信息并结合用户偏好，AI模型实时调整运行参数，仅在需要时启停和调节功率，有报道称可降低空调系统能耗约20-30%。例如，GigaDevice推出的GD32G5系列MCU集成高性能Arm Cortex-M33内核和DSP加速器，采用低功耗设计，可高效本地执行能效优化算法，根据多传感器数据快速计算最优功率输出，精确控制压缩机、电机等部件运行，使家电更高效稳定运行。
4.2. 医疗设备的智能创新
MCU与AI技术的融合推动医疗设备向更智能、更精准发展。在生理信号监测领域，可穿戴医疗设备广泛使用嵌入式AI算法实现早期疾病预警，例如在电池供电的可穿戴设备中，MCU持续运行嵌入式AI模型，本地分析心电图（ECG）信号以检测心房颤动等心律失常，相比传统动态心电图监测，显著提高异常心律的检出率和及时性。Antoun等人证明利用AI分析可穿戴ECG数据可显著提高无症状心律失常（如房颤）的早期检出率。AI算法能从大量动态ECG数据中识别细微异常模式，实现严重心脏病早期预警。另一方面，植入式医疗设备也融入智能控制，例如下一代人工胰腺结合MCU和AI算法，根据实时生理数据自动调整胰岛素释放，实现闭环血糖控制。类似地，起搏器等植入式设备可利用AI根据患者状态自适应调整刺激参数或药物释放策略，提高治疗效果。MCU+AI推动医疗设备向小型化、智能化转型，从可穿戴监测到植入式治疗，各类设备在满足低功耗要求的同时展现出更高的自主性和准确性。
4.3. 智慧农业与工业的数字化转型
在智慧农业领域，AI技术通过环境监测（温度、湿度、土壤湿度）优化灌溉和施肥策略，并结合计算机视觉实现作物病虫害早期检测。例如，田间部署的高清摄像头或无人机定期拍摄作物图像，微控制器在边缘端实时运行卷积神经网络等视觉模型，自动识别作物叶片上的病斑或害虫痕迹。Venkateswara等人证明深度学习模型在作物病虫害图像识别中可实现高精度，及时检测早期感染迹象，比人工检查提前数天发现，显著减少病虫害损失。此外，空天地一体化监测使作物生长评估和产量预测更科学，搭载多光谱摄像头的微控制器控制无人机对农田进行定期航拍，获取作物冠层全景生长参数（如植被指数NDVI），边缘设备利用机器学习模型融合多时相遥感数据和地面传感器数据，建立作物生长与产量关系模型。Zhou等人证明，结合无人机图像和深度学习的方法可准确预测单位面积产量，对水稻产量预测准确率超过95%。MCU+AI智慧农业解决方案实现农情全面感知和智能决策：既通过环境数据优化用水和施肥实现“依天管田”，又通过视觉智能早期防控病虫害，促进农业生产力提升和效率优化，推动传统农业向数字化、精准化转型。在工业和能源领域，AI赋能控制策略也发挥降低能耗的作用，例如光伏发电系统中，MCU运行智能算法高速调整光伏板工作点以跟踪最大功率输出，Li等人将最大功率点跟踪（MPPT）算法与智能控制策略结合，显著提升太阳能系统效率和可靠性，延长电池寿命。
5. 挑战与展望
在MCU上部署AI能力面临一系列技术挑战，需要针对性解决方案。首要挑战是AI模型轻量性与精度、鲁棒性之间的平衡。大规模深度学习模型参数众多、计算复杂，难以直接移植到内存和算力极其有限的MCU上。需通过模型压缩技术（如量化、剪枝、蒸馏）将模型大小降至KB级，但过度压缩会导致模型精度和鲁棒性显著下降。Ortiz等人证明，大多数模型压缩方法若不精细调优，不可避免地会牺牲精度；剪枝和量化可将模型平均缩小19倍，但精度可能明显下降。因此，瓶颈在于如何在最小化模型复杂度的同时保持足够精度。一方面需开发更先进的模型压缩和神经架构搜索技术，确保模型在资源受限环境中仍可靠运行；另一方面需在训练阶段增强鲁棒性，防止轻量级模型对环境变化过于敏感。其次，边缘端分布式协同计算的一致性和稳定性问题日益突出。多节点通信中，多个MCU协同执行AI任务以平衡负载，但网络延迟和节点状态差异可能导致数据不一致和时序不同步，影响整体推理精度和系统稳定性。需研究高容错、低延迟的边缘协作机制，包括高效参数同步算法和一致性维护协议。近期工作通过端到边缘协同推理，动态划分模型进行联合推理，以降低单节点负载和响应延迟，但仍需解决网络抖动和节点故障带来的性能波动。未来研究方向包括设计自适应协同调度策略、引入分布式共识和状态验证机制，确保节点间处理一致性和结果可靠性。最后，“感存算一体化”架构的可靠性和功耗控制仍是需要突破的领域。感存算单元的深度融合被视为提升能效的核心路径，其中存内计算（CIM）通过在存储阵列内嵌入计算操作，可显著降低整体能耗并提高计算吞吐量。然而，基于CIM的感存算一体架构当前面临严重可靠性和功耗控制挑战：感知信号精度、存储数据稳定性和计算结果正确性高度耦合，例如忆阻器电导漂移会扭曲存储信息并传播误差至计算过程，噪声传感信号进一步加剧不确定性。Ding等人指出忆阻器中离子迁移过程的随机性导致器件开关阈值和延迟不一致，在大规模CIM系统中问题放大，严重影响感存算单元稳定协调。为提升可靠性，学术界正在探索容变和纠错技术，如引入冗余存储单元、错误检测和纠删码，或通过多次编程读写校准忆阻器。功耗控制方面，虽然单个CIM阵列能耗很低，但一体化架构需要传感模块、多个CIM阵列和辅助电路并行协作运行，大量CIM阵列并行处理传感单元连续信号时，累积功耗仍可观；CIM阵列中模拟电路在待机和刷新过程中消耗额外能量，这种“空闲能耗”对低功耗场景尤为不利。需开发精确的电源管理策略，根据传感数据吞吐量动态分配感存算单元功率（如调整CIM阵列工作频率、将空闲传感模块置入低功耗模式），确保系统在高吞吐量下不出现局部过热或能耗失控。Crafton等人进一步指出，基于CIM的一体化架构引入了传统CMOS系统未遇到的新功耗问题，例如器件差异导致的计算错误需要额外重试，实际上增加了有效计算的平均功耗。因此，在追求极致能效的同时，需在系统设计中纳入功耗感知调度和校准机制，在感存算全链上平衡可靠性与低功耗。

对于资源受限的嵌入式场景，需综合考虑任务特征、硬件资源和精度要求，选择或定制合适的AI算法架构。模型压缩可通过降低模型内存占用和计算量显著减少功耗，但常以降低精度为代价，需在模型大小和精度之间仔细权衡。近年来工业界还提出了算法-硬件协同设计方法，如MCUNet框架结合神经架构搜索和内存优化，使商业微控制器成功运行ImageNet级别模型（Top-1精度超过70%），同时将SRAM和Flash内存使用降低3.5倍和5.7倍。其次，硬件加速方案的平衡应用：为提升MCU智能处理能力，可引入异构多核架构或专用加速器，但需平衡性能提升与成本、功耗。异构架构通过不同核心协同分工，可显著提升硬件资源利用率并降低功耗，例如NPU-MCU协同计算框架利用任务划分和流水线优化，充分发挥NPU算力和MCU控制能力，提升系统计算效率和能效。在实际应用中，应根据应用需求选择合适的硬件加速方式，平衡性能提升与功耗、成本约束。最后，DVFS的智能调优：鉴于AI工作负载的时变特性，建立精确的功耗预测模型，结合实时任务需求动态调整MCU电压和频率，可最大化能效。该策略需软硬件协同：一方面监控任务负载变化，及时降低频率和电压以节省能耗；另一方面在关键计算阶段提升性能以确保实时响应。根据最新研究，将预测模型或强化学习引入DVFS决策中，可在保持性能指标的同时减少约20%能耗，对实时响应影响极小，帧丢弃率控制在2%以下。因此，面向MCU智能化的DVFS优化是提升整体能效的关键策略，需精心考虑功耗模型精度和响应速度，实现能耗与性能的最优动态平衡。