打从2022年11月ChatGPT开放公众使用後，随即掀起一股大型语言模型（Large Language Model, LLM）风潮，乃至生成式人工智慧（Generative Artificial Intelligence, GenAI）风潮，不过AI似??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、TinyML等，特别是TinyML，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??实现只需1美元（以料件成本而言）的TinyML感测器开发板，以此刷新TinyML的低成本纪录，专案名称姑且就叫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）

硬体组成分析

目前这个专案的第一版（Revision 1）电路设计中有一颗PY32F003主控晶片，为上海普冉（Puya）半导体公司出品，其核心为Cortex-M0+；然後有一颗我国盛群半导体（Holtek）的BC7161晶片，该晶片是一颗蓝牙Beacon发送器晶片。有趣的是，主控晶片约是15美分，蓝牙发送器晶片则是20美分，比主控晶片还贵一些。

电路的核心由这两颗晶片所构成，Jon Nordby以此为基础分别提出两个板子的构想，一是动作感测器电路板，另一是声音感测器电路板，前者在两颗晶片外再搭配STMicro（意法半导体）的LIS2DH（或LIS3DH）加速度感测器（accelerator）；後者没有加速度感测器，改配置一个麦克风并搭配若干运算放大器（opamp）。

同样有趣的，加速度感测器与麦克风都是运用微机电系统（MEMS）技术制做而成，但加速度感测器用的是数位技术，麦克风用的则是类比（analog）技术。

至於感测器的成本，加速度感测器约30美分，比主控晶片、发送器晶片都贵一些；麦克风与运算放大器等则为20美分，与发送器价格相当，但也是比主控晶片略贵。

两片感测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介面的NOR型Flash快闪记忆体以便用来储存主控晶片的控制程式（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，加速度感测器板15+20+30约65美分，声音感测器板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，就有可能让每片低於1美元，如果不要电池或感测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）

谈完硬体後其实也要谈软体，1 dollar TinyML直接相容emlearn，这是给微控制器或嵌入式系统使用的一套机器学习软体，开发者可以在一般中大型系统上使用Python程式语言来训练模型，最後将模型放到微控器（Microcontroller）里去进行推论，只要该微控器能支援C99标准的编译器（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晶片（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式，使该晶片能直接用Arduino IDE进行开发，让多数只会使用Arduino的创客也能用ESP8266；二是ESP8266晶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，之後在2016年才有ESP32晶片接替ESP8266，而後一路开展出各种ESP32系列晶片，甚至被Arduino官方用於新的正式电路板中。

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，不过也有其他低价专案正在酝酿中，如BitNetMCU 框架，该框架使用CH32V003晶片，晶片一样只有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

（本文由VMAKER授权转载；连结原文网址）