Microcontroladores evolucionan para potenciar AIoT

Combinar IA con IoT produce AIoT —un dominio en expansión donde los microcontroladores ahora alojan machine learning sofisticado, gracias a avances en compresión y optimización de redes neuronales. Los procesadores de aplicaciones de smartphones modernos ejecutan rutinariamente inferencia IA para tareas como análisis de imagen y motores de recomendación, demostrando que ML de alto rendimiento ya no se limita a supercomputadoras.

Un ecosistema de miles de millones de dispositivos IoT obtendrá capacidades de machine learning en los próximos años (Imagen: NXP)

Desplegar tal inteligencia en microcontroladores de bajo consumo desbloquea casos de uso transformadores: audífonos impulsados por IA que suprimen ruido ambiente, electrodomésticos inteligentes que identifican usuarios y aplican perfiles personalizados, o nodos de sensores que operan años con presupuestos de micro-julios. La inferencia en el edge reduce latencia, mejora seguridad de datos, y preserva privacidad del usuario.

Sin embargo, embeber ML en microcontroladores sigue siendo desafiante. SRAM y flash limitados restringen el tamaño de modelos neuronales, y el throughput computacional es modesto. Avances rápidos en cuantización y poda de modelos, junto con tooling específico de vendors, están cerrando steadily esta brecha.

TinyML gana impulso

La rápida expansión de la industria se refleja en el TinyML Summit, evento de Silicon Valley que atrajo 27 patrocinadores este año comparado con 11 el anterior, con plazas de inscripción llenándose meses antes. Organizadores también reportaron auge en membresía para sus meetups globales mensuales orientados a diseño.

"Visualizamos trillones de dispositivos inteligentes impulsados por TinyML, cada uno sensando, analizando y actuando autónomamente para crear entornos más saludables y sostenibles", dijo Evgeni Gousev de Qualcomm, co-chair del Comité TinyML, durante la keynote inaugural.

Atribuyó este impulso a hardware más eficiente energéticamente, algoritmos refinados, y stacks de software maduros, notando aumento en inversión corporativa y venture capital, así como mayor actividad de startups y M&A.

El Comité TinyML considera ahora la tecnología validada, prediciendo que productos tempranos de microcontroladores con IA entrarán al mercado en 2-3 años, mientras aplicaciones verdaderamente transformadoras pueden aparecer en 3-5 años.

Un hito clave llegó la primavera pasada cuando Google presentó TensorFlow Lite for Microcontrollers —un motor de inferencia ligero adaptado para dispositivos con solo kilobytes de RAM. El runtime core ocupa solo 16 KB en un ARM Cortex-M3, y un modelo completo de detección de palabras clave de voz cabe en 22 KB. La librería soporta solo inferencia, no entrenamiento.

Líderes de industria monitorean TinyML

Principales vendors de microcontroladores siguen de cerca el progreso TinyML, ya que el encogimiento de modelos neuronales expande sus oportunidades de producto. La mayoría ya ofrece soporte ML. Por ejemplo, STMicroelectronics provee STM32Cube.AI, un extension pack que mapea y ejecuta redes neuronales en su familia STM32 ARM Cortex-M. Renesas provee el entorno de desarrollo e-AI, traduciendo modelos a código C/C++ compatible vía su e² Studio. NXP reporta clientes desplegando machine learning en sus MCUs Kinetis y LPC de gama baja, integrando IA tanto por hardware como software, especialmente en sus procesadores crossover que puentean procesadores de aplicaciones y microcontroladores.

Arquitectura centrada en Arm

Arm domina el mercado de microcontroladores con su serie Cortex-M. La firma introdujo recientemente el núcleo Cortex-M55, diseñado para cargas de trabajo ML y emparejado con el acelerador Ethos-U55, ambos apuntando a entornos ultra-bajo consumo y recursos limitados. Juntos, entregan cómputo suficiente para reconocimiento de gestos, biometría y reconocimiento de voz.

Usados en tándem, el Cortex-M55 y Ethos-U55 de Arm tienen potencia suficiente para aplicaciones como reconocimiento de gestos, biometría y reconocimiento de voz (Imagen: Arm)

¿Cómo pueden firmas menores diferenciarse contra el ecosistema arraigado de Arm?

El CEO de XMOS, Mark Lippett, bromeó: "No puedes batir a Arm construyendo otro SoC basado en Arm —ellos sobresalen en eso. La única forma es introducir ventajas arquitectónicas —tanto rendimiento como flexibilidad." El Xcore.ai de XMOS, un procesador crossover para interfaces de voz, ilustra esta filosofía, aunque no compite directamente con microcontroladores.

Escalado de voltaje y frecuencia en chips ultra-bajo consumo

Durante el TinyML Summit, Eta Compute presentó el ECM3532 —un dispositivo ultra-bajo consumo capaz de procesamiento de imagen always-on y fusión de sensores con presupuesto de 100 µW. Incorpora un núcleo ARM Cortex-M3 y un núcleo DSP CoolFlux de NXP; cualquiera o ambos pueden manejar cargas ML. La innovación clave del chip es escalado continuo de frecuencia de reloj y voltaje para ambos núcleos, eliminando la necesidad de phase-locked loop y reduciendo drásticamente el consumo de energía.

El ECM3532 de Eta Compute usa un núcleo Arm Cortex-M3 más un núcleo DSP CoolFlux de NXP. La carga de trabajo ML puede ser manejada por cualquiera, o ambos (Imagen: Eta Compute)

Con competidores emergentes como RISC-V, ¿por qué Eta Compute seleccionó un núcleo Arm para su aceleración ML?

Tewksbury explicó a EETimes: "El ecosistema de Arm es simplemente más maduro. Es más fácil llevar un producto al mercado con Arm que con RISC-V actualmente, aunque eso pueda evolucionar. RISC-V destaca en el mercado chino, pero nosotros apuntamos a clientes domésticos y europeos donde el ecosistema Arm es más fuerte."

Tewksbury destacó que AIoT abarca un mercado amplio y fragmentado con numerosas aplicaciones de nicho generando volúmenes modestos. Colectivamente, sin embargo, el sector podría abarcar miles de millones de dispositivos. Enfatizó que desarrolladores deben evitar el costo de adaptar soluciones para cada caso de uso; flexibilidad y facilidad de uso son por tanto críticas, lo que el ecosistema Arm proporciona.

El pasado octubre, Arm anunció que permitiría a clientes crear instrucciones personalizadas para cargas de trabajo especializadas como ML. Esta capacidad, una vez aplicada a futuros núcleos, podría reducir aún más el consumo de energía.

Aunque el núcleo M3 actual no puede beneficiarse de esta característica, Tewksbury es optimista: "Absolutamente, planeamos aprovechar el set de instrucciones personalizadas de Arm en productos de próxima generación para empujar la eficiencia energética aún más."

Opciones ISA emergentes: RISC-V

El ISA open-source de RISC-V elimina licencias y permite a diseñadores añadir extensiones propietarias. Las empresas pueden adaptar núcleos a cargas de trabajo específicas, protegiendo IP según necesidad. GreenWaves, startup francesa, usa núcleos RISC-V en sus chips GAP8 y GAP9 —clusters de 8 y 9 núcleos respectivamente. La arquitectura GAP9 ahora incorpora 10 núcleos RISC-V.

La arquitectura del chip IA ultra-bajo consumo GAP9 de GreenWaves ahora usa 10 núcleos RISC-V (Imagen: GreenWaves)

El VP de GreenWaves, Martin Croome, dijo a EETimes que la configurabilidad a nivel de instrucción de RISC-V es una ventaja decisiva. Extensiones personalizadas permiten reducciones significativas de energía para tareas ML y procesamiento de señal. Para una empresa nueva, crear tales núcleos personalizados sería prohibitivamente caro en otras arquitecturas, donde costos de licencia o IP se dispararían.

Solo extensiones personalizadas rinden 3,6× mejora en eficiencia energética versus núcleos RISC-V sin modificar. Croome también alabó el ISA moderno y limpio de RISC-V, que reduce complejidad de implementación y, consecuentemente, consumo de energía. Control preciso sobre la ejecución de cada núcleo es esencial para maximizar eficiencia energética —algo que RISC-V facilita.

Croome reconoció que si Arm pudiera proporcionar el mismo nivel de personalización, sería la opción natural. Sin embargo, la madura toolchain de software de Arm actualmente supera a RISC-V, aunque el ecosistema de este último madura rápidamente.

En resumen, mientras algunos ven la dominancia de Arm erosionándose, la compañía contraataca habilitando extensiones personalizadas y desarrollando núcleos orientados a ML desde el inicio. Tanto soluciones Arm como no-Arm están ahora disponibles para IA ultra-bajo consumo, y mientras las comunidades TinyML continúan encogiendo tamaños de modelo y refinando frameworks, el mercado está preparado para florecer.