这里是《贺老师讲嵌入式AI》，我是《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。

很多人第一次听到“单片机跑神经网络”，脑子里会自动浮现两个疑问：单片机没有操作系统、没有显卡、没有 Python，它凭什么能跑 AI？答案并不神秘：部署到 MCU 上的神经网络，本质上就是一段固定的数值计算流程。

一、先把神经网络当成一个 C 函数

在单片机工程里，我们每天都在写函数。读取 ADC 是函数，计算温度是函数，判断按键状态也是函数。神经网络推理也可以先按这个方式理解：给它一段输入数组，它按照固定顺序计算，最后返回一段输出数组。

比如一个姿态识别模型，输入可能是 1 秒钟的三轴加速度数据；一个故障检测模型，输入可能是 256 个采样点的振动波形；一个关键词识别模型，输入可能是一小段音频特征。模型并不会在单片机上重新学习，它只会把这段输入按训练后确定下来的参数算一遍。

推理阶段最关键的一句话：权重和偏置已经确定，MCU 只负责把输入代入固定计算流程，得到输出结果。

如果用 C 语言写一个极简接口，它可能长这样：

void model_run(const int8_t *input, int8_t *output) { /* 真实工程里，这里通常由 TFLite Micro、STM32Cube.AI、 CMSIS-NN 或厂商推理库生成/调用。 */ dense_layer_0(input, hidden_buffer); relu(hidden_buffer); dense_layer_1(hidden_buffer, output); }

这段代码没有“思考”的过程，只有确定的输入、确定的参数和确定的计算顺序。它和普通业务函数的差别，不在于执行方式突然变神秘，而在于函数内部的参数不是程序员手写出来的规则，而是训练阶段从数据中拟合出来的数值。

二、权重和偏置是什么？先别想复杂，就是常量数组

神经网络里经常出现两个词：权重和偏置。它们听起来像算法术语，落到固件里其实就是一批数字。权重决定输入特征之间怎么组合，偏置用于调整计算结果的基准位置。训练结束后，这些数字会被导出成模型文件，再被转换工具变成 MCU 能链接进去的数据。

最小的例子可以从一个全连接层看起。假设输入有 3 个数，输出有 2 个数，那么每个输出都要和 3 个输入做乘加，再加上一个偏置：

static const int8_t W[2][3] = { { 12, -7, 4 }, { -3, 9, 11 } }; static const int32_t B[2] = { 128, -64 }; void dense_3_to_2(const int8_t x[3], int32_t y[2]) { for (int out = 0; out < 2; out++) { int32_t acc = B[out]; for (int in = 0; in < 3; in++) { acc += (int32_t)x[in] * (int32_t)W[out][in]; } y[out] = acc; } }

这就是很多神经网络算子的核心影子：数组读取、乘法、加法、循环、结果写回。卷积层比这个例子多了窗口滑动和通道循环，深度可分离卷积多了不同的计算组织方式，激活函数会把结果限制到某个范围，但底层仍然离不开“按固定顺序读数组并做数值计算”。

所以单片机能够运行神经网络，并不是因为它具备了某种抽象智能，而是因为神经网络推理可以被编译成 MCU 能执行的指令：读 Flash 里的权重，读 RAM 里的输入和中间结果，用 CPU/DSP/NPU 做乘加，最后把输出写回 RAM。

三、输入输出不是随便塞进去的数组，而是有格式约束的接口

普通 C 函数只要参数类型对得上，很多时候就能运行。模型推理函数也有输入输出接口，但它对数据格式更敏感。输入长度、排列顺序、量化比例、预处理方式必须和训练时保持一致，否则模型会正常运行，却输出不可信的结果。

输入长度

训练时用 128 个采样点，板端就不能临时改成 100 个点。长度变了，后面的权重矩阵维度就对不上。

数据顺序

训练时按 ax、ay、az 排列，板端不能变成 az、ay、ax。顺序错了，模型会把同一组物理信号理解成另一种特征。

数值范围

训练时做过归一化或量化，板端也要执行同样的缩放。尤其是 int8 模型，零点和缩放系数不能随意处理。

输出含义

输出不是天然等于动作命令。分类分数、异常分数、回归值需要经过阈值、连续帧确认或状态机再进入业务逻辑。

这也是很多 MCU AI 项目失败的位置：模型函数本身可以跑，串口也能打印结果，但输入数据和训练数据不是同一种格式。由于模型只会执行固定计算，它没有办法自动识别“这次输入的单位变了”“这次窗口没对齐”“这次零点没处理”。这些问题必须由固件的数据链路负责。

一个更接近工程现场的推理入口，通常不是简单传入一段数组，而是包含采样、窗口、预处理、推理和后处理：

bool run_vibration_model(float adc_voltage) { ring_buffer_push(adc_voltage); if (!window_ready()) { return false; } build_window_feature(input_tensor); quantize_to_int8(input_tensor, model_input); model_run(model_input, model_output); float score = dequantize_score(model_output[FAULT_CLASS]); return state_machine_update(score); }

这段代码里，真正的模型推理只是中间一环。前面要保证采样窗口稳定，后面要保证输出结果不会直接触发危险动作。单片机能跑神经网络，和单片机能把神经网络用好，是两个层级的问题。

四、模型和普通函数的区别，不是能不能运行，而是参数从哪里来

普通函数通常是工程师根据经验写出来的。比如温度超过 80℃ 报警，电流超过 2A 限流，振动 RMS 超过阈值提示异常。这类函数的规则清晰、可解释、可手工调整，适合边界明确的问题。

模型函数的计算流程同样固定，但内部参数来自训练数据。它不要求工程师把每条规则都写出来，而是用大量样本把“哪些组合更像某一类状态”压缩进权重和偏置里。对于多传感器、多特征、边界模糊、阈值难以稳定覆盖的问题，这种方式更容易表达复杂模式。

普通函数更像“人工写规则”

程序员明确写出判断条件，例如 if (rms > threshold)。好处是行为清楚，坏处是复杂场景下规则会越来越多，并且很难覆盖边界状态。

模型函数更像“训练得到参数”

程序员确定输入格式和运行链路，训练过程确定权重和偏置。部署后，MCU 仍然执行固定代码，只是这段代码内部包含大量由数据生成的常量参数。

用一句工程化的话总结：普通函数的核心资产是代码逻辑，模型函数的核心资产是参数。代码逻辑决定它怎么计算，模型参数决定它对输入模式的判断倾向。部署到单片机后，这两者都必须变成可编译、可链接、可运行、可测试的固件内容。

五、为什么 RAM、Flash 和算子支持会决定模型能不能跑

既然神经网络推理可以看成 C 函数，接下来就能解释 MCU 部署最常见的三个限制。

Flash 决定模型参数能不能放下。权重和偏置通常以常量数组形式存在，模型越大，参数越多，占用的 Flash 或外部 Flash 就越多。INT8 量化后，参数体积通常会明显下降，这也是 MCU 部署经常优先使用量化模型的原因。

RAM 决定中间结果能不能周转。输入张量、输出张量、中间激活值、临时缓冲区都要占 RAM。很多模型看起来权重不大，但运行时中间激活很大，最终卡在 RAM，而不是卡在 Flash。

算子支持决定固定流程能不能生成有效代码。如果模型里用了部署框架不支持的层，转换工具就无法把它稳定变成 MCU 端可执行流程。工程上经常要反过来设计模型结构，优先使用 MCU 推理库支持成熟、优化充分的算子。

这三个限制对应到 C 函数的角度非常直观：常量表放哪里，临时数组放哪里，函数里的每一种计算有没有可用实现。只要这三件事成立，神经网络就不再是“云端算法”，而是一段可以被 MCU 调度的本地计算任务。

单片机能运行神经网络，并不是因为单片机突然拥有了“智能”。它能运行，是因为推理阶段已经被压缩成确定的输入、确定的参数、确定的计算流程和确定的输出接口。

最后落到工程：不要先问模型高级不高级，先问它能不能变成一个可靠函数

做 MCU AI 项目时，最实用的判断方式不是先讨论网络名字，而是把它拆回固件问题：输入数组怎么来，权重和偏置放在哪里，中间缓冲够不够，推理函数多久跑完，输出结果怎么进入状态机。

如果这些问题都能回答清楚，单片机运行神经网络就不是一句口号，而是一个可以验证的工程链路。如果这些问题回答不清楚，即使模型在电脑上准确率很高，到了板端也可能只是一个能编译、能打印、但无法稳定用于产品判断的 demo。