引言：突破功耗限制的创新驱动力

随着人工智能以前所未有的速度持续发展，其日益增长的复杂性往往需要强大的硬件和高能耗资源。然而，在将人工智能解决方案部署到边缘时，我们寻求能够以最低能耗运行的超高效硬件，这带来了独特的工程挑战。ARM Cortex-M微控制器（MCU）及同类低功耗处理器存在严苛的计算与内存限制，使得量化、剪枝及轻量化运行时等优化技术对实时性能至关重要。这些挑战反过来也催生了创新的解决方案，从而让人工智能变得更易获取、更高效、更具可持续性。

在MulticoreWare，我们持续探索多种路径，将更多智能推向这些资源受限的设备。这一探索引领我们进入神经形态AI架构领域，并开发出专用的类脑硬件——通过模拟大脑的事件驱动处理机制，实现超低功耗推理。我们洞察到该框架的创新价值，决心将其与深厚的MCU技术积淀相结合，为医疗、智能家居及工业领域开辟持续在线AI的新路径。

面向神经形态硬件的设计

我们所确定的神经形态人工智能框架采用了一种新型神经网络——时序事件神经网络（TENNS）。TENNS采用状态空间架构，能够动态处理事件而非固定间隔处理，通过跳过空闲期来最大限度降低能耗和内存占用。该设计可在毫瓦级功耗下实现实时推理，使其成为边缘部署的理想选择。

开发神经形态AI模型远非简单移植现有架构。我们采用的框架要求实现完整的 int8 量化，并遵守严格的架构约束：仅支持有限的网络层类型，且模型必须遵循固定的层序列以确保兼容性。这些限制往往需要重大重构，包括修改模型架构、替换不支持的激活函数（如LeakyReLU→ReLU）以及简化分支拓扑结构。诸如多输入/输出模型等深度学习特性同样无法实现，开发者需实施替代方案或彻底重构模型。

简而言之，为神经形态硬件进行开发意味着从头开始，在精度、效率与严格的设计规则之间取得平衡，从而兑现其在边缘实现实时、超低功耗人工智能的潜力。

在边缘设备上实现实时老人辅助系统

为展现类脑人工智能的潜力，我们开发了一套基于计算机视觉的老人辅助系统。该系统能在极低功耗硬件上实时运行，可检测坐立、行走、躺卧或跌倒等关键人体活动。

目标简单而雄心勃勃：

构建完全基于设备的低功耗AI流水线，在资源受限环境中持续监测并解析人体动作，同时保障用户隐私与运行效率。

然而受框架架构限制，某些模型（如姿态估计）无法完全支持。为此我们采用混合方案，融合类脑与传统计算资源：

• 神经形态硬件：通过专用模型执行物体检测与活动分类
• CPU（Tensorflow Lite）：处理姿态估计与中间特征提取