別再瞎買 STM32 開發(fā)板：3 分鐘判斷它適不適合跑 AI？

先拆掉三個(gè)誤區(qū)

最近很多人賀老師：“我的 STM32 能不能跑 AI”？

其實(shí)問的不是一個(gè)單純的芯片問題，而是一個(gè)完整工程問題。AI 模型不是孤立運(yùn)行的，它要占 Flash，要申請(qǐng) RAM，要處理傳感器輸入，還要在規(guī)定時(shí)間內(nèi)輸出結(jié)果。所以判斷一塊板子能不能跑 AI，不能只看它是不是 STM32，也不能只看開發(fā)板價(jià)格。首先賀老師先拆解常見的幾個(gè)誤區(qū)：

第一個(gè)誤區(qū)：只有最新、最貴、帶 NPU 的 STM32 才能跑 AI。

不是這樣。很多傳感器分類、異常檢測、關(guān)鍵詞喚醒，本質(zhì)上都是小輸入、小模型、小輸出，Cortex-M4 就能完成。比如電機(jī)振動(dòng)異常檢測，輸入可能只是幾十個(gè)特征；手勢識(shí)別也不過是幾百個(gè) IMU 采樣點(diǎn)；這類項(xiàng)目不需要一開始就上 NPU。

第二個(gè)誤區(qū)：只要叫 STM32 就都能跑 AI。

也不是這樣。STM32F103 這種老朋友非常適合學(xué)裸機(jī)、RTOS、通信和控制，但 20KB RAM、64KB Flash 的配置，基本不適合走 STM32Cube.AI 的常規(guī)路線。不是它完全不能做任何“智能判斷”，而是它承載不了一個(gè)比較完整的模型運(yùn)行時(shí)、輸入緩存和中間激活內(nèi)存。

第三個(gè)誤區(qū)：跑 AI 必須有 NPU。

NPU 很強(qiáng)，尤其適合視覺和高吞吐場景；但在很多 TinyML 項(xiàng)目里，真正決定能不能落地的是 RAM、Flash、輸入數(shù)據(jù)和工具鏈，而不是有沒有 NPU 這一個(gè)指標(biāo)。一塊沒有 NPU 但 RAM 夠、外設(shè)合適、工具鏈支持好的板子，往往比一塊參數(shù)看起來很強(qiáng)但接口不合適的板子更適合課程項(xiàng)目。

判斷一塊 STM32 能不能跑 AI，不看宣傳詞，只看六件事：內(nèi)核、RAM、Flash、主頻、外設(shè)、工具鏈報(bào)告。

第一眼先看內(nèi)核：M4 是實(shí)用分界線

如果是 TinyML 入門，我建議把 Cortex-M4 當(dāng)成實(shí)用分界線。原因很簡單：M4 通常帶 FPU 和 DSP 指令，對(duì)濾波、FFT、MFCC、矩陣運(yùn)算、int8 推理都更友好。很多嵌入式 AI 項(xiàng)目并不是只跑一個(gè)模型函數(shù)，前面還有信號(hào)預(yù)處理。聲音項(xiàng)目要做頻譜或 MFCC，振動(dòng)項(xiàng)目要做窗口和頻域特征，IMU 項(xiàng)目要做濾波和統(tǒng)計(jì)特征，這些計(jì)算都能從 FPU/DSP 中受益。

M7 則明顯更適合計(jì)算量更大的任務(wù)。它通常主頻更高，緩存和總線能力也更強(qiáng)，適合復(fù)雜音頻、多傳感器融合、輕量視覺前篩。M33/M55 常見于更新的低功耗或 AI 方向系列，安全、功耗、DSP 擴(kuò)展和生態(tài)支持會(huì)更好。到了 STM32N6，Cortex-M55 加 Neural-ART 加速器已經(jīng)是另一檔平臺(tái)，適合討論真正的 MCU 端視覺 AI，而不是只做一個(gè)簡單傳感器分類。

M0/M3 不是“物理上絕對(duì)不能做任何智能判斷”，但它們不適合作為實(shí)際項(xiàng)目中的 TinyML 主力板。沒有 FPU、RAM 小、Flash 小，稍微像樣一點(diǎn)的模型和運(yùn)行時(shí)都會(huì)很吃力。你當(dāng)然可以手寫一個(gè)極小的閾值模型或線性分類器，也可以把傳統(tǒng)算法包裝成“智能判斷”，但那已經(jīng)不是大多數(shù)人說的 STM32Cube.AI 部署路線。

快速判斷：

看到 STM32F103C8T6，先別想著跑模型，先把它當(dāng)控制板；

看到 STM32F407、STM32L4、STM32G4，可以考慮小模型；

看到 STM32H7，可以考慮更復(fù)雜的音頻、傳感器融合和輕量視覺；

看到 STM32N6，才適合認(rèn)真討論 MCU 端視覺 AI。

RAM 才是第一個(gè)硬門檻

很多人只看 Flash，因?yàn)槟Ｐ臀募嬖?Flash 里。實(shí)際部署時(shí)，最先把你攔住的常常是 RAM。一個(gè)模型在電腦上看起來很小，導(dǎo)出成 int8 以后也不大，但它運(yùn)行時(shí)需要保存每一層的中間結(jié)果，這部分空間通常叫激活內(nèi)存或運(yùn)行時(shí)工作區(qū)。STM32Cube.AI 的 Analyze 報(bào)告里，最值得看的就是這部分。

模型運(yùn)行時(shí)需要輸入緩沖區(qū)、輸出緩沖區(qū)、中間激活值、運(yùn)行時(shí)工作區(qū)，還要給 RTOS、通信、傳感器采樣、日志和業(yè)務(wù)代碼留空間。模型文件只有幾十 KB，不代表運(yùn)行時(shí)只需要幾十 KB RAM。比如一個(gè) IMU 分類模型，輸入窗口可能占幾 KB；一個(gè)音頻模型，1 秒 16kHz 的音頻緩沖就已經(jīng)是 32KB 左右的 int16 數(shù)據(jù)；視覺項(xiàng)目更夸張，一張圖像就可能占掉一大塊 SRAM。

更麻煩的是，RAM 不是一整塊永遠(yuǎn)任你用。有些 STM32 的 SRAM 分成多個(gè)區(qū)域，DMA 能訪問的區(qū)域、Cache 相關(guān)區(qū)域、TCM 區(qū)域、外部 SDRAM 區(qū)域，各自限制不同。模型能不能跑，不只取決于總 RAM，還取決于這塊 RAM 能不能被你的采樣、推理和后處理鏈路正確使用。

粗略判斷：

RAM 低于 64KB：
  不建議走常規(guī) TinyML 部署路線，除非模型極小、運(yùn)行時(shí)極簡。

RAM 128KB 左右：
  可以嘗試傳感器分類、簡單異常檢測、小型關(guān)鍵詞識(shí)別。

RAM 512KB 以上：
  大多數(shù)實(shí)用 TinyML 項(xiàng)目才有比較舒服的調(diào)試空間。

RAM 1MB 以上：
  可以開始考慮輕量視覺、多通道音頻、更復(fù)雜的模型和緩存設(shè)計(jì)。

如果是攝像頭項(xiàng)目，RAM 預(yù)算要更保守。一張 128 × 128 灰度圖約 16KB，一張 240 × 240 × 3 RGB 圖約 169KB。還沒有算模型中間張量、后處理緩存、攝像頭 DMA 緩沖和顯示緩沖。視覺項(xiàng)目不是模型先卡你，很多時(shí)候是圖像緩存先卡你。只要你打算接攝像頭，就要提前把幀緩存算進(jìn)預(yù)算里。

Flash 決定模型和工程能不能放下

Flash 不是只放模型權(quán)重。真實(shí)工程里還有啟動(dòng)代碼、HAL/LL 庫、RTOS、協(xié)議棧、業(yè)務(wù)邏輯、日志、Bootloader、OTA 分區(qū)，以及模型本身。很多演示代碼能放下，不代表產(chǎn)品工程也能放下，因?yàn)檠菔敬a通常沒有完整日志、升級(jí)、通信協(xié)議和異常處理。

如果只是課堂演示，256KB Flash 可以跑一些很小的 int8 模型；如果想做一個(gè)比較完整的工程，建議從 1MB Flash 起步。復(fù)雜一點(diǎn)的視覺、語音、多模型切換，最好看 2MB 以上，或者考慮外部 Flash。尤其是有 OTA 的設(shè)備，F(xiàn)lash 不能只算當(dāng)前固件，還要考慮升級(jí)區(qū)和回滾空間。

這里要特別注意量化。float32 權(quán)重一個(gè)參數(shù) 4 字節(jié)，int8 權(quán)重一個(gè)參數(shù) 1 字節(jié)。對(duì) MCU 來說，量化不是錦上添花，而是常規(guī)動(dòng)作。很多模型不量化時(shí)看起來能跑，真正部署后會(huì)發(fā)現(xiàn) Flash、RAM、推理時(shí)間三項(xiàng)一起超預(yù)算。

50,000 個(gè)參數(shù)：

float32 權(quán)重約 200KB
int8 權(quán)重約 50KB

這還只是權(quán)重，不包含運(yùn)行庫、代碼和中間緩沖。

主頻、FPU、DSP、緩存：決定跑得快不快

主頻當(dāng)然重要，但不能只看 MHz。TinyML 的推理速度，還取決于內(nèi)核架構(gòu)、FPU、DSP 指令、Cache、內(nèi)存訪問速度，以及推理庫有沒有用到優(yōu)化內(nèi)核。同樣是 100MHz，不同內(nèi)核、不同內(nèi)存路徑、不同編譯優(yōu)化等級(jí)，實(shí)際推理時(shí)間可能差很多。

M4 可以做小模型，M7 更適合計(jì)算量明顯的任務(wù)。到了 H7 這類平臺(tái)，I-Cache、D-Cache、TCM、DMA、內(nèi)存區(qū)域放置都會(huì)影響性能。比如圖像數(shù)據(jù)從外部 SDRAM 讀入，模型中間激活放在片內(nèi) SRAM，和所有數(shù)據(jù)都放在慢速外部存儲(chǔ)里，體驗(yàn)完全不同。到了 N6，問題又變成模型能不能被 NPU 高效支持，而不只是 CPU 跑多快。

還有一個(gè)容易忽略的點(diǎn)：模型推理不是系統(tǒng)里唯一的任務(wù)。你的 MCU 還要采樣、濾波、通信、控制電機(jī)、刷新顯示、記錄日志。主頻看起來夠，但如果推理任務(wù)把 CPU 長時(shí)間占滿，系統(tǒng)整體仍然不穩(wěn)定。

一個(gè)實(shí)用原則：如果模型推理時(shí)間已經(jīng)超過業(yè)務(wù)周期的一半，這塊板子就很危險(xiǎn)。比如你每 100ms 要判斷一次，模型推理最好不要貼著 100ms 跑，采樣、預(yù)處理、后處理、通信都要時(shí)間。

外設(shè)不夠，模型再能跑也沒用

AI 模型不是憑空運(yùn)行，它必須依賴輸入。做聲音識(shí)別，要看 PDM/I2S/ADC；做振動(dòng)檢測，要看 I2C/SPI、定時(shí)器、DMA；做視覺，要看 DCMI、MIPI、外部 RAM、LCD 或者數(shù)據(jù)上傳鏈路。模型能跑只是中間一步，數(shù)據(jù)能不能穩(wěn)定進(jìn)入模型，才是項(xiàng)目能不能演示和交付的前提。

有些板子 MCU 性能夠了，但板上沒有合適的傳感器接口，課程體驗(yàn)會(huì)很差。比如你想做攝像頭識(shí)別，卻選了一塊沒有 DCMI、沒有足夠 RAM、也沒有合適擴(kuò)展接口的板子，后面就會(huì)把時(shí)間花在轉(zhuǎn)接和驅(qū)動(dòng)上。再比如你想做聲音關(guān)鍵詞喚醒，但板子沒有合適的數(shù)字麥克風(fēng)接口，只能臨時(shí)用模擬 ADC 采樣，噪聲和增益問題會(huì)把學(xué)習(xí)重點(diǎn)帶偏。

所以選板時(shí)別只看芯片型號(hào)，也要看開發(fā)板實(shí)際引出了什么接口。很多項(xiàng)目不是芯片不能跑 AI，而是開發(fā)板不適合這個(gè) AI 項(xiàng)目。課程項(xiàng)目尤其要重視這一點(diǎn)，因?yàn)閷W(xué)生需要快速看到完整閉環(huán)，而不是把大部分時(shí)間耗在硬件轉(zhuǎn)接和驅(qū)動(dòng)適配上。

拿幾個(gè)常見型號(hào)做判斷

STM32F103C8T6：Cortex-M3，20KB RAM，64KB Flash。

適合控制、通信、RTOS 入門，不建議拿它做 TinyML 主力板。

它可以做極簡單的規(guī)則判斷，比如閾值報(bào)警、狀態(tài)機(jī)、線性判斷，但不要指望它承擔(dān)標(biāo)準(zhǔn) AI 部署流程。

拿 F103 硬跑 TinyML，很容易把問題變成“如何在極小資源里硬擠”，不適合作為課程主線。

STM32F407VET6：Cortex-M4F，168MHz，192KB RAM，512KB Flash。

可以跑簡單傳感器分類、小型異常檢測、特征輸入的小模型。比如 IMU 手勢識(shí)別、電機(jī)振動(dòng)異常檢測、簡單聲音事件分類，這類任務(wù)比較適合。它的邊界也很清楚：不要一上來做視覺，更不要拿它挑戰(zhàn)通用目標(biāo)檢測。

STM32L4 / G4：適合低功耗傳感器類 TinyML。

比如電機(jī)振動(dòng)、動(dòng)作識(shí)別、簡單關(guān)鍵詞喚醒。L4 的優(yōu)勢偏低功耗，適合電池供電和長期運(yùn)行；G4 的模擬外設(shè)和控制能力更突出，適合電機(jī)、電源、工業(yè)采樣相關(guān)項(xiàng)目。它們不是靠極限算力取勝，而是靠功耗、外設(shè)和工程平衡。

STM32H743VIT6：Cortex-M7，最高 480MHz，片上 RAM 資源明顯更寬裕，F(xiàn)lash 也更大。

適合復(fù)雜一點(diǎn)的音頻、傳感器融合、輕量視覺前篩。H7 的性能很好，但它也帶來新的工程細(xì)節(jié)：Cache、DMA、TCM、外部 SDRAM、內(nèi)存區(qū)域放置都要認(rèn)真處理。很多 H7 項(xiàng)目的問題不是模型不會(huì)跑，而是數(shù)據(jù)緩存和 DMA 一致性沒有處理好。

STM32N657：Cortex-M55 最高 800MHz，集成 Neural-ART 加速器，

官方資料給出的 NPU 性能為 600 GOPS，片上 SRAM 也更大。它適合討論真正的端側(cè)視覺、多傳感器融合和高性能推理。但 N6 不是“新手萬能板”，它要求你理解模型格式、NPU 支持范圍、內(nèi)存規(guī)劃和圖像鏈路。適合課程后半段或進(jìn)階項(xiàng)目，不適合第一節(jié)課就拿來堆概念。

最準(zhǔn)確的辦法：別猜，用官方工具測

手冊(cè)判斷只能做第一輪篩選。最后能不能跑，要看工具鏈報(bào)告。因?yàn)橥粔K板子，跑不同模型會(huì)有完全不同的結(jié)果；同一個(gè)模型，輸入尺寸不同、量化方式不同、后處理不同，也會(huì)改變 RAM、Flash 和推理時(shí)間。

最省事的方法是用 ST Edge AI Developer Cloud。上傳模型，選擇目標(biāo)板，在線做 benchmark。它能給出推理時(shí)間、RAM、Flash 等結(jié)果，還能在 ST 的板卡資源上遠(yuǎn)程測試。沒有開發(fā)板時(shí)，這一步尤其有用。你可以先用云端結(jié)果排除明顯不合適的板子，再?zèng)Q定是否購買開發(fā)板。

如果你已經(jīng)在本地做工程，就用 STM32Cube AI Studio 或 CubeMX 相關(guān) AI 工具鏈導(dǎo)入模型，看 Analyze 和 Validate 結(jié)果。重點(diǎn)看這些數(shù)字：模型參數(shù)量、MACC、激活內(nèi)存、權(quán)重大小、輸入輸出大小、推理時(shí)間、是否有不支持的層。不要只看“能生成代碼”，能生成代碼只是開始，能在真實(shí)外設(shè)和真實(shí)數(shù)據(jù)下穩(wěn)定運(yùn)行才是目標(biāo)。

判斷流程：

1. 查 MCU 型號(hào)：內(nèi)核、RAM、Flash、主頻、外設(shè)
2. 明確任務(wù)：傳感器分類、語音、振動(dòng)、視覺
3. 準(zhǔn)備 int8 模型，而不是 float32 模型
4. 上傳 ST Edge AI Developer Cloud 做 benchmark
5. 看 RAM / Flash / 推理時(shí)間，而不是只看能否生成代碼
6. 上板驗(yàn)證真實(shí)數(shù)據(jù)和真實(shí)外設(shè)