技术咨询
代买器件
商务客服
研发客服打从2022年11月ChatGPT开放公众使用后，随即掀起一股大型语言模型（Large Language Model, LLM）风潮，乃至生成式人工智能（Generative Artificial Intelligence, GenAI）风潮，不过AI似乎有极大化与极小化的两线发展，小型化发展即是以AIoT为起点开始衍生出Edge AI、等，特别是，必须在有限的运算力、电力、成本、体积下实现AI，极具工程精进挑战。
对此有一名IoT开发工程师Jon Nordby发起一个案子，期望实现只需1美元（以料件成本而言）的，以此刷新TinyML的低成本纪录，项目名称姑且就叫1 dollar TinyML。
图一 : 目标只要1美元成本就能实现的TinyML电路板（图片来源：Jon Nordby）
硬件组成分析
目前这个项目的第一版（Revision 1）电路设计中有一颗PY32F003主控芯片，为上海普冉（Puya）半导体公司出品，其核心为Cortex-M0+；然后有一颗我国盛群半导体（Holtek）的BC7161芯片，该芯片是一颗蓝牙Beacon发送器芯片。有趣的是，主控芯片约是15美分，蓝牙发送器芯片则是20美分，比主控芯片还贵一些。
电路的核心由这两颗芯片所构成，Jon Nordby以此为基础分别提出两个板子的构想，一是动作传感器电路板，另一是声音传感器电路板，前者在两颗芯片外再搭配STMicro（意法半导体）的LIS2DH（或LIS3DH）加速度传感器（accelerator）；后者没有加速度传感器，改配置一个麦克风并搭配若干运算放大器（opamp）。
同样有趣的，加速度传感器与麦克风都是运用微机电系统（MEMS）技术制做而成，但加速度传感器用的是数字技术，麦克风用的则是模拟（analog）技术。
至于传感器的成本，加速度传感器约30美分，比主控芯片、发送器芯片都贵一些；麦克风与运算放大器等则为20美分，与发送器价格相当，但也是比主控芯片略贵。
两片传感器板子在感测上的配置不同外，其他方面大体相同，例如都有R红、G绿、B蓝、W白颜色的LED灯号；都有SPI接口的NOR型Flash闪存以便用来储存主控芯片的控制程序（韧体）；都有都使用锂电池（例如LIR1220型钮扣电池）运作，或可以用USB Type A供电运作，以及用其给锂电池充电等。
到这里简单估算一下成本，加速度传感器板15+20+30约65美分，声音传感器板15+20+20约55美分，其他林林总总考虑进去仍可能压在90美分左右，而发起人Jon Nordby表示只要产制个几百片，就有可能让每片低于1美元，如果不要电池或传感器等则可能再低一些。
图二 : 1 dollar TinyML板的构成组件（图片来源：Jon Nordby）
图三 : 1 dollar TinyML板雏型品的打造与测试（图片来源：Jon Nordby）
谈完硬件后其实也要谈软件，1 dollar TinyML直接兼容emlearn，这是给微控制器或嵌入式系统使用的一套机器学习软件，开发者可以在一般中大型系统上使用Python程序语言来训练模型，最后将模型放到微控器（Microcontroller）里去进行推论，只要该微控器能支持C99标准的编译程序（Compiler）即可。C99是指1999年的国际标准ISO/IEC 9899，属C语言标准。
小结
回到约十年前，2014年ESP8266芯片（属Espressif上海乐鑫科技）开始走红，走红的原因主要有二，一是网友贡献程序，使该芯片能直接用Arduino IDE进行开发，让多数只会使用Arduino的创客也能用ESP8266；二是ESP8266芯片实现成的系统电路板也只要5美元，当时便宜到让人不可思议。
也因为ESP8266的走红，之后在2016年才有ESP32芯片接替ESP8266，而后一路开展出各种ESP32系列芯片，甚至被Arduino官方用于新的正式电路板中。
循上述模式，标榜只要1美元的TinyML板或许也会引起一波旋风，毕竟平价是难以抗拒的吸引力，不过也有其他低价项目正在酝酿中，如BitNetMCU 框架，该框架使用CH32V003芯片，芯片一样只有15美分，且核心为免授权成本的RISC-V核心，这类的超平价TinyML方案是否能引起大众关注与响应，可能还有待时间考验。
延伸阅读
[1] 1 dollar TinyML专案（GitHub）：https://github.com/jonnor/embeddedml/tree/master/projects/dollar_tinyml
[2] 1 dollar TinyML专案（Hackaday）：https://hackaday.io/project/194511-1-dollar-tinyml
emlearn：https://github.com/emlearn/emlearn