יישומי בינה מלאכותית המשלבים ראייה, קול ונתוני חיישנים מציבים בפני המיקרו-בקר המסורתי דרישות חדשות. משפחת Astra SR200 של Synaptics מציעה ארכיטקטורת xMCU המשלבת ליבות עיבוד, מאיץ AI וזיכרון DRAM בקיבולת גבוהה המשולב במארז. מעבר לנתוני הביצועים, היא ממחישה כיצד הדרישות של Edge AI משנות את תכנון המערכות המשובצות ואת האיזון בין כוח חישוב, תעבורת זיכרון וצריכת אנרגיה.
הגבול החדש של המיקרו-בקר
במשך עשרות שנים התבסס עולם המערכות המשובצות על חלוקת עבודה ברורה יחסית. המיקרו-בקר, MCU, היה אחראי לקריאת חיישנים, הפעלת מנועים, ניהול ממשקי תקשורת וביצוע משימות בקרה. יישומים שדרשו עיבוד תמונה, ממשק משתמש גרפי עשיר או אלגוריתמים מורכבים הופנו בדרך כלל למעבדי יישומים חזקים יותר, MPU, עם זיכרון חיצוני ומערכת הפעלה מתקדמת.
החלוקה הזאת נעשית פחות ברורה ככל שבינה מלאכותית חודרת למוצרים קטנים וחסכוניים באנרגיה. מצלמה תעשייתית כבר אינה נדרשת רק להעביר תמונה למחשב מרכזי, אלא גם לזהות חריגה בתהליך הייצור. חיישן אקוסטי עשוי להידרש להבחין בין רעש רקע לבין סימנים מוקדמים לתקלה מכנית. מכשיר לביש צריך לשלב נתוני קול ותנועה ולהגיב למשתמש כמעט מיידית.
במקרים רבים, שליחת הנתונים לענן אינה פתרון מספק. התלות בקישוריות, ההשהיה בתקשורת, צריכת האנרגיה ושיקולי פרטיות מעודדים העברה של חלק מהחישוב אל המכשיר עצמו. אלא שהעברת מודל AI לקצה אינה מסתכמת בהקטנת מספר הפרמטרים שלו. המערכת צריכה לאחסן את המודל, להעביר נתונים בין יחידות העיבוד, להפעיל מספר משימות במקביל ולעשות זאת במסגרת תקציב הספק מוגבל.
על הרקע הזה הציגה Synaptics באוקטובר 2026 את משפחת Astra SR200, המבוססת על ארכיטקטורה שהיא מכנה xMCU. החברה מבקשת ליצור קטגוריית ביניים בין המיקרו-בקר המסורתי לבין מעבד היישומים: מערכת המסוגלת להריץ יישומי AI רב-חושיים, תוך שמירה על מאפייני הספק, גודל ואינטגרציה המזוהים עם עולם ה-MCU. השם xMCU הוא הגדרה שמקדמת Synaptics, ולא תקן תעשייתי חדש.
מדוע MCU מהיר יותר אינו מספיק
מיקרו-בקרים מודרניים כבר מסוגלים להריץ מודלים קטנים של למידת מכונה. שילוב של הוראות SIMD, הרחבות DSP וספריות כגון CMSIS-NN מאפשר לבצע זיהוי מילות הפעלה, סיווג אותות מחיישנים ואף עיבוד תמונה בסיסי. לכן הבעיה אינה עצם היכולת לבצע חישובי AI, אלא היקף העבודה שניתן לבצע ביעילות.
מודל רשת עצבית דורש משאבים מסוגים שונים. המשקולות שלו תופסות זיכרון, שכבות הביניים מייצרות נתונים זמניים, והעיבוד עצמו דורש פעולות מתמטיות רבות. כאשר מוסיפים כמה חיישנים, זרמי מידע רציפים ומודלים הפועלים בזה אחר זה או במקביל, העומס גדל במהירות.
לדוגמה, מודל הכולל עשרה מיליון פרמטרים המאוחסנים בדיוק INT8 דורש כעשרה מגה-בייט למשקולות בלבד, בחישוב עשרוני. לכך יש להוסיף זיכרון עבור טנזורים זמניים, מחסניות, קוד, מאגרי קלט ופלט ומנגנוני מערכת ההפעלה. במיקרו-בקר המצויד במאות קילו-בייט או במגה-בייטים בודדים של SRAM, מדובר כבר במגבלה מהותית.
אפשר לצמצם מודלים באמצעות Quantization, Pruning ושיטות דחיסה נוספות, אך לצמצום יש מחיר אפשרי בדיוק, במורכבות הפיתוח או בגמישות המודל. גם אחסון המשקולות בזיכרון Flash חיצוני אינו פותר בהכרח את הבעיה, משום שהמעבד עדיין נדרש להעביר אותן בקצב שיאפשר למאיץ לעבוד ללא המתנות ממושכות. הוספת מאיץ AI ייעודי משפרת את קצב החישוב, אך אם הזיכרון אינו מסוגל לספק לו נתונים במהירות מספקת, חלק מיכולת העיבוד נשאר בלתי מנוצל.
עיבוד הטרוגני: לא כל משימה זקוקה לאותה ליבה
משפחת SR200 מבוססת על שילוב של שתי ליבות Arm ממשפחת Cortex-M, מאיץ עצבי ייעודי ורכיבי עיבוד נוספים בהתאם לדגם. ליבת Cortex-M85 מיועדת למשימות הדורשות ביצועים גבוהים יחסית, ואילו Cortex-M52 משמשת למשימות חסכוניות יותר באנרגיה, ובהן עיבוד חיישנים ופעילות רציפה ברקע.
לפי מפרטי Synaptics, תדר ליבת M85 מגיע עד 800MHz בדגם SR250, בעוד שליבת M52 מגיעה עד 200MHz. שתי הליבות תומכות בהרחבות Arm Helium, שנועדו להאיץ פעולות עיבוד אותות ולמידת מכונה.
לצידן פועל מנוע Torq AI, המשלב את ארכיטקטורת Coral NPU של Google Research. בדגם הבכיר מציינת החברה יכולת חישוב של עד 400 GOPS, לעומת 300 GOPS בדגם SR230 ו-200 GOPS בדגם SR210. אלו נתוני יכולת חישוב מוצהרים של המאיץ, ולא מדידות של קצב הסקה עבור מודל מסוים. שני מעבדים בעלי דירוג GOPS דומה עשויים להציג ביצועים שונים כאשר הם מריצים רשתות עצביות בעלות מבנה שונה.
Synaptics מציינת תמיכה ב-INT8, ב-INT16 וב-BFLOAT16, וכן התאמה לעיבוד רשתות CNN ומודלים המבוססים על Transformer. תמיכה זו מרחיבה את אפשרויות הפיתוח, אך אינה מבטיחה שכל מודל Transformer יפעל במלואו על המאיץ או יעמוד בדרישות ההספק וההשהיה של מוצר מסוים.
בדגמים המתאימים ניתן לשלב גם מעבד אותות Cadence Tensilica HiFi 5, המיועד למשימות אודיו. כך ניתן להקצות עיבוד קול ל-DSP, להסיק מסקנות מרשת עצבית באמצעות ה-NPU ולהשאיר את ליבות ה-CPU פנויות לבקרה, לתקשורת ולניהול המערכת.
Synaptics אינה היחידה הפועלת בכיוון הזה. יצרניות נוספות, ובהן STMicroelectronics, משלבות מאיצים עצביים במיקרו-בקרים מתקדמים. משפחת STM32N6, למשל, כוללת את מאיץ Neural-ART, עם יכולת חישוב מוצהרת של עד 600 GOPS. לכן העניין ב-SR200 אינו בעצם הוספת מאיץ AI למיקרו-בקר, אלא בניסיון לשלב יחידות עיבוד, זיכרון וניהול הספק בארכיטקטורה אחת.
הזיכרון הופך לרכיב מרכזי בארכיטקטורה
אחד ההיבטים המעניינים בתכנון SR200 הוא ההחלטה לשלב זיכרון DRAM בקיבולת גבוהה בתוך מארז המעבד. במקום להסתפק בזיכרון SRAM פנימי קטן יחסית, או לחבר רכיב DRAM חיצוני על המעגל המודפס, Synaptics משתמשת בארכיטקטורת System-in-Package, המשלבת שבב עיבוד, רכיב לניהול הספק וזיכרון DRAM ייעודי.
בתצורת Coralboard SR המבוססת על SR250 מציינת החברה קיבולת של עד 256MB של DRAM, לצד עד 8MB של SRAM. הזיכרון המהיר מחולק בין אזורי פעילות שונים, ובהם עד 6MB עבור תחום הביצועים הגבוהים ועד 2MB עבור תחום ההספק הנמוך במיוחד. נתון 256MB מתייחס לתצורה שהוצגה, ולא בהכרח לכל דגמי המשפחה.
החלוקה מאפשרת להחזיק נתונים הנדרשים לתגובה מהירה בזיכרון SRAM, בעוד שמודלים גדולים יותר ומאגרי נתונים נרחבים מאוחסנים ב-DRAM. עבור רשת עצבית, מדובר בהבחנה חשובה בין אחסון המשקולות לבין ניהול נתוני הביניים הנדרשים בזמן ההסקה.
לדברי Synaptics, ארכיטקטורת הזיכרון המשולבת מאפשרת להריץ עומסי עבודה בצריכת הספק של כשליש מזו של DRAM מערכתי טיפוסי. החברה אינה מפרטת בהודעת ההשקה את תנאי המדידה ואת עומסי העבודה ששימשו להשוואה, ולכן אין לראות בנתון זה מדד לחיסכון הכולל באנרגיה בכל יישום.
לשילוב הזיכרון בתוך המארז יש יתרונות נוספים. הוא עשוי לצמצם את שטח המעגל המודפס, לפשט את ניתוב האותות המהירים ולהקטין את מספר הרכיבים החיצוניים. מנגד, קיבולת הזיכרון הופכת לחלק מתצורת המארז, ולכן גמישות ההרחבה לאחר בחירת הרכיב מוגבלת יותר מזו של מערכת המבוססת על זיכרון חיצוני נפרד.
מהנדסי המערכת עדיין צריכים לבחון את תנועת הנתונים בין ה-DRAM, ה-SRAM והזיכרון המקומי של המאיץ, את השימוש ב-DMA ואת האפשרות לחפוף העברות זיכרון עם חישוב. במודלים עתירי תעבורת זיכרון, דווקא הממשק לזיכרון עשוי לקבוע את קצב העבודה.
מערכת שמתעוררת רק כשצריך
במכשיר הפועל מסוללה, ההספק הנצרך בזמן שהמערכת ממתינה לאירוע עשוי להיות חשוב יותר מההספק המרבי בזמן חישוב. מוצר המאזין לסביבה במשך יממה שלמה ומבצע הסקה עצבית רק לעיתים רחוקות אינו צריך להחזיק את כל יחידות העיבוד פעילות ברציפות.
Synaptics חילקה את SR200 לארבעה תחומי הספק: Always-On, Ultra-Low Power, Low Power ו-High Performance. במערכת לזיהוי פקודות קוליות, למשל, מנגנון Voice Activity Detection יכול להישאר פעיל ולהאזין לאות מהמיקרופון. כאשר מזוהה פעילות קולית, ניתן להעיר את ליבת Cortex-M52 לצורך בדיקה ראשונית. רק אם מתקיימים התנאים המתאימים מופעלים רכיבי עיבוד נוספים, ובהם ה-DSP או מאיץ ה-AI.
גישה כזאת מאפשרת להימנע מהפעלת ליבת הביצועים הגבוהים עבור כל רעש סביבתי. עם זאת, היא מחייבת תכנון מדויק של זמני ההתעוררות, שמירת מצב המערכת והעברת הנתונים בין תחומי ההספק. הפרמטר ההנדסי המרכזי הוא האנרגיה הכוללת הנדרשת להשלמת משימה. מעבד מהיר יותר עשוי לצרוך הספק רגעי גבוה יותר, אך לסיים את החישוב במהירות ולחזור למצב שינה.
עיבוד רב-חושי מחייב תכנון של שרשרת הנתונים
אחד היישומים המרכזיים שאליהם מכוונת משפחת SR200 הוא Multimodal AI, עיבוד המשלב מידע ממקורות שונים. במערכת תעשייתית עשויים לפעול במקביל מצלמה, חיישן רעידות, מיקרופון וחיישני טמפרטורה. כל אחד מהם מייצר מידע בקצב אחר, ברזולוציה אחרת ועם דרישות עיבוד שונות.
Synaptics שילבה בארכיטקטורה שני מסלולי עיבוד תמונה בדגמים המתאימים. מסלול אחד מותאם למשימות Machine Vision, שבהן נדרש לזהות אובייקטים או אירועים. המסלול השני מיועד לעיבוד תמונה באיכות גבוהה יותר, למשל לצורך תצוגה או צילום. במימוש אפשרי, מצלמה יכולה לבצע ניטור ברזולוציה נמוכה, ולהפעיל עיבוד תמונה מפורט רק כאשר מזוהה אירוע חריג.
שילוב של כמה ערוצי חישה מציב גם שאלות של תזמון. כאשר מערכת מזהה חריגה ברעש של מנוע ומשווה אותה לנתוני רעידות ולתמונה, יש חשיבות למועד שבו התקבלה כל מדידה. נדרשים מנגנוני Timestamping, סנכרון, ניהול מאגרים ותעדוף משימות. בחלק מהיישומים יש גם להבטיח שפעילות מאיץ ה-AI לא תפגע במשימות בעלות דרישות זמן קשיחות.
ל-SR200 ממשקים תעשייתיים הכוללים בדגמים המתאימים Gigabit Ethernet עם תמיכה ב-TSN ושני ממשקי CAN-FD. יכולות אלה עשויות לסייע בשילוב המעבד ברשתות תעשייתיות, אך התמיכה בממשקי תקשורת אינה מוכיחה כשלעצמה עמידה בזמני תגובה דטרמיניסטיים של מערכת שלמה.
בין MCU ל-MPU: היכן עובר הגבול?
הגישה של Synaptics עשויה להיות מעניינת במיוחד עבור מערכות שבעבר נדרשו לבחור בין מיקרו-בקר חסכוני לבין מעבד יישומים המריץ Linux. מערכת MPU מציעה בדרך כלל גמישות גבוהה יותר בהפעלת יישומים מורכבים, ניהול תהליכים, שימוש בספריות תוכנה ותמיכה בממשקי משתמש עשירים. לעומת זאת, היא עשויה לדרוש זיכרון חיצוני, תכנון הספק מורכב יותר וזמן אתחול ארוך יותר.
ה-xMCU מבקש לצמצם חלק מהפער הזה. שילוב זיכרון גדול, מאיץ עצבי ויחידות מולטימדיה מאפשר להריץ יישומים שבעבר היו מעבר ליכולת המעשית של MCU רגיל, תוך שימוש בסביבת RTOS דוגמת Zephyr. אולם RTOS אינו תחליף מלא ל-Linux. במערכות הדורשות תשתית תוכנה רחבה ושירותי רשת מורכבים, מעבד יישומים עשוי להישאר הבחירה המתאימה.
גם היכולת להריץ מודלים גדולים מוגבלת על ידי קיבולת הזיכרון, ביצועי המאיץ וההספק הזמין. בצד השני של הספקטרום, עבור חיישן המבצע סיווג פשוט אחת לכמה שניות, MCU רגיל עם מאיץ קטן או ספריית למידת מכונה מותאמת עשוי להיות פתרון חסכוני יותר.
סביבת התוכנה היא חלק מהארכיטקטורה
ככל שהמעבד כולל יותר יחידות חישוב, כך גדלה החשיבות של סביבת התוכנה המאפשרת לנצל אותן. מודל AI שנכתב במסגרת פיתוח מוכרת אינו יכול בהכרח לפעול ישירות על כל מאיץ עצבי. Synaptics מציעה סביבת פיתוח המבוססת על רכיבי קוד פתוח, ובהם MLIR ו-IREE, במטרה לתמוך בהעברת מודלים ממסגרות פיתוח מקובלות אל מנוע Torq. החברה גם מדגישה את התמיכה ב-Zephyr RTOS.
כאשר פעולה מסוימת אינה נתמכת במאיץ, ייתכן שיהיה צורך לבצע אותה על ה-CPU, להמיר את המודל או לשנות את מבנהו. מעברים תכופים בין CPU ל-NPU עלולים ליצור העתקות זיכרון, עלויות סנכרון והשהיות נוספות. לכן יש לבדוק לא רק אם המודל מתקמפל, אלא איזה חלק ממנו אכן פועל על המאיץ.
נושא נוסף הוא תחזוקת המודל לאורך חיי המוצר. במערכות IoT תעשייתיות, עדכון מודל עשוי להתבצע שנים לאחר התקנת המערכת. יש להבטיח תאימות בין גרסאות המהדר, סביבת הריצה, מנהלי ההתקנים ומנגנוני האבטחה. משפחת SR200 כוללת, לפי Synaptics, מנגנוני Secure Boot, בידוד חומרתי והאצה קריפטוגרפית. החברה מתייחסת גם ליעדי אבטחה ברמות PSA Level 3 ו-CC EAL4+, אך יש להבחין בין יעד הסמכה לבין אישור שהוענק בפועל.
ממערכות תעשייתיות ועד למוצרים חכמים
במערכת ניטור תעשייתית, מעבד מסוג זה עשוי לשמש כצומת חישה חכם המשלב נתוני רעידות, קול ותמונה. במקום להזרים את כל המידע למחשב מרכזי, ניתן לבצע סינון ראשוני וזיהוי חריגות במכשיר עצמו, ולהעביר לרשת רק אירועים בעלי משמעות. במצלמות אבטחה ובמערכות בית חכם, האינטגרציה בין עיבוד תמונה, זיהוי קול ומאיץ AI עשויה לצמצם את מספר הרכיבים הדרושים במוצר.
בתחום הרובוטיקה, שילוב חיישנים ועיבוד מקומי יכול לסייע במשימות תפיסה וזיהוי סביבה. עם זאת, מערכות רובוטיות מורכבות עשויות עדיין להזדקק למעבדים נוספים עבור תכנון מסלול, מיפוי ועיבוד תלת-ממדי. שלושת דגמי המשפחה, SR210, SR230 ו-SR250, מציעים רמות שונות של ביצועים ויכולות מולטימדיה, תוך שמירה על תאימות פינים לפי החברה.
הכרזת SR200 ממחישה כיוון ארכיטקטוני משמעותי, אך יתרונותיו עדיין צריכים להיבחן בעומסי עבודה מעשיים. כדי להעריך את ביצועי המערכת נדרשות מדידות של מודלים מייצגים, הכוללות זמן הסקה, צריכת אנרגיה, שימוש בזיכרון והתנהגות כאשר כמה יחידות עיבוד פועלות במקביל. במערכות תעשייתיות יש להוסיף בדיקות תרמיות, השהיה בתנאי עומס ועמידה בדרישות זמן אמת.
השינוי שממחישה משפחת Astra SR200 אינו מסתכם בהוספת מאיץ AI למיקרו-בקר. הוא משקף מעבר לתכנון שבו הזיכרון, יחידות העיבוד, ממשקי החישה וניהול ההספק נתפסים כמערכת אחת. ככל שיישומי Edge AI יידרשו לעבד יותר מידע ולהגיב מהר יותר, בתוך מגבלות אנרגיה ועלות, האתגר יהיה למצוא את האיזון הנכון בין הרכיבים האלה.
מקורות: Synaptics, STMicroelectronics | נתונים טכניים והודעות יצרן, אוקטובר 2026.
