很多场景不需要AI，传感器融合设置阈值已经够用了。嵌入式的AI的价值就这几点！

大家好，我是贺老师，嵌入式 AI工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。

很多场景可以通过传感器融合技术实现精准的检测，嵌入式 AI 有什么价值？

这个问题比"AI 能不能跑在单片机上"更关键。很多检测任务并不缺传感器，也不缺规则。温度、湿度、压力、振动、电流、气体浓度、pH、浊度、IMU、光照，这些数据经过滤波、温补、阈值、权重融合、投票和状态机，已经可以完成大部分判断。

所以必须先承认：很多场景确实不需要 AI。

但是，仍然有很多芯片原厂在推出自己的嵌入式AI方案，我感觉他们可能不纯粹是为了炫技，也有它真实存在的价值。

下面贺老师罗列出来可能用到嵌入式AI的场合，供大家讨论。

规则融合擅长处理已经明确的边界，比如温度超过 80℃、CO2 超过某个阈值、振动 RMS 超过门限、pH 超出范围。但很多异常不是突然越界，而是先出现长期趋势变化。

设备预测维护就是典型例子。电机的温度、振动、电流都没超标，但振动频谱、启动电流斜率和温升速度的组合关系已经开始偏离历史正常状态。传统规则当然可以继续写，但规则会越来越多，越写越像补丁。

AI 更适合学习"正常模式"。它可以基于多个传感器的时间窗口判断当前状态是否偏离平时的运行规律。这个能力在水质、空气质量、农业大棚、冷链运输、电机维护、泵站监测里都很常见：单点数据正常，但多点关系开始变得不正常。

这类场景里，AI 的价值不是给最终判决，而是提前提示风险，让系统在真正越界之前进入复核、降载、巡检或加密采样。

传感器融合不是只能做简单阈值，它也可以很复杂。但当传感器之间的关系受到季节、负载、人为操作、环境扰动、安装位置和设备老化影响时，纯规则会变得越来越难维护。

空气质量监测中，PM、温湿度、CO2、VOC、风速和门窗状态会互相影响；农业环境里，土壤湿度、温度、光照、CO2、叶面湿度和灌溉行为之间也存在耦合；运动检测里，IMU、气压计、心率、GPS 的关系会随佩戴方式和人体动作变化。

这些场景不是传感器融合不能做，而是规则会非常长、非常碎、非常依赖人工经验。AI 可以把这些复杂关系压缩成一个分类、异常分数、健康度或风险等级，让规则系统不必手写所有组合情况。

更准确地说，AI 不是替代传感器融合，而是把传感器融合后的时间窗口、特征和上下文关系进一步建模。

现场系统最麻烦的地方，是传感器本身也会出问题。气体传感器会老化，水质探头会污染，振动传感器安装会松动，IMU 会有零偏，温湿度传感器会受位置影响。融合算法如果默认所有输入都可信，就可能把坏数据融合得更"像真的"。

AI 可以用于传感器健康诊断。比如某个传感器长期单向漂移，某个指标和其他指标的历史关系开始不匹配，某个测点突然变得过于平滑或过于抖动，这些都可能不是现场真的变化，而是传感器状态变化。

在无人值守设备里，这个能力很实用。它能提醒维护人员"这次报警可能来自传感器污染"，也能提醒系统"这个传感器暂时降低权重"。这不是炫技，而是提高长期运行可信度。

很多指标不能低成本、低维护、长期在线直接测。水质里的 COD、BOD 或某些污染风险，空气中的复杂 VOC 组成，设备里的真实磨损程度，农业里的病害风险，都可能无法靠一个便宜传感器直接给出。

这时 AI 可以做软测量：用容易采集的传感器组合，估计一个难以直接测量的风险分数、健康度或趋势。它不一定替代实验室检测或专业仪器，但可以帮助系统决定哪里需要重点检查，什么时候需要人工复核，哪些设备应该提前维护。

缺失补偿也是类似逻辑。某个传感器短时间失效时，系统可以根据其他传感器和历史模式估计一个临时状态。当然，这种估计必须带置信度，不能把估计值当成强制控制依据。

欢迎有不同意见的同学们，在评论区讨论、交流！