3、主流MCU平台对比：ARM Cortex-M系列、RISC-V架构、ESP32系列、STM32系列
做TinyML选型，说白了就是给算法找个合适的「家」。这个家不能太大（功耗高），也不能太小（跑不动）。
我这些年摸过的MCU平台，少说也有十几个。今天挑四个最主流的，跟你聊聊我的真实感受。
3.1 ARM Cortex-M系列：老牌劲旅
ARM Cortex-M系列，尤其是M4和M7，是TinyML领域的「常青树」。为什么？因为生态太成熟了。
核心优势：
- DSP指令集：M4以上都带单周期MAC（乘累加）指令，跑卷积快得很
- FPU：M4/M7有硬件浮点，省去软件模拟的麻烦
- CMSIS-NN：ARM官方出的神经网络库，优化到极致
我个人习惯用M7做音频类TinyML项目。比如关键词唤醒，M7跑一个2层CNN，推理时间能压到5ms以内。嗯，这里要注意：M7虽然性能强，但功耗也高。如果你做电池供电的设备，M4可能更合适。
避坑指南：
我曾经在M0上硬跑一个轻量级模型，结果发现没有硬件乘法器，一个卷积要算半天。后来换成M4，速度提升了8倍。所以，别在M0/M0+上做TinyML，那是自找麻烦。
3.2 RISC-V架构：新秀崛起
RISC-V这几年火得不行。为什么？开源、灵活、免费。
你想想看，ARM授权费多贵啊。RISC-V完全开源，想怎么改就怎么改。我有个朋友做定制芯片，直接在RISC-V核上加了自定义的矩阵运算指令，推理速度比同频的M7还快30%。
| 特性 | ARM Cortex-M4 | RISC-V (RV32IMC) |
|---|---|---|
| 指令集 | 专有 | 开源 |
| DSP扩展 | 有 | 可选（P扩展） |
| 生态成熟度 | 极高 | 中等 |
| 工具链 | Keil/IAR/GCC | GCC/LLVM |
不过，RISC-V也有短板。生态还不够完善，很多第三方库（比如TensorFlow Lite Micro）对RISC-V的支持还在路上。我建议：如果你团队有编译器背景，RISC-V是宝藏；否则，先观望。
3.3 ESP32系列：Wi-Fi/BLE全能选手
ESP32，乐鑫的明星产品。为什么单独拿出来说？因为它集成了Wi-Fi和蓝牙，天生适合IoT+AI场景。
我记得有个项目是做智能插座，需要本地语音识别+远程控制。用ESP32，一个芯片搞定所有。模型跑在它的Xtensa核上，Wi-Fi负责上报数据，完美。
ESP32在TinyML中的亮点：
- 双核240MHz：一个核跑模型，一个核跑通信
- 内置Wi-Fi/BLE：省去外挂模块的成本和功耗
- ESP-DL库：乐鑫官方出的深度学习库，针对人脸检测做了优化
但ESP32也有坑。它的SRAM只有520KB，跑大一点的模型（比如MobileNet V1）会爆内存。我建议：ESP32适合做传感器数据分类、关键词识别这类轻量级任务。图像分类？还是上Cortex-M7或者MPU吧。
注意：ESP32的ADC精度一般，做模拟信号采集时要注意。我曾经因为这个踩过坑，采集的音频信号噪声太大，模型准确率直接掉了15%。后来加了外部ADC才解决。
3.4 STM32系列：生态之王
STM32，意法半导体的王牌。说实话，我入行第一个项目就是用的STM32F103。这么多年过去了，它依然是TinyML的首选平台之一。
为什么？因为STM32CubeMX + X-CUBE-AI这个组合太强了。你只需要把训练好的模型（.h5或.tflite）导进去，它自动帮你生成优化后的C代码。我试过，一个2层全连接网络，STM32F4跑起来比手写优化快了40%。
| 型号 | 内核 | SRAM | Flash | 适合场景 |
|---|---|---|---|---|
| STM32F0 | M0 | 8KB | 64KB | 简单分类 |
| STM32F4 | M4 | 192KB | 1MB | 中等模型 |
| STM32H7 | M7 | 1MB | 2MB | 复杂推理 |
我个人习惯用STM32F4做原型验证。因为它的性价比最高，而且CubeMX生成的代码可以直接移植到H7上。嗯，这里有个小技巧：用CubeMX时，记得把「CPU频率」拉到最高，很多新手会忽略这个。
3.5 选型建议：到底选哪个？
说了这么多，你可能会问：那我到底选哪个？
我的建议很简单：
- 做原型验证：STM32F4系列，生态好，工具链成熟
- 做低功耗产品：ARM Cortex-M4（比如STM32L4），或者RISC-V（比如GD32V）
- 需要无线连接：ESP32，一个芯片搞定所有
- 追求极致性能：Cortex-M7或者带自定义指令的RISC-V
- 成本敏感：国产RISC-V芯片，比如博流BL602，价格低到离谱
最后说一句：没有最好的平台，只有最合适的。我见过有人在ESP8266（只有160KB SRAM）上跑通了语音识别，也见过有人用STM32H7做智能门锁。关键是你对硬件的理解有多深。
下一章，我会手把手教你用STM32CubeMX + X-CUBE-AI部署一个真实的TinyML模型。到时候你就知道，选对平台有多重要了。