机器学习 (ML) 正成为嵌入式设计人员开发或改进各种产品的标准要求。为满足这一需求,Microchip Technology Inc.(美国微芯科技公司)近日推出了全新的MPLAB® 机器学习开发工具包,提供一套完整的集成工作流程来简化机器学习模型开发。这款软件工具包可用于Microchip的各类单片机 (MCU) 和微处理器 (MPU) 产品组合,助力开发人员快速高效地添加机器学习推理。

Microchip开发系统业务部副总裁Rodger Richey表示:“机器学习是嵌入式控制器的新常态,与依赖云通信进行处理的系统相比,在边缘利用机器学习可使产品更高效、更安全、功耗更低。Microchip独特的集成解决方案专为嵌入式工程师设计,是首款不仅支持32位MCU和MPU,还支持8位和16位器件的解决方案,可实现高效的产品开发。”
机器学习通过使用一套算法,从大型数据集中分析和生成模式,以支持决策。与人工处理相比,机器学习通常更快、更容易更新和更准确。Microchip客户可以利用这套新工具,启用预测性维护解决方案,以准确预测各种工业、制造、消费和汽车应用中所用设备的潜在问题。
MPLAB 机器学习开发工具包可帮助工程师构建高效、小尺寸的机器学习模型。在 AutoML 的支持下,该款工具包消除了许多重复、繁琐和耗时的模型构建任务,包括提取、训练、验证和测试。它还提供了模型优化功能,以满足MCU和MPU的内存限制要求。
当与 MPLAB X 集成开发环境 (IDE)结合使用时,新工具包可提供一个完整的解决方案,几乎没有任何机器学习编程知识的人员也能轻松实施,从而节省了聘请数据科学家的成本。同时,它也具备先进功能,能满足经验丰富的机器学习设计人员的需求。
Microchip还提供从TensorFlow Lite中提取模型并将其用于任何MPLAB Harmony v3项目的选项。MPLAB Harmony v3是完全集成的嵌入式软件开发框架,提供灵活、可互操作的软件模块,以简化增值功能的开发,缩短产品的上市时间。此外,VectorBlox™ Accelerator 软件开发工具包(SDK)利用 PolarFire® FPGA 提供了基于卷积神经网络 (CNN) 的最节能的人工智能/机器学习(AI/ML)推理功能。
MPLAB 机器学习开发工具包提供了必要的工具,旨在设计和优化运行机器学习推理的边缘产品。请访问Microchip 机器学习解决方案页面,了解更多有关利用Microchip直观的机器学习工具简化开发流程、降低成本并加快产品上市时间的信息。
供货与定价
价格因许可情况而异。MPLAB 机器学习开发工具包有免费版本可供评估。如需了解更多信息或购买,请访问Microchip直销网站www.microchipdirect.com或与您当地的Microchip销售代表联系。
资源
可通过Flickr或联系编辑获得高分辨率图片(欢迎自由发布):Flickr link
Microchip Technology Inc. 简介
Microchip Technology Inc.是致力于智能、互联和安全的嵌入式控制解决方案的领先供应商。其易于使用的开发工具和丰富的产品组合让客户能够创建最佳设计,从而在降低风险的同时减少系统总成本,缩短上市时间。Microchip的解决方案为工业、汽车、消费、航天和国防、通信以及计算市场中12万5千家客户提供服务。Microchip总部位于美国亚利桑那州Chandler市,提供出色的技术支持、可靠的产品交付和卓越的质量。详情请访问公司网站www.microchip.com。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。