打從2022年11月ChatGPT開放公眾使用後，隨即掀起一股大型語言模型（Large Language Model, LLM）風潮，乃至生成式人工智慧（Generative Artificial Intelligence, GenAI）風潮，不過AI似乎有極大化與極小化的兩線發展，小型化發展即是以AIoT為起點開始衍生出Edge AI、TinyML等，特別是TinyML，必須在有限的運算力、電力、成本、體積下實現AI，極具工程精進挑戰。

對此有一名IoT開發工程師Jon Nordby發起一個案子，期望實現只需1美元（以料件成本而言）的TinyML感測器開發板，以此刷新TinyML的低成本紀錄，專案名稱姑且就叫1 dollar TinyML。

圖一 : 目標只要1美元成本就能實現的TinyML電路板（圖片來源：Jon Nordby）

硬體組成分析

目前這個專案的第一版（Revision 1）電路設計中有一顆PY32F003主控晶片，為上海普冉（Puya）半導體公司出品，其核心為Cortex-M0+；然後有一顆我國盛群半導體（Holtek）的BC7161晶片，該晶片是一顆藍牙Beacon發送器晶片。有趣的是，主控晶片約是15美分，藍牙發送器晶片則是20美分，比主控晶片還貴一些。

電路的核心由這兩顆晶片所構成，Jon Nordby以此為基礎分別提出兩個板子的構想，一是動作感測器電路板，另一是聲音感測器電路板，前者在兩顆晶片外再搭配STMicro（意法半導體）的LIS2DH（或LIS3DH）加速度感測器（accelerator）；後者沒有加速度感測器，改配置一個麥克風並搭配若干運算放大器（opamp）。

同樣有趣的，加速度感測器與麥克風都是運用微機電系統（MEMS）技術製做而成，但加速度感測器用的是數位技術，麥克風用的則是類比（analog）技術。

至於感測器的成本，加速度感測器約30美分，比主控晶片、發送器晶片都貴一些；麥克風與運算放大器等則為20美分，與發送器價格相當，但也是比主控晶片略貴。

兩片感測器板子在感測上的配置不同外，其他方面大體相同，例如都有R紅、G綠、B藍、W白顏色的LED燈號；都有SPI介面的NOR型Flash快閃記憶體以便用來儲存主控晶片的控制程式（韌體）；都有都使用鋰電池（例如LIR1220型鈕扣電池）運作，或可以用USB Type A供電運作，以及用其給鋰電池充電等。

到這裡簡單估算一下成本，加速度感測器板15+20+30約65美分，聲音感測器板15+20+20約55美分，其他林林總總考慮進去仍可能壓在90美分左右，而發起人Jon Nordby表示只要產製個幾百片，就有可能讓每片低於1美元，如果不要電池或感測器等則可能再低一些。

圖二 : 1 dollar TinyML板的構成組件（圖片來源：Jon Nordby）

圖三 : 1 dollar TinyML板雛型品的打造與測試（圖片來源：Jon Nordby）

談完硬體後其實也要談軟體，1 dollar TinyML直接相容emlearn，這是給微控制器或嵌入式系統使用的一套機器學習軟體，開發者可以在一般中大型系統上使用Python程式語言來訓練模型，最後將模型放到微控器（Microcontroller）裡去進行推論，只要該微控器能支援C99標準的編譯器（Compiler）即可。C99是指1999年的國際標準ISO/IEC 9899，屬C語言標準。

小結

回到約十年前，2014年ESP8266晶片（屬Espressif上海樂鑫科技）開始走紅，走紅的原因主要有二，一是網友貢獻程式，使該晶片能直接用Arduino IDE進行開發，讓多數只會使用Arduino的創客也能用ESP8266；二是ESP8266晶片實現成的系統電路板也只要5美元，當時便宜到讓人不可思議。

也因為ESP8266的走紅，之後在2016年才有ESP32晶片接替ESP8266，而後一路開展出各種ESP32系列晶片，甚至被Arduino官方用於新的正式電路板中。

循上述模式，標榜只要1美元的TinyML板或許也會引起一波旋風，畢竟平價是難以抗拒的吸引力，不過也有其他低價專案正在醞釀中，如BitNetMCU 框架，該框架使用CH32V003晶片，晶片一樣只有15美分，且核心為免授權成本的RISC-V核心，這類的超平價TinyML方案是否能引起大眾關注與響應，可能還有待時間考驗。

延伸閱讀

[1] 1 dollar TinyML專案（GitHub）：https://github.com/jonnor/embeddedml/tree/master/projects/dollar_tinyml

[2] 1 dollar TinyML專案（Hackaday）：https://hackaday.io/project/194511-1-dollar-tinyml

emlearn：https://github.com/emlearn/emlearn

（本文由VMAKER授權轉載；連結原文網址）