在本文中，我们将系统性地探讨TinyML这一概念——即在资源受限的低功耗微控制器上实施机器学习的技术。随着人工智能与物联网的深度融合，TinyML正成为工业边缘计算的关键力量。无论你是嵌入式开发者还是数据科学爱好者，理解TinyML都将帮助你抓住智能化转型的机遇。

一、人工智能与机器学习：已经深入我们的生活

不久前，与手表或星际迷航通讯器（Star Trek Communicator）对话还只是科幻小说中的场景，但如今，我们中的许多人已经能够频繁地与智能手机App、汽车信息娱乐系统以及家中的“智能扬声器”进行互动。这些体验的背后，是人工智能（AI）与机器学习（ML）技术的支撑。

• 人工智能（AI）：一门创造能够思考、感知、识别和解决问题的计算机科学，已成为当今计算机与数据科学领域的基础。
• 机器学习（ML）：AI的一个应用领域，专注于通过算法让计算机自行学习和改进如何执行任务，而无需为每个步骤明确编程。

目前，机器学习几乎塑造了我们周围的世界——从天气预报、日常通勤的最佳路线，到社交媒体App上的促销广告，甚至许多科学研究领域都依赖机器学习处理PB级数据以发现宏观趋势。

二、机器学习如何工作？

尽管我们每天都能看到机器学习的结果（比如识别图片中的狗、预测天气），但其内部的复杂过程往往隐藏于幕后。下面我们来拆解机器学习的核心机制。

1. 学习类别与神经网络

机器学习主要分为四类：监督学习、无监督学习、半监督学习、强化学习。其中，神经网络是所有ML应用的关键组件。神经网络的目标是在数学模型中复制人脑神经元的功能，通过特定算法推断出结果的概率。例如，在图像识别任务中，一张图片是“狗”的概率为95%。

• 卷积神经网络（CNN）：擅长图像识别。
• 循环神经网络（RNN）：适合处理序列数据（如语音、文本）。

2. 监督学习的训练过程

以图像识别为例，监督学习需要向神经网络输入大量标记好的训练数据。比如要识别不同种类的水果，需要提供数千张从不同角度、不同成熟度拍摄的水果照片（并标注好类别）。算法会从中寻找可识别的特征（如颜色、形状、纹理），从而学会区分不同水果。训练过程是迭代的，而且可能需要调整算法参数，使模型在测试数据集上达到最高准确率。

图 1：训练和推理步骤。（来源：贸泽电子）

3. 推理阶段

当模型通过测试达到最佳性能后，就可以被部署到实际应用中。部署后的阶段称为推理（Inference），模型会基于概率对新数据做出结果推断。例如，智能扬声器与我们的日常互动通常涉及一个触发词或短语（如“嘿，谷歌”）。由于智能扬声器不具备数据中心的计算能力，它只录制简短的音频文件并传输到云端进行推理，从而确定请求的性质。检测触发词正是简单机器学习的经典案例——这就是TinyML的雏形。