人工智能（AI）正在從設(shè)計(jì)到功能等各個(gè)層面重新定義嵌入式系統(tǒng)。

本文將探討AI產(chǎn)生重大影響的三個(gè)關(guān)鍵領(lǐng)域：軟件開發(fā)、硬件設(shè)計(jì)和AI應(yīng)用程序，以及AI對(duì)各個(gè)領(lǐng)域的影響，重點(diǎn)介紹多種先進(jìn)工具，并指出在這種新的設(shè)計(jì)范式中取得成功的關(guān)鍵設(shè)計(jì)原則。

AI賦能嵌入式開發(fā)：

讓編程更智能、更高效

軟件工具是AI發(fā)展極快的領(lǐng)域之一。這并不令人意外，因?yàn)榇笳Z言模型（LLM）確實(shí)很適合處理由大量文本構(gòu)成的代碼庫。但AI的作用不僅限于生成代碼：它還在文檔、可視化和測(cè)試方面發(fā)揮著至關(guān)重要的作用。讓我們仔細(xì)看看每個(gè)領(lǐng)域的趨勢(shì)。

針對(duì)嵌入式系統(tǒng)的AI編程助手

初時(shí)，AI編程助手只是幫助進(jìn)行通用編程，但現(xiàn)在已經(jīng)發(fā)展得非常成熟?，F(xiàn)在，它們也正在成為嵌入式系統(tǒng)的寶貴資產(chǎn)。GitHub Copilot和Amazon CodeWhisperer等工具可以為適合微控制器開發(fā)的代碼提出建議，非常適合以下任務(wù)：

特定于微控制器架構(gòu)的外設(shè)初始化和配置

針對(duì)事件驅(qū)動(dòng)系統(tǒng)優(yōu)化的中斷處理程序

促進(jìn)集成組件之間數(shù)據(jù)交換的通信協(xié)議

這一發(fā)展意味著AI編程工具現(xiàn)在能夠協(xié)助應(yīng)對(duì)嵌入式開發(fā)中以硬件為中心的底層挑戰(zhàn)。然而，只有正確使用這些工具，才能實(shí)現(xiàn)這些優(yōu)勢(shì)。開發(fā)人員應(yīng)注意以下幾點(diǎn)：

了解目標(biāo)硬件——AI可能無法理解電源管理、內(nèi)存限制和其他系統(tǒng)細(xì)節(jié)的細(xì)微差別；

驗(yàn)證生成的代碼——AI生成的代碼通常語法正確，但并不總是符合預(yù)期；

注意依賴關(guān)系——AI生成的代碼可能會(huì)引入不適合嵌入式環(huán)境的庫。

本文反復(fù)強(qiáng)調(diào)的一個(gè)主題是，AI在知識(shí)淵博的設(shè)計(jì)師手中才能發(fā)揮強(qiáng)大作用。換句話說，AI應(yīng)該增強(qiáng)人類的工程技能，而不是取代人類。

自動(dòng)化文檔和可視化工具

文檔一直都是嵌入式開發(fā)中非常耗時(shí)且易被忽視的環(huán)節(jié)之一?，F(xiàn)在，AI工具正在改變技術(shù)參考資料的創(chuàng)建、維護(hù)和可視化方式：

文檔：Doxygen或類似工具可以從源代碼中提取結(jié)構(gòu)化注釋，生成與代碼更新保持同步的API文檔。

解釋：諸如GitHub Copilot Chat這樣的助手工具可以分析復(fù)雜函數(shù)并生成摘要，使代碼更易理解。

可視化：類似Mermaid Chart這樣的平臺(tái)可以幫助創(chuàng)建可視化內(nèi)容（如協(xié)議的時(shí)序圖），有助于縮小硬件與軟件團(tuán)隊(duì)之間的隔閡。

需要注意的是，這些工具只有在正確配置并具有合適輸入內(nèi)容的情況下才能有效工作。例如，Doxygen需要特定的注釋格式規(guī)范才能正常工作。

上下文是另一個(gè)關(guān)鍵考慮因素。自動(dòng)化工具可能會(huì)遺漏一些對(duì)經(jīng)驗(yàn)豐富的工程師顯而易見的細(xì)節(jié)。因此，工具生成的文檔必需經(jīng)過仔細(xì)檢查，尤其是在安全性至關(guān)重要的系統(tǒng)中，因?yàn)槲臋n出錯(cuò)可能會(huì)導(dǎo)致嚴(yán)重后果。

增強(qiáng)的測(cè)試框架

AI還能顯著提升代碼測(cè)試的效率。Eggplant Test Automation以及類似的框架支持先進(jìn)的硬件在環(huán)（HIL）仿真，使開發(fā)人員能夠生成更多樣化的測(cè)試用例[1]。憑借更廣泛的測(cè)試套件，這些工具可以捕獲傳統(tǒng)測(cè)試方法容易遺漏的功耗、資源利用率和競(jìng)爭(zhēng)條件等問題。例如，這些工具可以識(shí)別出僅在特定時(shí)序條件下才會(huì)出現(xiàn)的問題。測(cè)試人員還可以實(shí)時(shí)動(dòng)態(tài)調(diào)整參數(shù)，并在此過程中持續(xù)優(yōu)化代碼。

這些框架非常全面，但它們?nèi)狈θ祟惖膭?chuàng)造力和直覺。它們?cè)谔幚碇T如零碳設(shè)計(jì)等更加微妙的概念時(shí)往往會(huì)遇到困難[2]。因此，它們需要有人類的監(jiān)督和輸入，才能充分發(fā)揮強(qiáng)大的能力。

但這些工具的優(yōu)劣很大程度上取決于訓(xùn)練數(shù)據(jù)的質(zhì)量。沒有高質(zhì)量的數(shù)據(jù)，它們的準(zhǔn)確性和可靠性都會(huì)受到影響。

AI設(shè)計(jì)：

從元器件到原型設(shè)計(jì)，讓流程更簡(jiǎn)化

雖然軟件工具發(fā)展迅速，但AI對(duì)硬件設(shè)計(jì)的影響更深刻。現(xiàn)在，設(shè)計(jì)人員可以使用AI工具完成從元器件選型到仿真和測(cè)試的所有工作。在許多情況下，這些工具取代了手動(dòng)流程，使設(shè)計(jì)人員能夠大幅縮短產(chǎn)品上市時(shí)間并優(yōu)化設(shè)計(jì)。

先進(jìn)的仿真與測(cè)試

AI在模擬電路仿真方面具有顯著優(yōu)勢(shì)。傳統(tǒng)SPICE仿真器需要工程師手動(dòng)設(shè)置參數(shù)，而這是一個(gè)復(fù)雜、耗時(shí)的過程。相比之下，Synopsys PrimeSim和Siemens Solido Design Environment等工具可自動(dòng)配置仿真并預(yù)測(cè)潛在問題。除了幫助識(shí)別關(guān)鍵測(cè)試用例外，這些工具還可以優(yōu)化供電網(wǎng)絡(luò)，并為元器件的參數(shù)值提供建議，以提升整體系統(tǒng)效率。

對(duì)于印刷電路板（PCB）布線優(yōu)化，F(xiàn)lux和DeepPCB等工具可以利用深度學(xué)習(xí)技術(shù)來補(bǔ)充人類的設(shè)計(jì)專長(zhǎng)。這些系統(tǒng)能夠評(píng)估多種配置，同時(shí)評(píng)估走線布局對(duì)信號(hào)質(zhì)量、散熱和供電的影響。

需要注意的是，模擬仿真素以復(fù)雜多變著稱。例如，元器件參數(shù)值或工作條件的細(xì)微差異，都可能導(dǎo)致電路行為發(fā)生顯著變化。因此，工程師需要具備扎實(shí)的模擬設(shè)計(jì)基礎(chǔ)，才能有效使用這些工具。

將AI用于芯片設(shè)計(jì)優(yōu)化

AI也在徹底改變FPGA和ASIC設(shè)計(jì)，Synopsys DSO.ai等工具就是例證。這些工具具備多種功能，包括可以同時(shí)優(yōu)化多個(gè)目標(biāo)，幫助設(shè)計(jì)人員快速找到高效的設(shè)計(jì)[3]。根據(jù)Synopsys的說法，DSO.ai有望將生產(chǎn)效率提高兩倍，還能大幅減小芯片尺寸，并將功耗降低多達(dá)15%[4]。

這些工具的一個(gè)潛在缺點(diǎn)是可解釋性。AI生成的FPGA和ASIC設(shè)計(jì)可能難以手動(dòng)分析或修改，尤其是在給出的建議采用了非傳統(tǒng)方法的情況下。

快速原型設(shè)計(jì)和制造集成

AI驅(qū)動(dòng)的工具也在簡(jiǎn)化原型設(shè)計(jì)和制造。Autodesk Fusion 360等解決方案使用機(jī)器學(xué)習(xí)（ML）來優(yōu)化元器件放置、信號(hào)完整性和散熱性能，幫助工程師更快地進(jìn)行迭代。工程師可以快速調(diào)整設(shè)計(jì)、運(yùn)行仿真并探索替代方案，從而縮短從概念到終端產(chǎn)品的所需的時(shí)間。

AI還可以通過確保運(yùn)營(yíng)設(shè)備的性能和效率與自動(dòng)化生產(chǎn)流程保持一致，來改進(jìn)制造流程。邊緣AI開發(fā)框架正日趨成熟，可實(shí)現(xiàn)預(yù)測(cè)性維護(hù)功能的廣泛部署，從而優(yōu)化設(shè)備效率、質(zhì)量控制并降低運(yùn)營(yíng)成本。

面向邊緣AI的設(shè)計(jì)：

讓預(yù)測(cè)性維護(hù)煥發(fā)生機(jī)

AI工具不僅加速了開發(fā)過程，還帶來了新的設(shè)計(jì)可能性。其中極為成熟的應(yīng)用之一是預(yù)測(cè)性維護(hù)，已在實(shí)際應(yīng)用中部署了多年。隨著AI模型針對(duì)微控制器和邊緣設(shè)備進(jìn)行優(yōu)化，嵌入式工程師現(xiàn)在可以直接在以往無法支持此類功能的硬件上部署智能功能。

面向邊緣設(shè)備的資源高效型AI平臺(tái)

傳統(tǒng)上，嵌入式系統(tǒng)和邊緣設(shè)備對(duì)AI算法的支持能力有限。大多數(shù)ML模型根本不是為這種資源受限的操作環(huán)境而設(shè)計(jì)的。TensorFlow Lite for Microcontrollers和Edge Impulse等嵌入式AI平臺(tái)改變了這種狀況，提供了以下幾項(xiàng)關(guān)鍵優(yōu)勢(shì)：

能夠在資源有限的設(shè)備上（內(nèi)存從大約50KB起）運(yùn)行ML模型

提供全面的模型量化和優(yōu)化工具

簡(jiǎn)化工作流程，以根據(jù)特定微控制器架構(gòu)選擇、訓(xùn)練和定制模型

與此同時(shí)，硬件也在不斷發(fā)展。越來越多的微處理器和微控制器添加了加速器，使AI能夠在相對(duì)低端的系統(tǒng)上運(yùn)行。

使用AutoML優(yōu)化模型

工程師可以使用AutoKeras等自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）工具進(jìn)一步簡(jiǎn)化模型開發(fā)。這些解決方案可根據(jù)硬件能力和應(yīng)用需求快速優(yōu)化模型的架構(gòu)和權(quán)重。其缺點(diǎn)是，由于AutoML工具通常需要迭代優(yōu)化，因此使用這些工具需要同時(shí)具備系統(tǒng)目標(biāo)硬件方面以及AI和ML方面的專業(yè)知識(shí)。

訓(xùn)練數(shù)據(jù)質(zhì)量是邊緣AI實(shí)施面臨的另一個(gè)挑戰(zhàn)。一個(gè)常見的問題是過擬合，如果使用過小的數(shù)據(jù)集訓(xùn)練模型，就會(huì)出現(xiàn)過擬合。有意思的是，如果模型或數(shù)據(jù)集過于復(fù)雜，性能也會(huì)受到影響。找到合適的平衡點(diǎn)既是一門藝術(shù)，也是一門科學(xué)，因此在開始構(gòu)建模型時(shí)，有必要尋求經(jīng)驗(yàn)豐富的AI專家的建議。

預(yù)測(cè)性維護(hù)應(yīng)用

在工業(yè)應(yīng)用中，預(yù)測(cè)性維護(hù)是邊緣AI真正大放異彩的地方。大多數(shù)現(xiàn)代工業(yè)系統(tǒng)都包含許多傳感器，涵蓋從振動(dòng)、電流消耗到聲學(xué)特征等各個(gè)方面。預(yù)測(cè)性維護(hù)算法可以采集所有這些信息，并分析其中可能表明設(shè)備即將發(fā)生故障的任何模式。

然后，AI可以提醒操作員注意這些問題，操作員就可以及時(shí)維修或更換故障元器件。

當(dāng)與聯(lián)邦學(xué)習(xí)技術(shù)結(jié)合時(shí)，這一能力將更加強(qiáng)大。聯(lián)邦學(xué)習(xí)是一種在分布式本地?cái)?shù)據(jù)集上訓(xùn)練模型，并將模型更新發(fā)送到中央服務(wù)器的技術(shù)。這種方法為工業(yè)應(yīng)用帶來了諸多優(yōu)勢(shì)：

通過將原始數(shù)據(jù)保留在本地，提升數(shù)據(jù)隱私與安全性

通過減少數(shù)據(jù)傳輸，增強(qiáng)合規(guī)性

通過減少數(shù)據(jù)傳輸需求，降低運(yùn)營(yíng)成本

邊緣處理與聯(lián)合學(xué)習(xí)相結(jié)合，打造了一個(gè)持續(xù)改進(jìn)的維護(hù)系統(tǒng)，隨著時(shí)間的推移，該系統(tǒng)會(huì)變得越來越準(zhǔn)確，同時(shí)不會(huì)影響安全性或效率。

設(shè)計(jì)與開發(fā)的智能未來

AI從根本上改變了電子設(shè)計(jì)，提升了從開發(fā)到生產(chǎn)的效率和生產(chǎn)力。從AI編程助手和文檔工具，到智能PCB設(shè)計(jì)優(yōu)化和高效運(yùn)用資源的邊緣平臺(tái)，這項(xiàng)技術(shù)正在重塑整個(gè)嵌入式系統(tǒng)生命周期的工作流程。

然而，企業(yè)不能以草率的態(tài)度來決定是否采用AI技術(shù)。要通過AI取得成功，關(guān)鍵在于了解應(yīng)該使用哪些工具，以及這些工具的局限性。有效的實(shí)施方法，讓AI發(fā)揚(yáng)它的優(yōu)勢(shì)所在：處理重復(fù)性任務(wù)、探索廣闊的設(shè)計(jì)空間以及識(shí)別不明顯的模式，而不是試圖讓它代替人類，畢竟人類的專業(yè)知識(shí)在某些領(lǐng)域依然是不可替代的。AI只有與人類智能相結(jié)合，才能發(fā)揮強(qiáng)大作用。它不會(huì)取代工程師，而是讓工程師具備更強(qiáng)大的能力。