二、硬件平台选型：主流低功耗MCU对比与AI加速器简介
好，咱们进入第二章。硬件选型这事儿，说简单也简单，说复杂也复杂。我见过不少朋友，一上来就盯着最高性能的芯片猛冲，结果电池撑不过半天。也有朋友过于保守，选了颗8位单片机，跑个简单的语音识别都卡成PPT。
我个人习惯是：先定功耗预算，再谈算力需求。你想想看，边缘AI设备最怕什么？不是算力不够，是电不够用。今天咱们就把市面上三颗主流低功耗MCU掰开揉碎聊一聊，再讲讲NPU和DSP这些加速器到底能帮你省多少电。
2.1 三颗主流低功耗MCU横向对比
这三颗芯片，我这两年项目里都用过。说实话，没有完美的芯片，只有最适合你场景的芯片。
| 参数 | STM32U5 | ESP32-S3 | nRF5340 |
|---|---|---|---|
| 核心架构 | ARM Cortex-M33 | Xtensa LX7双核 | ARM Cortex-M33 + M4F |
| 最高主频 | 160 MHz | 240 MHz | 128 MHz / 64 MHz |
| SRAM | 最大2.5 MB | 512 KB | 512 KB + 64 KB |
| Flash | 最大4 MB | 16 MB (外挂) | 1 MB + 256 KB |
| AI加速单元 | 无（依赖M33+DSP指令） | 向量扩展指令 | 无（依赖M4F FPU） |
| 典型待机功耗 | ~1.5 µA (备份模式) | ~5 µA (深度睡眠) | ~0.9 µA (全保留) |
| 无线连接 | 无（需外挂） | WiFi 4 + BLE 5.0 | BLE 5.4 + NFC |
| 典型价格(批量) | $3 - $6 | $2 - $4 | $4 - $7 |
我的选型建议：
- 追求极致低功耗 + 需要BLE： 选 nRF5340。它的待机功耗是这三颗里最低的，而且双核架构让协议栈和应用程序完全隔离。我在做医疗手环项目时用过它，一颗纽扣电池撑了半年。
- 需要WiFi传输 + 中等AI算力： 选 ESP32-S3。它的向量扩展指令跑轻量级神经网络很顺手，而且生态成熟，社区资源多。但注意，它的深度睡眠功耗偏高，不适合需要频繁唤醒的场景。
- 需要大内存 + 高可靠性： 选 STM32U5。2.5 MB的SRAM在MCU里算巨无霸了，跑TinyML模型不用频繁搬数据。不过它没有内置无线，得外挂蓝牙或WiFi模块。
2.2 AI加速器：NPU与DSP到底能帮你省多少电？
很多朋友问我：「我直接用MCU的CPU跑AI不行吗？」行，当然行。但你要算一笔账。
举个例子，一个简单的关键词唤醒模型，在Cortex-M4上跑一次推理大概需要50毫焦耳。如果换成带NPU的芯片，同样的模型可能只需要5毫焦耳。你想想看，如果设备一天要唤醒1000次，那省下来的电量就非常可观了。
2.2.1 DSP（数字信号处理器）
DSP说白了就是一颗专门做数学运算的「偏科生」。它擅长做卷积、FFT、滤波这些重复性高的运算。我早期做语音降噪项目时，用STM32的CMSIS-DSP库做FFT，比纯CPU快了将近8倍。
但要注意，DSP不是万能的。它只能加速特定类型的运算，如果你的模型里全是全连接层和激活函数，DSP的优势就不明显了。
避坑指南： 我曾经在一个项目里，想用DSP加速一个3层全连接网络。结果折腾了两周，发现加速比只有1.2倍。后来换成卷积网络，加速比直接飙到6倍。所以，用DSP前先看看你的模型结构，别白费功夫。
2.2.2 NPU（神经网络处理器）
NPU是专门为神经网络设计的硬件。它内部有大量的乘累加单元，可以并行处理矩阵运算。现在很多低功耗MCU也开始集成NPU了，比如NXP的i.MX RT系列、瑞萨的RA8系列。
NPU的好处是：你几乎不需要改模型代码，把训练好的模型量化后丢进去，它就能自动加速。我去年用RA8做的一个视觉唤醒项目，CPU跑要120毫秒，NPU跑只要8毫秒，功耗还降了70%。
重要提醒： NPU虽然快，但有两个坑要注意：
- 模型量化精度损失： 大部分NPU只支持INT8运算，模型从FP32量化到INT8，精度可能会掉1%-3%。
- 算子支持有限： 不是所有神经网络算子NPU都支持。比如某些NPU不支持LSTM或Transformer，你得用CPU回退。
2.3 开发板推荐：从入门到实战
选好了芯片，接下来就是开发板了。我个人建议：别买太贵的，也别买太便宜的。太贵的烧了心疼，太便宜的调试起来想砸桌子。
| 芯片 | 推荐开发板 | 参考价格 | 适合场景 |
|---|---|---|---|
| STM32U5 | NUCLEO-U575ZI-Q | ~¥200 | 低功耗传感器、工业监测 |
| ESP32-S3 | ESP32-S3-DevKitC-1 | ~¥80 | 语音唤醒、WiFi传输 |
| nRF5340 | nRF5340 DK | ~¥400 | 可穿戴、医疗设备 |
我的个人推荐：
如果你是第一次接触低功耗AI，我建议从ESP32-S3-DevKitC-1开始。原因有三：
- 便宜，烧了不心疼
- 自带WiFi和BLE，调试方便
- 乐鑫的ESP-DL库对AI支持很好，上手快
等你把基础跑通了，再考虑nRF5340做产品化，或者STM32U5做工业级应用。
2.4 小结：选型决策树
嗯，说了这么多，最后给大家一个简单的决策思路：
- 需要无线连接吗？
- 需要WiFi → ESP32-S3
- 只需要BLE → nRF5340
- 不需要无线 → STM32U5
- AI模型大小？
- 小于100KB → 三颗都能跑
- 100KB - 500KB → STM32U5（内存大）或 ESP32-S3（向量加速）
- 大于500KB → 考虑外挂NPU或换更高性能芯片
- 待机功耗要求？
- 低于2µA → nRF5340
- 2µA - 10µA → STM32U5
- 高于10µA → ESP32-S3
好了，这一章就到这里。下一章咱们聊聊具体的开发环境搭建，我会手把手教你配置STM32CubeIDE和ESP-IDF。到时候见！