1、嵌入式AI概述：什么是嵌入式AI、应用场景（智能家居、工业视觉）、技术栈全景图
大家好，我是你们这门课的老朋友。今天咱们聊聊嵌入式AI的入门话题。
说实话，我入行那会儿，嵌入式系统和AI还是两条平行线。一边是跑裸机程序的单片机，一边是云端跑模型的大服务器。谁能想到，现在这两条线已经拧成了一股绳？
1.1 到底什么是嵌入式AI？
嵌入式AI，说白了就是把人工智能算法塞进资源有限的嵌入式设备里。让摄像头、传感器、甚至一个电饭煲，都能自己“思考”和“决策”。
你想想看，传统的嵌入式系统只能执行预设好的逻辑——温度高了就关加热，光线暗了就开灯。但嵌入式AI不一样，它能识别出“这个人是陌生人还是家人”，能判断“这个声音是玻璃碎了还是猫打翻了杯子”。
核心区别一句话：
- 传统嵌入式：if-else 规则驱动
- 嵌入式AI：数据驱动 + 模型推理
我个人习惯把嵌入式AI拆成三个关键词来理解：
- 嵌入式：资源受限（内存小、算力低、功耗严）
- AI：模型推理（不是训练，是部署后的推理）
- 实时性：毫秒级响应，不能卡顿
嗯，这里要注意。很多人以为嵌入式AI就是把云端训练好的模型直接丢到芯片上跑。我在项目中遇到过这种想法，结果模型太大，芯片根本跑不动。所以，模型压缩和量化才是嵌入式AI的硬功夫。
1.2 应用场景：智能家居与工业视觉
聊完概念，咱们看看实际落地的地方。我挑两个最典型的场景说说。
1.2.1 智能家居
智能家居是嵌入式AI最亲民的战场。你家里的智能音箱、智能门锁、扫地机器人，其实都是嵌入式AI的载体。
- 语音唤醒：比如“小爱同学”，本地跑一个轻量级语音识别模型，不用联网就能唤醒
- 人脸识别门锁：摄像头采集图像，本地推理，识别出家人就开锁
- 跌倒检测：老人房里的摄像头，实时分析姿态，发现跌倒立刻报警
我曾经帮一个客户调试智能猫眼，他抱怨说“为什么晚上有人经过，猫眼就乱报警？”我一看，原来是模型没做低光照优化。后来加了数据增强和量化，误报率从30%降到了3%。
避坑指南：智能家居场景最怕功耗。我曾经为了省电，把模型推理频率从30fps降到5fps，结果用户反馈“画面卡顿”。后来发现，用事件触发代替持续推理才是正解——没人经过时休眠，有人经过才唤醒。
1.2.2 工业视觉
工业视觉是嵌入式AI的硬核战场。工厂里的质检、分拣、缺陷检测，全靠它。
- 表面缺陷检测：流水线上拍产品照片，模型判断有没有划痕、凹陷
- OCR字符识别：识别包装上的生产日期、批次号
- 目标定位：机械臂抓取零件，需要实时定位坐标
我记得有一次在产线上调试，发现模型在实验室跑得好好的，一到现场就频繁误检。排查了半天，原来是现场灯光频闪导致图像亮度波动。后来我在预处理环节加了自适应直方图均衡化，问题才解决。
警告：工业场景对实时性要求极高。我曾经见过一个项目，模型推理耗时50ms，但产线节拍要求30ms以内。最后只能把模型从ResNet换成MobileNet，再量化到INT8，才勉强达标。所以，选模型时一定要先算好时间预算。
1.3 技术栈全景图
好了，场景聊完了，咱们看看做嵌入式AI到底要掌握哪些技术。我画了一张全景图，帮你理清思路。
| 层级 | 技术内容 | 常用工具/框架 |
|---|---|---|
| 硬件层 | MCU、MPU、NPU、DSP、FPGA | STM32、i.MX、RK3588、Jetson |
| 系统层 | RTOS、Linux裁剪、驱动开发 | FreeRTOS、Yocto、Buildroot |
| 算法层 | 模型选型、训练、量化、剪枝 | TensorFlow Lite、ONNX、PyTorch |
| 推理层 | 模型部署、推理引擎、算子优化 | TFLite Micro、TensorRT、OpenCV DNN |
| 应用层 | 业务逻辑、通信协议、UI交互 | MQTT、LVGL、QT |
你想想看，这五个层级缺一不可。光会训练模型不行，你得懂硬件能不能跑；光会写驱动不行，你得懂模型怎么部署。这就是为什么嵌入式AI工程师这么稀缺——因为要跨的领域太多了。
我个人习惯把学习路径分成三个阶段：
- 入门期：先跑通一个TFLite Micro的demo，在STM32上点亮LED
- 进阶期：学会模型量化和剪枝，把模型大小压缩到原来的1/4
- 精通期：能针对特定硬件做算子优化，甚至自己写汇编加速
我的建议：别一上来就啃底层。先找个成熟的开发板（比如STM32F4 + 摄像头模块），跑通一个图像分类的demo。看到模型真的在单片机上跑起来了，那种成就感会推着你继续往下走。
最后说一句，嵌入式AI这个方向，说白了就是在螺丝壳里做道场。资源有限，但想象力无限。接下来的课程，我会带你一步步把这道场做精、做透。
下一章，咱们聊聊嵌入式AI的硬件选型——什么样的芯片适合跑模型？怎么选才不会踩坑？到时候见。