AI算力下沉終端裝置 MCU架構進化驅動邊緣智慧落地
- 鄭茨云／台北
-
AI正由雲端走入實體設備，智慧家居、工業設備、穿戴裝置與感測節點也開始具備即時感知、判斷及回應能力。為掌握相關技術與商機，DIGITIMES於8月7日舉辦「2026微控制器論壇」。DIGITIMES整合行銷處處長陳毅斌在致詞時表示，MCU已由傳統控制核心轉為邊緣智慧的重要硬體，技術也由8位元走向以32位元為主，並整合NPU、異質運算及TinyML，以承載更複雜的AI模型。企業導入時，仍須在有限功耗、記憶體與成本內提升效能，同時處理感測整合、開發時程與資安防護等課題。
AIoT裝置資料量以年複合成長率80%增加，若全數上傳雲端，頻寬、延遲與成本將成為瓶頸，也促使運算走向終端。瑞薩電子台灣區業務總監卓正民指出，未來5年全球AI／ML市場規模預估達1,760億美元，Edge AI硬體市場也將增至320億美元。
產品設計流程因此需要改變，工程師應先確認視覺、語音或即時分析等應用，選擇合適模型，再依效能、功耗與成本配置晶片。瑞薩目前聚焦即時資料分析、語音聲學及視覺辨識，例如利用Reality AI分析洗衣機馬達的電流與扭力，預測衣物失衡；在AI資料中心及車用800V直流系統中，也能以逾95%準確率偵測電弧異常。語音應用涵蓋家電指令、聲紋與深偽語音辨識，RUHMI框架則協助開發者將PyTorch、TensorFlow或CUDA模型轉換至地端晶片。
硬體布局涵蓋RL78、RX、內建NPU的RA系列，以及具備10至80 TOPS算力的RZ系列；R-Car系列則鎖定車輛與人形機器人。搭配Renesas 365雲端虛擬環境，工程師在取得實體評估板前即可測試模型並產生程式碼，縮短開發時程。
邊緣AI進入MCU後，效能評估已由CPU時脈延伸至專用加速器與模型壓縮能力。德州儀器應用工程師Ava Chou提到，Edge AI將資料留在裝置端處理，可降低延遲、傳輸功耗與頻寬成本，並兼顧隱私及離線運作。
TI在MCU中導入Tiny Engine NPU，以平行運算處理神經網路的乘加運算，讓CPU同步負責感測、通訊與系統控制，並支援32位元至2位元量化，減少記憶體需求。產品涵蓋MSPM0、MSPM33等通用型MCU，以及面向工業控制、馬達驅動與電源管理的C2000、AM2x及AM3x系列。
實際應用包括溫度校正、異常電弧與漏電辨識、馬達負載失衡及機器人關節控制，其中馬達異常分類準確率可達99%以上，推論時間約0.59秒。開發者亦可透過Code Composer Studio及TI AI Hub，將PyTorch或TensorFlow模型轉換並部署至MCU。
MCU市場正由通用控制走向應用導向設計，晶片廠需整合專用週邊與軟體工具，以縮短客戶量產時程。雅特力科技產品與行銷處長黃源旗指出，雅特力隸屬泛聯電集團，已取得ISO 26262、IEC 61508及IEC 60730等安全認證。
產品方面，採28奈米製程的AT32N5整合Arm Cortex-M4與Ethos-U55 NPU，鎖定輕量級Edge AI；AT32H7則搭載主頻超過600MHz的Cortex-M7。針對磁軸鍵盤，AT32F408利用霍爾感測器、3組獨立ADC及硬體多工器，提高按鍵壓深偵測與掃描效率。
馬達控制約佔雅特力營收4成，應用涵蓋無刷直流馬達、AI伺服器散熱風扇及機器人關節；一具人形機器人可能使用70至80顆MCU，單隻靈巧手也可能整合30至40顆。開發端則提供VS Code外掛、AT32 AI Tool與多感測器Edge AI Sensor Board，協助工程師蒐集資料、最佳化模型並加速部署。
終端裝置長時間維持AI功能，難點在於依工作負載分配算力，避免常駐任務持續啟動高效能核心。英飛凌大中華區消費、計算與通訊業務產品經理許重傑表示，PSoC Edge E8系列分為E81至E84，整合Arm Cortex-M55、低功耗Cortex-M33、NNLite輕量NPU及0.1 TOPS的Ethos-U55 NPU，部分型號另配置2.5D GPU。
系統可由M33與NNLite負責背景監控，需要複雜推論時再喚醒高效能核心；相較Cortex-M4，AI效能最高提升480倍，功耗降低逾90%。在語音應用中，關鍵字喚醒功耗僅0.9mW，聲紋辨識只需3至5秒語音，準確率可達99.7%；平台也支援嵌入式小型語言模型、台語語音轉文字及高解析度圖形介面。PSoC Edge並取得PSA Certified Level 4與SESIP Level 3認證，開發者可透過DEECRAFT AI Hub及ModusToolbox，在企業內部完成模型訓練、最佳化、量化與部署。
實體智慧進入機器人、無人機與工業設備後，MCU須同時處理AI推論、即時通訊及硬體資安。恩智浦半導體大中華區資深市場行銷經理黃佳琪指出，NXP的MCX平台涵蓋高階AI、通用運算、工業控制、無線連網及超低功耗應用。
其中MCX N採用雙核心Arm Cortex-M33，整合eIQ Neutron NPU與EdgeLock安全區域，支援影像、語音辨識及多軸馬達控制；MCX W則支援Matter、Thread及Bluetooth LE 5.3。因應量子運算與資安法規，部分MCX產品已導入後量子密碼硬體加速，並整合物理不可複製功能與真隨機數產生器。
工業控制方面，主頻超過1GHz的i.MX RT1180支援TSN、EtherCAT、PROFINET及CC-Link IE等協定，兼具即時控制與高速通訊能力。平台也延伸至無人機飛控及機器人靈巧手，單顆晶片可控制8組伺服馬達。開發者可透過eIQ Studio、TimeSeries Studio及FRDM開發板，快速訓練異常偵測模型並完成原型驗證。
CIM與NPU突破邊緣算力瓶頸 開發生態與智財防線同步成形
AI晶片增加運算單元後，實際效能愈來愈受記憶體頻寬與資料搬移限制。陽明交通大學資訊工程學系副教授葉宗泰認為，處理器效能在過去20年間快速提升，記憶體延遲的改善相對有限，形成「記憶體牆」；大型語言模型推論甚至可能有逾5成能源耗於SRAM與DDR之間的資料搬移。
記憶體內運算（CIM）將乘加操作移至記憶體陣列內或鄰近位置，以降低資料往返成本。類比CIM能源效率較高，但易受製程、溫度與雜訊影響，ADC及DAC也會增加面積與功耗；數位CIM的精度、穩定性及量產相容性較佳。
現有MCU雖整合微型NPU，本地記憶體容量仍有限，運算單元經常等待資料送入，使TOPS難以充分利用。葉宗泰認為，機器人的感知、定位、碰撞偵測及路徑搜尋需頻繁存取記憶體，將是CIM與TinyML的重要應用；若結合低位元量化與平行解碼，未來輕量化VLA模型有機會部署於CIM-MCU，直接控制靈巧手與機器人關節。
NPU逐步進入MCU後，晶片競爭已由時脈與算力延伸至模型支援、工具易用性及跨平台移植能力。Edge AI Taiwan社群創辦人許哲豪博士指出，邊緣AI已由影像分類、物件偵測等鑑別式任務，走向生成式AI及結合感知、判斷與動作的實體智慧。
MCU運算架構也由提高CPU頻率，發展至DSP、SIMD、Helium向量指令及NPU專用加速器；Arm推出Ethos-U55、U65與支援Transformer的U85，恩智浦、英飛凌、瑞薩及德州儀器也各自發展NPU架構。不過，MCU的記憶體容量有限，模型又需依場域調整，使演算法與晶片深度綁定的專用型MCU興起，應用涵蓋生理訊號分析及家電離線語音互動。
各家IDE、編譯器、量化方式及NPU格式不同，也提高跨平台移植成本。業者因此導入AutoML、一鍵量化及低程式碼工具，並透過併購軟體與開發板業者，補齊資料蒐集、模型微調、編譯及部署能力；NPU能否普及，仍取決於開發工具是否足以降低量產門檻。
MCU整合的AI模型、演算法與韌體日益複雜，智財管理也須在產品開發初期納入考量。代表創新創業總會出席的桓禾專利商標事務所所長、專利師蕭乃丞表示，RISC-V及客製化異質架構可能因電路與功能重疊而誤觸他人專利；模型燒錄至MCU後，也面臨逆向工程、權重遭擷取及程式碼仿製等風險。
廣義MCU專利申請量自2023年起年增約20%，企業進入歐美市場時，須留意競爭者聲請禁制令，以及非實施實體透過侵權警告與訴訟索取授權費。開源軟體也是常被忽略的環節，若未確認授權、連結及散布條件，可能產生公開部分原始碼的義務，因此應建立軟體物料清單與合規審查。
蕭乃丞建議採取專利與營業秘密雙軌管理：硬體架構、加速方法及壓縮演算法可申請專利，模型權重、核心參數與金鑰則透過權限控管、加密及安全區域保存。L2Pro線上學習平台也提供相關課程，協助MCU新創建立基本智財管理能力。
新創團隊進入募資、政府補助申請或國際合作階段時，投資人與合作夥伴往往會檢視技術權利歸屬、專利布局及營業秘密管理，智財制度是否完整也會影響企業評價。新創總會代表Mina介紹，高通在台灣設立免費的「L2Pro Taiwan」智慧財產權線上學習平台，協助新創公司與中小企業在產品研發及創業初期建立智財觀念。
課程涵蓋專利基礎與申請策略、商標、營業秘密、著作權及AI專利布局，採線上彈性學習形式；完成90分鐘AI專利布局課程，可取得高通核發的國際電子培訓證書，完成3小時完整課程則可獲得國際智財學習證書。透過系統化整理技術成果與權利歸屬，新創團隊在後續募資、補助審查及與國際企業洽談合作時，也能更具體說明自身技術價值與保護方式。
Edge AI邁向量產變現 模型部署與智財合規同步把關
除了精彩演講，這次論壇也邀請Edge AI Taiwan社群創辦人許哲豪博士與桓禾專利商標事務所所長蕭乃丞，以「解密邊緣AI商用變現防線：開源TinyML模型部署與全球專利合規陷阱」為題進行座談，由工研院南分院智慧產業推動與應用整合組專案組長黃建智主持，探討Edge AI由概念驗證走向量產時，企業面臨的模型部署、開源授權、專利風險與投資效益等問題。
許哲豪指出，Edge AI涵蓋MCU、MPU、AI PC、智慧型手機及伺服器，不同運算層級的開發方式差異很大。大型生成式AI模型多由業者預先訓練，企業可直接使用或微調；MCU與MPU上的辨識型AI則高度依賴應用場域，缺乏可通用於不同產品的資料集，智慧家電、感測器及物聯網設備往往需要重新蒐集資料、訓練模型。加上MCU的快閃記憶體、SRAM與算力有限，如何壓縮模型並維持辨識準確度，成為量產前的主要技術門檻。
他也提醒，模型開放不代表可免費商用，程式碼、預訓練權重及不同版本可能採用不同授權條款。以YOLO為例，部分Ultralytics版本採AGPL授權，封閉式商業產品若未遵守開源義務或購買商業授權，日後可能面臨補繳授權費及合規爭議。對資源有限的小型團隊而言，較可行的做法是利用開源工具快速完成概念驗證，再將農業辨識、設備診斷等領域知識與軟硬體調校能力封裝為專用裝置，形成難以直接複製的產品。
蕭乃丞提到，Edge AI產品的供應鏈包含模型庫、推論引擎、晶片驅動程式、BSP、第三方中介軟體、SDK及應用程式，任一環節違反開源條款或涉及專利侵權，都可能使最終產品承擔法律責任。企業也須區分開源授權與專利權，即使軟體採MIT或Apache等授權，仍不代表其中的方法或架構未涉及第三方專利。
因此，產品開發初期就應進行自由營運分析（FTO），利用WIPO PCT及主要市場的專利資料庫檢索相關權利，拆解競爭者的權利要求項，再以不同軟體邏輯或技術架構進行迴避設計。
智財保護則可採專利與營業秘密雙軌方式，適合公開且具有長期價值的技術可申請專利；生命週期短、領先時間約半年至一年的製程參數與調校經驗，則可透過權限控管、加密及保密制度保存。企業也應在研發前、研發中及產品上市後分階段審查，持續更新軟體物料清單（SBOM），並留意標準必要專利及海外市場的訴訟風險。
黃建智表示，算力下沉至MCU，為台灣IC設計、系統整合及眾多中小企業帶來新的產品機會，也讓企業直接面對國際平台業者的競爭。台灣業者長期累積的記憶體調度、低功耗設計與韌體調校能力，若能轉化為專利、營業秘密或垂直應用產品，便有機會由代工與客製開發延伸至具排他性的技術資產。
不過，Edge AI產品改版速度快，企業仍須在市場時效、投資報酬與合規成本間取得平衡，讓開源工具支援快速驗證，智財與法務審查可及早進入產品開發流程。
