ST收购Deeplite：MCU未来的主战场

近日，意法半导体收购AI初创公司Deeplite的消息曝光，引来了MCU业界的关注。

DeepLite（Deeplite）是一家专注于深度学习优化的AI软件公司，成立于2018年，总部位于加拿大蒙特利尔，CEO Nick Romano在AI领域有丰富的经验。其主要核心技术包括：

- 深度学习模型优化：DeepLite的核心产品是其优化软件，能够将大型深度学习模型进行压缩和优化，使其在资源受限的边缘设备上高效运行。

- 自动化神经网络架构设计：DeepLite的软件能够自动化设计神经网络架构，大大减少了以往需要人工反复测试的时间和错误。

- 针对不同硬件平台的解决方案：DeepLite与多家硬件供应商合作，提供针对RISC-V CPU等不同硬件平台的优化方案。

DeepLite的核心能力，在于通过多种方式降低深度学习模型的功耗，主要通过优化模型结构、减少计算复杂度和存储需求，以及提高模型在硬件上的执行效率来实现。

具体地分析，DeepLite做的工作包括：

1、模型压缩与量化

- 权重剪枝（Weight Pruning）：通过移除模型中不重要的权重（即接近零的权重），减少模型的参数数量。剪枝后的模型在计算时需要处理的参数更少，从而降低了计算复杂度和功耗。

- 量化（Quantization）：DeepLite的量化技术可以在几乎不损失模型精度的情况下，将模型的存储需求减少数倍，并显著降低计算功耗。

2、 优化模型结构

- 自动化架构设计（AutoML）：利用自动化机器学习技术，DeepLite能够设计出更适合特定硬件和应用场景的神经网络架构。可以将深度学习模型的推理速度提高数倍，同时显著降低功耗。

- 稀疏化（Sparsification）：通过使模型的权重矩阵稀疏化，即增加零值权重的比例，减少实际计算的次数。可以显著减少模型的计算量，从而降低功耗。

3、硬件适配与优化

- 针对特定硬件的优化：可以根据不同的硬件平台（如RISC-V CPU、Arm Cortex-M系列等）进行定制优化。

- 内存访问优化：通过优化模型的内存访问模式，减少内存访问的次数和延迟。

4、减少数据传输

DeepLite的优化技术使得模型可以在本地设备上运行，减少了数据传输到云端或服务器的需求。数据传输本身会消耗大量功耗，尤其是在无线通信中。

某种角度上看，DeepLite简直就是边缘AI的DeepSeek。DeepLite通过模型压缩、量化、优化模型结构、硬件适配和减少数据传输等多种技术手段，显著降低了深度学习模型的功耗。这些技术不仅提高了模型的执行效率，还使得复杂的AI模型能够在资源受限的物联网设备上高效运行，推动了物联网设备的智能化和节能化发展。

2019年DeepLite与晶心科技合作，将DeepLite的优化技术与晶心的RISC-V CPU相结合，推动深度学习模型在边缘设备上的应用。其优化后的模型在执行时间上比TensorFlow Lite Micro的模型快了9%，模型大小减少了1.7倍，同时功耗显著降低。

对于意法半导体这样的MCU巨鳄来说，这个收购显然非常匹配。

1、DeepLite在模型优化、量化和压缩方面有独特技术，可使AI大模型在边缘设备上运行得更快、更小、更节能。ST作为半导体巨头，收购DeepLite后，能将后者的软件解决方案与自身先进的MCU和NPU相结合，打造全球领先的边缘AI平台。

2、DeepLite能够提供最先进的模型、针对AI处理器的预先优化以及训练和部署模型到生产环境所需的工具，这将大大加速ST NPU的采用，并缩短AI应用的上市时间。

ST一直以来都在通过收购等方式来补充和部署技术和产品资源，以实现纵向和横向扩展。收购DeepLite是其在AI领域的重要布局，有助于ST在未来的市场竞争中占据更有利的位置，更好地满足客户对高性能、低功耗AI解决方案的需求，从而在AI芯片市场中占据更大的份额。

早在2021年，意法半导体就收购了法国边缘AI软件专业开发公司Cartesiam，基于ARM平台开发AI开发工具，并推出了带有神经网络硬件处理单元（Neural-Art Accelerator）的通用微控制器——STM32N6。

今年4月10日，意法半导体发布年报时披露了其公司战略的更多细节，其中最核心的部分就有：“部署更多人工智能和自动化技术，优先投资面向未来的基础设施”，这一规划与该公司此次对Deeplite的收购行动不谋而合。

这个收购案也预示着未来MCU（微控制器）的主战场正在向边缘AI计算领域转移。

其他几家MCU大厂也在不断收购该领域的初创企业并紧锣密鼓地准备迎战。

瑞萨：收购Reality AI，提供TinyML解决方案。

英飞凌：收购瑞典Imagimob公司，提升其微控制器和传感器上的TinyML边缘 AI 功能。

恩智浦：已推出机器学习软件eIQ软件和AI工具链NANO.AI。

随着边缘计算和AIoT（人工智能物联网）的发展，AI芯片的市场争夺逐渐向边缘侧转移。据预测，到2025年，75%的数据将在边缘侧进行处理，端侧AI MCU市场潜力巨大。这表明边缘AI计算的需求正在快速增长，MCU作为边缘设备的核心组件，将在这一趋势中发挥重要作用。

未来的MCU不再局限于传统控制功能，而是逐渐集成AI推理能力，用于图像识别、语音处理、设备预测性维护等场景。具备边缘计算能力的MCU凭借低功耗、高效性能、即时响应等特性，成为边缘算力的重要载体，为智能设备和系统提供更强大的支持。