人工智慧（AI）起源于達特茅斯學院于1956年舉辦的夏季研討會。在該會議上，「人工智慧」一詞首次被正式提出。運算能力的技術突破推動了AI一輪又一輪的發展。近年來，隨著大數據的可用性提升，第三輪AI發展浪潮已經來臨。

2015年，基于深度學習的AI演算法在ImageNet競賽的影像辨識準確度首次超過人類，代表著AI發展突飛猛進。隨著電腦視覺研究的突破，深度學習已經在語音辨識、自然語言處理等不同研究領域都取得了巨大的成功。現在，AI已經在生活中的各面向展現出巨大潛力。

人工智慧的發展演進與主要概念，大致解釋如下：

? AI：任何能讓電腦類比人類行為的技術。

?機器學習：人工智慧（AI）的子集。透過從資料中學習而不斷改進的演算法或方法論。

?深度學習：機器學習（ML）的子集。透過使用類比人類大腦神經網路的多層結構，從大量資料中獲得有價值資訊的學習演算法。

圖一 : 人工智慧的演進 (source：ST)

AI生力軍，Deep Edge AI應運而生

由于運算能力的需求，目前AI技術主要應用于云端場景。由于資料傳輸延遲等因素的限制，基于云端的解決方案可能無法滿足部分使用者對資料安全性、系統回應能力、私密性、以及本地節點功耗的限制。在集中式AI解決方案中，嵌入式設備（智慧音箱、穿戴式裝置等）通常依賴云端伺服器借以實現AI功能，而在Deep Edge AI解決方案中，嵌入式設備本身即可在本地執行AI演算法，實現即時環境感測、人機互動、決策控制等功能。

圖二 : 云端智慧的優缺點(source：ST)

將AI推理運算遷移到深度邊緣運算將帶來一些優勢，例如更好的系統回應能力、更周全的使用者資訊隱私保護（并非所有資料都需要傳輸到云端）、以及降低連接成本和功耗。

圖三 : 邊緣運算的優缺點(source：ST)

根據ABI的研究結果，到2030年，Deep Edge AI裝置的全球出貨量將達到25億臺。意法半導體（ST）注意到，日益成長的Deep Edge AI技術社群和生態系統專注于獨立、低功耗且經濟的嵌入式解決方案。 ST在AI方面投入大量資源，協助開發人員在微控制器/微處理器（STM32系列）和感測器（動作MEMS、ToF等）嵌入式系統上快速部署AI應用。

為了加速開發周期，ST提供一系列的AI工具，針對STM32家族，及具備機器學習核心（機器學習核心；MLC）的動作MEMS感測器上所訓練的AI模型（STM32Cube.AI），能更方便地進行最佳化。 AI已經在許多領域取得了令人矚目的成就。我們相信，愈來愈多的智慧終端裝置將會對人類生活產生更深遠且正面的影響。

透過生態系統快速部署AI應用

ST提供一個完整的硬體和軟體的生態系統，能快速、輕松地開發多種執行于感測器和微控制器上的Deep Edge AI演算法。

在MEMS感測器生態系統中，感測器上的MLC嵌入式引擎，能協助開發人員在邊緣裝置上實現如手勢辨識、動作辨識、異常檢測等等AI演算法。 。

圖四 : 加速度計和陀螺儀中的機器學習解決方案(source：ST)

因此，物聯網解決方案開發人員可以使用UNICO-GUI工具開發超低功耗應用，進行快速prototyping并且部署ST任一內嵌 MLC 的感測器。

基于原生低功耗感測器設計、進階AI事件偵測、喚醒邏輯和即時邊緣運算功能，感測器中的MLC極大地減少了系統資料傳輸量，降低了網路處理負擔。

如果開發人員決定在感測器上開發一個機器學習解決方案，則需要一套全新的方法來實現自己的應用。

開發機器學習演算法，起點是資料及分類的定義。遵循以下五個步驟，能夠在感測器中創建并執行AI應用。 UNICO-GUI是一種圖形化使用者介面，支援包括決策樹產生等五個步驟。

圖五 : 感測器中的機器學習解決方案：開發流程(source：ST)

為了方便開發人員快速在STM32上部署已訓練的AI模型，ST開發了一款簡單易用且高效的工具：STM32Cube.AI（亦稱X-CUBE-AI）。 X-CUBE-AI可以分析并將已訓練的神經網路轉換為優化的C語言程式，并針對STM32系列自動進行測試。

為了展示不同AI應用如何在STM32上直接執行，并加速STM32嵌入式開發人員的研發、驗證和部署時程，ST提供許多AI應用以供參考。開發人員可以利用這些嵌入式AI應用套

裝軟體進行二次開發，快速實現自訂模型的部署。下列表格為ST制造的開發工具和嵌入式應用套裝軟體。

AI開發工具和嵌入式應用軟體

有STM32的地方就有Deep Edge AI。

STM32的所有MCU都支援AI模型的部署。對于運算能力較低的MCU，支援機器學習演算法。對于運算能力較高的MCU，更支援深度學習模型。

圖六 : 讓AI觸手可及

可執行應用范例的開發板列表如下：