大家好，我是子衡，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》主理人，专注AI在MCU上的落地实践。
零基础速通嵌入式AI（关注我免费领取嵌入式AI资料）
很多嵌入式工程师一听到"AI""神经网络""模型部署"这几个词，第一反应不是兴奋，而是本能地往后退一步。原因也很真实。
一是觉得自己不会 Python；
二是觉得自己没学过深度学习；
三是觉得 AI 这种东西，应该是算法工程师、研究生、做大模型的人才碰的，和写 STM32、做驱动、调外设的自己没太大关系。
其实，"在 STM32 上跑通第一个AI 模型"这件事，实际门槛并没有很多人想象得那么高。
如果你现在会用 STM32CubeMX、会写一点 C、会烧录程序、会看串口输出，那么你距离 TinyML 的第一个 Demo，其实已经没有你想象中那么远了。
一、误区：单片机跑 AI，不等于单片机训练 AI
很多人一提到"单片机跑 AI"，脑子里会自动补出一个非常夸张的画面：
MCU 在板子上一边采数据，一边自己训练神经网络，一边还要更新参数。
然后马上得出结论：这肯定不可能，STM32 哪有这个算力。其实，这就是最典型的误解。因为在绝大多数 TinyML 项目里，训练和推理是分开的。
我公众号中的"老演员"上场，就是下面的这个TinyML的工作流：
从上面图片可以看出，其实模型训练，是在PC或者云端进行的。我们可以用 TensorFlow、Keras、Edge Impulse，或者别的训练工具，把模型先训练好。
推理，才发生在MCU上。也就是把已经训练好的模型放进 MCU，让它接收输入数据，然后算出结果。
训练：吃大量数据，反复调整参数，计算量很大，通常在 PC 上完成。
推理：拿一个已经固定好的模型，根据输入算输出，计算量远小于训练，可以在 MCU 上完成。
所以，对于嵌入式工程师来说，需要先认清楚一句话：
我不是先去做 AI 研究，我是先把一个训练好的模型，放进 STM32，让它真实运行起来。
二、为什么 TinyML 的入门 Demo，几乎都喜欢用正弦波？
如我的文章中介绍的"在STM32F103单片机上跑通AI模型：为什么选正弦波作为Hello World？"，运行正弦波模型就是TInyML世界的Helloworld。它简单、干净、直观，而且特别适合把整条流程一次讲明白。
所谓正弦波 Demo，本质上就是：让模型学习y=sinx(x)这个函数关系。
如果模型学得对，MCU 输出的曲线就会和真实正弦曲线很接近；如果模型没学好，曲线会明显偏掉。
其实，我们在实际产品的设计过程中，完全可以参考正弦波y=sinx(x)函数去训练更复杂的公式或者曲线。
三、不会 Python，可以学 TinyML 吗？
答案是可以，但我们不能完全不碰。
这里要分层看。
第一层：我们可以先不会"写训练代码"，但不能永远不理解训练流程
入门阶段，我们完全可以先用现成的notebook、现成的训练脚本，甚至先用别人已经训练好的模型，把注意力放在部署与推理这部分。
这时候最重要的事情不是自己写复杂的训练程序，而是理解：理解数据长什么样；模型输入输出是什么；STM32上如何调用推理；结果如何验证。
这一步的目标很明确：先把第一个 Demo 跑起来，再回头补 Python。
第二层：我们至少要会"看懂"和"改少量"Python
真正做项目的时候，我们迟早还是要接触 Python的。因为数据处理、模型训练、模型转换这些环节，绝大多数都在 Python 生态里完成。
但这里的重点不是"先把 Python 学成高级开发"，而是：我们至少能看懂数据读进来了没有；知道训练参数在哪改；知道模型最后是怎么导出成 .tflite 的；知道归一化参数以后 MCU 端要同步。
也就是说，TinyML 对 Python 的要求，和"做一个 Python 后端项目"完全不是一回事。
第三层：越往后走，Python 会越来越重要，但不是第一个门槛
如果我们后面要自己设计数据采集方案、自己做模型实验、自己优化精度和资源占用，那 Python 一定得补。
但那是第二阶段、第三阶段的事，不是"第一个 STM32 跑 AI Demo"的前置条件。
四、不会深度学习，可以学 TinyML 吗？
这个问题和"会不会Python"其实一样，不过很多人把顺序搞反了。
很多人一想到深度学习，就想到反向传播、梯度下降、损失函数、激活函数、卷积、量化感知训练......然后立刻放弃。
但对嵌入式工程师的入门阶段来说，最先需要掌握的，不是这些推导，而是下面几件更实际的事。
-
第一，我们要知道模型本质上就是输入和输出之间的一种映射关系。
-
第二，我们要知道训练阶段是在"调参数"，推理阶段是在"用参数"。
-
第三，我们要知道 MCU 上真正跑起来的，是一个已经固定好的模型，不是训练过程本身。
-
第四，我们要知道嵌入式端最重要的有时不是模型精度，而是资源、延迟、稳定性、可验证性。
我们先把这四件事吃透，再回头补神经网络理论，理解速度会快很多。因为这个时候，我们脑子里不再只有抽象名词，而是已经有了工程对象：
输入是什么，输出是什么，模型多大，放在哪里，怎么调用，推理一次要多久，RAM 够不够。
嵌入式工程师最大的优势，不是先会公式，而是天然擅长把复杂系统拆成模块。
五、为什么说：嵌入式工程师其实比很多人更适合学 TinyML？
原因很简单，因为我们嵌入式工程师有天然优势。
很多纯算法背景的人，训练模型可能很强，但一旦到了 MCU 上，就会遇到一堆不习惯的问题：没有操作系统；没有动态内存；没有大容量 RAM；外设、采样、定时器、DMA、串口输出，全都得自己管。
而这些，恰恰是嵌入式工程师的主场。
我们可能不熟悉神经网络，但我们熟悉：资源约束；实时性；数据采样；中断和主循环；内存布局；部署与验证。
这意味着，当我们要补上TinyML的知识的时候，不是全部重新学习，而是在现有能力上加一层新能力。 不是从 0 到 1 全部重来，而是从"会写嵌入式程序"升级到"会让嵌入式系统带一点智能"。
从职业发展看，真正危险的不是我们现在不会 AI，而是还一直把 AI 当成"和我无关"，或者把AI当成我们的"搜索引擎"或者聊天工具。
六、学习TInyML，最正确的学习顺序，不是先啃理论，而是先跑通闭环
根据我的经验，学习TInyML的正确的顺序应该是：
第一步：先理解TinyML的整体流程
不需要去背诵神经网络的各类名词，搞清楚TInyML中的整个工作流程即可。
第二步：先跑通一个最小 Demo
如我们前面文章中讲解的那样，跑通一个正弦波模型就是一个最好的起点。
第三步：理解 TFLite Micro 的核心结构
当我们已经看到模型在 STM32 上跑起来了，再去理解 Model、Interpreter、Tensor、Tensor Arena，这些概念会非常快。因为我们知道它们不是书本名词，而是工程里的真实对象。
第四步：补一点 Python 和最基础的数据处理
这时候再去看 notebook、训练脚本、数据切分、归一化，会轻松很多。
因为我们知道这些东西最后是为谁服务的。
第五步：最后再碰真实传感器项目
比如动作识别、声音检测、模拟量异常检测、振动预测维护。
到了这一步，TinyML 才真正开始从 Demo 走向应用。
七、最后说一句最实在的话
不会 Python，不代表你不能学 TinyML。；不会深度学习，不代表不能在 STM32 上跑起第一个模型； 不会自己设计模型，也不代表不能先把推理链路打通。
真正能把人挡在门外的，往往不是技术本身，而是错误的学习顺序。
所以，我们需要先接受这样一个事实：
"我现在的目标，不是成为算法专家，而是先让 STM32 真正跑起第一个 AI 模型。"
当我们理解了上面的逻辑，就会"让单片机运行AI"这件事变得简单很多。