什么是机器学习？基础概念与核心知识全解析

本教程为硬件和嵌入式工程师提供关于机器学习（ML）的全面介绍，涵盖其基本概念、工作原理、重要性以及 TinyML 如何在受限设备上落地。无论你之前是否接触过 ML，都能从中获得清晰的理解和实用的指导。

什么是机器学习？

机器学习是人工智能（AI）领域的一个子集。它是一门专注于使用数学技术和大规模数据处理，来构建能够找到输入和输出数据之间关系的程序的学科。AI 是一个更大的概念，涵盖使机器能在无人干预下“思考”和行动的各种方法；而 ML 属于其中的“面向任务的智能”分支。

为了直观理解 ML，我们可以把它与经典计算机编程做对比：

• 经典编程：工程师向计算机提供输入数据（如数字 2 和 4）以及明确的算法（如“将 x 和 y 相乘得到 z”），然后程序运行并输出结果。这是“输入 + 算法 = 输出”。
• 机器学习：工程师向计算机提供一组输入和对应的输出（答案），要求计算机自己找出那个能将输入转换为输出的“算法”（在 ML 中称为模型）。这是“输入 + 输出 = 算法”。

图1. 经典编程：提供输入数据和算法，计算机给出答案。

图2. 机器学习：提供输入数据与答案（输出），计算机通过大量示例推导出映射关系（模型）。

你可能会问：“为什么要把简单的事情复杂化？直接用经典算法不行吗？” 答案是：有很多实际问题无法用纯算法表达。比如，你很难用几行代码实现“判断一张图片里是否有猫”。但是，通过 ML，我们给计算机看数千张带标签的图片（有猫/无人脸/两者都有），让它学习像素与标签之间的关系，从而生成一个能处理新图片的模型。这个过程被称为推理（或预测）。

关键点：ML 适用于那些无法用规则清晰定义，但可以通过大量数据训练出规律的任务。

在嵌入式和物联网（IoT）领域，ML 正被广泛应用于机器视觉、异常检测、预测性维护等场景。例如，通过分析加速度计、温度、声音等传感器数据，ML 模型可以提前预测机器何时需要维护，而传统的柱状图或阈值判断很难做到这一点。

机器学习开发循环

ML 的开发不是一次性的事情，而是一个包含多个步骤的迭代过程。以下是最核心的四个阶段。

1. 数据收集与标记

数据是 ML 的燃料。嵌入式系统产生大量数据，但只有经过标记（labeling）的数据才有训练价值。标记就是将每组输入数据（如加速度计 x、y、z 值）关联到对应的预期输出（如“空闲”、“运行正常”、“故障”）。

图3. 数据收集与标记：工程师将不同状态的数据打上标签，形成训练集。

重要提醒：数据收集和标记非常耗时，但绝对不能跳过。没有实际数据，任何预训练模型都无法可靠地告诉你“你的机器是否即将崩溃”。

2. 模型开发、训练、测试与优化

拥有带标签的数据后，数据科学家或 ML 工程师会创建一个程序（模型架构），采用向量乘法、权重调整等方法，将输入数据转换为正确的输出。训练过程是迭代的：

• 用训练数据让模型学习。
• 用从未见过的测试数据评估模型表现。
• 如果效果不佳，调整模型结构、训练参数（如迭代次数），再次训练。

图4. 模型开发迭代循环：数据收集 → 模型开发 → 训练 → 测试 → 优化 → 部署。

当模型在测试数据上表现满意后，就可以部署到生产环境，用于实时预测。传统做法是将模型部署到云服务器，应用程序调用 API 发送数据并获取结果。

TinyML 如何融入？

机器学习的数据处理需求非常巨大。训练阶段尤其消耗计算资源，需要使用强大的 CPU 或 GPU，因此训练通常在云端或数据中心完成。但是，推理（预测）阶段却不一定需要云。当模型被部署到捕获数据的本地设备上时，可以带来以下好处：

• 低延迟：无需网络传输，响应更快。
• 内置安全性：数据不出设备，隐私性更好。
• 离线可用：不依赖互联网连接。

这就是 TinyML（或微型机器学习）的核心价值：将 ML 推理能力带到微控制器（MCU）和单板计算机这类资源受限的设备上。

平台如 边缘脉冲（Edge Impulse） 提供基于云的传感器数据收集和 ML 架构工具，能够输出专为 MCU 优化的小型模型。同时，芯片供应商如 意法半导体（STMicroelectronics） 和 阿里夫半导体（Alif Semiconductor） 正在推出集成 GPU 类计算能力的 MCU，使其非常适合在传感器旁边运行 ML 工作负载。

对于嵌入式工程师来说，现在正是探索 ML 从云端到边缘设备全链路的最佳时机。未来的系统只会更复杂、数据更多。将 ML 带到边缘，意味着我们能就地处理数据并更快地做出决策。

小提示

小提示1：数据标记是成败关键。 即使你有海量数据，如果没有准确、一致的标签，模型也会学到错误的关系。建议在标记时制定清晰的规则，并多人交叉验证。

小提示2：不要试图在 MCU 上训练模型。 训练需要大量算力和内存，目前仍是云或高性能计算机的领域。TinyML 只负责部署和推理，训练过程借助云端工具完成。

小提示3：从简单模型开始。 对于嵌入式应用，不必追求深度神经网络。有时简单的决策树或线性回归模型在 MCU 上运行更快、更省电，且精度足够。

常见问题

问题1：TinyML 需要什么样的硬件？
答：大多数现代 MCU（如 Arm Cortex-M4、M7 系列，或带有硬件翻跟斗的芯片）都能运行 TinyML 模型。要求具备足够的 RAM（通常几十 KB 到几百 KB）、Flash（几百 KB 以上）以及一定的计算能力。一些厂商（如意法半导体、阿里夫半导体）已推出带有神经处理单元（NPU）的 MCU，性能更强。

问题2：如何将传感器数据转换为可供 ML 模型使用的格式？
答：通常需要对原始数据进行预处理，包括去噪、归一化、特征提取（如计算均值、方差、FFT 等）。边缘脉冲等工具提供了自动化的数据管道，能帮助你快速完成这些步骤。

问题3：ML 模型的精度在使用 TinyML 时会下降吗？
答：有可能。为了在 MCU 上运行，模型通常需要经过量化（如从 32 位浮点转为 8 位整数），这会损失一些精度。但通过合理的训练和优化，许多应用仍能达到 95% 以上的准确率。建议在部署前充分测试。

问题4：我完全不懂数学，能入门 TinyML 吗？
答：可以。如今已有大量可视化、自动化工具（如 Edge Impulse、TensorFlow Lite for Microcontrollers），你只需采集数据、配置参数，工具会帮你完成模型训练和部署。当然，了解基本概念（如损失函数、梯度下降）会帮助你更好地调参和排错。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：什么是机器学习？基础概念与核心知识全解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题