论文标题
Tiny Machine Learning (TinyML): Research trends and future application opportunities
《微型机器学习（TinyML）：研究趋势与未来应用机遇》
作者
Hui Han（瑞典吕勒奥理工大学计算机、电气与空间工程系）
Silvana Trimi、Sang M. Lee（美国内布拉斯加大学林肯分校供应链管理与分析系）
论文出处
Array 第29卷（2026），文章编号100674，Elsevier开放获取
研究目的
首次对2020-2024年间Web of Science收录的392篇TinyML同行评议文献进行量化计量分析，绘制全球研究版图，揭示增长轨迹、核心主题、高产作者与机构、国际协作网络及高被引文献，为未来可扩展、高能效、隐私友好的TinyML应用提供学术基线与战略路线图。
核心概念
TinyML指在功耗与资源极度受限的微型设备（微控制器、传感器）上部署机器学习，实现本地实时推理，降低云依赖，兼顾隐私、低延迟与极低功耗。
研究设计
检索式：topic 含 "tinyml" 或 "tiny machine learning"，时间 2020-01-01 至 2024-05-31，语种限定英语，文献类型限定同行评议期刊、会议、综述，去重后得392篇。工具：R语言Bibliometrix套件与Biblioshiny做描述统计，VOSviewer做网络可视化与聚类。可靠性措施：单一高质量WoS源避免引文格式冲突，随机人工抽检元数据，双工具交叉验证网络结构。
主要发现
出版与引用
五年呈指数增长，年均增幅59%；2022年达峰值194篇。篇均被引4.6次，篇均作者4.4人，32.9%为国际合著。会议论文190篇、期刊论文186篇，反映领域既重前沿进展也重系统实现。
学科分布
电气电子工程228篇居首，计算机科学理论与方法、人工智能、通信、仪器仪表、硬件体系结构等紧随其后，凸显跨学科特征。
作者生产力
符合Lotka定律：79.5%作者仅发1篇，6.4%发3篇及以上，显示仍处"探索期"，核心骨干队伍正在形成。
研究热点
关键词共现网络以"tiny machine learning"(286次)、"machine learning"(77次)、"Internet of Things"(76次)为核心；"microcontroller""edge computing"(各51次)快速上升；边缘智能、深度学习优化、能量采集、可穿戴、异常检测、关键词识别、低功耗广域网、FPGA、RISC-V、片上系统等构成紧密关联的子簇。
国家/地区表现
60国参与，意、印、瑞、美总被引领先；按篇均引用，尼日利亚(28.5)、西班牙(11.1)、印度(9.4)居高，显示"小而精"研究同样具有高影响。
高被引文献
Sanchez-Iborra 2020 关于"TinyML-enabled Frugal Smart Objects"以全球被引134次、本地被引76次位居第一；Wang XY 的 FANN-on-MCU 工具链与 Ray PP 的综述分列其后，这些奠基性工作确立了硬件-软件协同、资源极度受限推理、IoT 融合等研究方向。
未来研究方向（作者综合11篇综述后提炼的九大趋势）
先进科技融合
多模态传感（IMU、音频、图像、气压计等）提升情境感知；边-云连续体实现训练上云、推理在端；AR/VR 本地识别降低眩晕与延迟。
可持续 TinyML
剪枝、量化、知识蒸馏与脉冲神经网络进一步降能耗；可降解、可回收 MCU 与传感器减少电子垃圾；环境能量采集（光、振动能）支撑"无电池"部署。
人本设计
ASIC、神经形态芯片为特定场景定制硬件；可穿戴健康监测、辅助交互需个性化模型，支持增量学习、迁移学习与用户偏好自适配。
伦理与监管
关注数据偏差、模型可解释性与社会接受度；建立公平、透明、可追溯的 TinyML 开发流程与政策框架。
协同创新
跨学科（农业、医疗、环境、数据科学、芯片设计）与产学研深度协作，共建开源框架、共享基准数据集、联合测试床，加速技术落地。
变革性应用
智慧城市：实时交通、垃圾、能耗管理；环境监测：低成本空气、水质、生态传感网；精准农业：土壤、作物、虫害实时模型指导灌溉施肥；远程医疗：超低功耗诊断与生命体征连续监控。
韧性系统
轻量级故障自诊断、冗余执行与自适应重配置，使设备在部分失效或网络断连时仍可维持功能，适用于工业控制与车载等关键场景。
进化框架与模型
框架需支持动态模型更新、安全固件升级与异构硬件抽象；模型侧探索联邦边缘训练、自监督 continual learning 与零样本/小样本压缩，实现"越用越聪明"。
安全与隐私增强
面向 MCU 的轻量椭圆曲线、同态加密与可信执行环境；无监督异常检测实时发现数据投毒、模型窃取或物理攻击，保障医疗、支付等敏感场景的数据机密性与模型完整性。
结论
TinyML 在过去五年呈现爆发式增长，已形成国际化、跨学科、软硬件协同的研究生态；未来需在技术融合、绿色低碳、人本设计、伦理规范、产业协同、韧性安全六大维度持续突破，才能充分释放其在智慧城市、环境、农业、健康等场景的变革潜能。