IIoT和工业4.0传统聚焦传感器、开关、数据分析和连接，数字制造下一波浪潮由能效驱动。 工业工厂是最大电力用户之一，可靠电力支撑每个先进工艺。据国际能源署，2016年工业部门消耗全球41.6%电力。 有效电源管理让工业机器人以最小停机运行——每毫秒至关重要。除可靠性外，效率改进可释放显著资源节约。 多种策略可提升能源性能，包括： 调度生产对齐可再生能源高峰。 优化机器人运行速度而非单纯加速程序，潜在节省高达30%。 用3D打印减少材料浪费。 采用预防性维护减少维修能耗。 在可行处改装智能电表和远程控制器。 实施全自动无灯环境降低车间和设施系统能耗。 全程选择低功耗元件。 是这些措施组合—

数据是自动驾驶(AV)开发的命脉，驱动赋能自驾系统的深度学习模型。 为保持竞争力，AV厂商在公共道路记录数百万里程，存储PB级原始影像。例如Waymo已超1000万真实里程和100亿模拟里程记录数据。 然而业界极少追问关键问题：这庞大档案中实际有多少被标注，标注准确度如何？ Edge Case Research联合创始人兼CTO Phil Koopman在近期EE Times访谈警告：没人负担得起标注所有数据。 数据标注既耗时又昂贵 标注要求专家人工审查短视频片段，为自动驾驶算法相关的每个车辆、行人、标志、红绿灯绘制边界框。过程繁琐昂贵。 Medium文章数据标注：AI突破背后的十亿美元生意凸

选择合适开关常被忽视，却能显著影响产品性能、耐用性和品牌声誉。开关虽廉价看似简单，但规格——尺寸、电气额定值、环境适应性、用户交互——差异巨大。设计师必须针对应用独特需求评估每个开关，避免昂贵返工并提升用户体验。 以下是选择开关时评估的十大关键因素，每个均结合真实场景与可操作指南解释。 数据驱动设计 物联网生态产生数十亿数据点须存储或传输。这驱动紧凑、低功耗开关需求，使其能与天线、发射器、辅助电路共存。医疗设备如要求开关满足严苛小型化和功耗预算，同时在苛刻环境保持可靠。选择符合这些数据中心要求的开关确保无缝集成和长期产品生存力。 满足物理需求 可穿戴和其他便携设备要求开关耐受粗暴操作、

TinyML小组首次聚会时，首个议程是个简单问题：TinyML到底是什么？ TinyML是致力于让机器学习(ML)在超低功耗设备上运行的工程师社区。首次聚会聚焦ML能否在微控制器实现、是否需要专用低功耗ML处理器。 高通AI研究员Evgeni Gousev将TinyML定义为功耗1mW或以下的ML技术。他称1mW为智能手机常开应用的魔法数字。 云端ML主导话语权，但设备端ML日益复杂，Gousev指出。90%数据源自现实世界。如何融合所有摄像头、IMU等传感器并在本地运行ML？ TinyML将大有作为，急需构建完整生态——应用、软件、工具、算法、硬件、ASIC、设备、晶圆厂等，Gousev补充

领先无厂半导体公司XMOS在将语音控制嵌入日常设备方面迈出决定性一步。其新款XVF3510语音处理器展示仅两个麦克风即可提供强健实时语音识别，大幅降低成本和体积。 背景上，XMOS专注语音方案、音频产品、运行实时任务、执行密集数字信号处理(DSP)、保持确定性行为的多核微控制器。其xCORE架构通过高速交换机连接多个RISC处理器瓦片，每瓦片可并发执行多达八个任务。任务通过通道通信——无论本地或远程——必要时通过共享内存。 xCORE设计将核心实时操作系统特性——任务调度、定时器、I/O、通道通信——直接嵌入硬件。通过移除中断、缓存、共享总线等时序不确定性，xCORE设备可纳秒级响应外部事件，

新行业联盟FiRa联盟成立，旨在推进超宽带(UWB)技术用于高精度精细测距应用。该组织将开发标准和认证，保障芯片、设备、服务平台间无缝互操作。 由四大创始赞助商驱动，联盟基于IEEE 802.15.4/4z标准，该标准定义低速率无线连接和增强测距。FiRa将创建互操作性规范，扩展IEEE配置文件、补充缺失机制、加速目标用例部署。 FiRa基于IEEE标准保障生态系统互操作性（图片：FiRa） 创始赞助商为ASSA ABLOY集团（含HID Global）、恩智浦半导体、三星电子、博世。早期采纳者包括索尼影像产品与解决方案、LitePoint、电信技术协会(TTA)。 UWB为何重要——及其演

收集数据从未如此简单。只需点击几下，企业即可接入最先进云技术，捕获存储海量信息。十年前，扩展数据收集是负担得起昂贵服务器和专业工程师的大企业特权。 今日，物联网(IoT)让每个设备成为数据生成器。2020年，单人每秒产生1.7MB数据。更惊人的是，自动驾驶汽车单日可生成11TB数据——数字只增不减。 对数据科学家而言，信息丰富既是福也是挑战。当新深度学习模型达92%准确率，本能反应是怪数据不足。收集更多数据模型会改善，我们常这么期望数量解决一切。 这引出关键问题：多少数据真够用？更重要的，多少数据算过度？ 机器学习圈子很少提此担忧，即使大数据可能是40泽字节负债。若数据是新石油，必须精炼；失控

据疾控中心(CDC)数据，美国每年约61万人死于心脏病——每4人死亡中就有1例。心脏健康是个人整体健康最重要参数之一。医疗物联网(IoMT)正赋能新一代可穿戴、多参数、持续心脏监测系统，改善医院、诊所、患者护理和家庭环境的医疗管理。 IoMT是医疗设备和服务的连接基础设施，收集分析数据并发送给医疗提供者。目前这些设备包含测量温度、湿度、振动的传感器，以及识别有限心脏状况的算法。 下一代设计着眼增加参数，利用更智能、复杂的算法识别更广泛心律失常。例如，类似隐形创可贴的一次性贴片，含少量微型IC，可舒适贴敷皮肤长时间监测管理心脏健康。 连接心脏监测系统包含三大要素：可穿戴无线传感器节点、数据管理服

在当今快速演进的技术格局中，跟上无线通信标准令人望而生畏——即使对资深专业人士。协议种类繁多，针对特定用例的性能要求常模糊必要性与创新的界限。 大多数人熟悉Wi-Fi和蓝牙——它们遍布家庭、办公室、移动设备。即使未构建低功耗网状网络，Zigbee、SigFox、LoRa、LTE-M、NB-IoT等名字也耳熟能详。 然而这些熟悉词汇仅触及表面。不同物联网场景需求截然不同。某些应用需低速率、低频传输，但须达15-50公里。其他需更高带宽但仅在距互联网网关1公里内运行。 物联网已从流行语变为日常现实，我们才刚开始见证其全部潜力。 现有无线标准难以同时满足长距离、超低功耗、低成本、足够带宽、强健安全的

自2011年汉诺威展会首秀以来，工业4.0已从流行语演变为切实制造业革命。真正驱动力是物联网(IoT)爆发与人工智能(AI)融入工业工作流。 2012年，通用电气提出工业互联网，描述监控、采集、交换、分析、交付可行洞察的智能设备网络。此概念与工业4.0最终融合为工业物联网(IIoT)。 无论标签为何，目标一致：开启第四次工业革命，基于蒸汽机、传送带、IT奠基。智能工厂现将传感器、执行器、控制系统跨基于IP网络互联，创建增强自动化和决策的连接生态。 图1：工业4.0标志数字化转型新高度。（图片：德州仪器） 故障检测、预测性维护、机器人流程自动化等AI应用进一步加速这一转变。机器学习算法实时处理

Amazon Web Services (AWS) 是物联网 (IoT) 领域领先云平台之一，仅与Microsoft Azure和Google Cloud IoT匹敌。智能设备通常使用MQTT协议通过互联网连接AWS，并与丰富云服务交互。除设备通信外，AWS还提供强大数据存储、分析（含AI）、访问控制等能力，赋能端到端物联网解决方案。 数据持久化方面，AWS提供简单存储服务(S3)，可扩展分层文件系统。S3中每个对象拥有唯一URL，具备适当权限时可通过浏览器公开访问。当对象包含HTML页面时，嵌入JavaScript可调用AWS API，实现交互式仪表盘和浏览器直接控制设备。 Lambda函数

物联网以前所未有速度扩张，推动2035年万亿连接设备预测——远超当今数据量。智能电表是增长最快物联网细分领域之一。IHS Markit预估高级计量基础设施支出2023年达130亿美元，2018年为90亿美元。公用事业收获自动抄表、精准计费、远程控制红利，同时降低资源消耗。 然而爆发式扩张扩大攻击面，网络犯罪分子瞄准关键基础设施或窃取敏感数据。2016年12月，Crash Override恶意软件劫持乌克兰电网，瘫痪30变电站，基辅供电降至五分之一。 智能电表安全威胁贯穿设备整个运营寿命。公用事业须预判多样攻击向量——从关联功率分析等侧信道攻击泄露凭证，到边缘或云端数据泄露。强制端到端安全（含O

尽管连接设备激增，绝大多数物联网硬件出厂时缺乏强健安全。实践中，许多甚至缺乏基础加密，成为攻击者易攻目标。 为量化风险并评估企业准备度，第三届企业不知其不知研究于2019年5月由Shared Assessments和Ponemon Institute发布，两者均为网络风险测量权威机构。调查收集625位高级风险与治理负责人见解。 关键发现凸显暴露与准备度的严重错位： 26%受访者报告因不安全物联网设备导致数据泄露。 84%认为其组织极可能发生源自物联网资产的数据泄露。 87%认为未来两年内极可能发生物联网驱动攻击（如DDoS）。 27%董事会现要求明确证据证明物联网风险正被评估、管理和监控。

嵌入式设备日益普及，但每款新联网产品都带来新隐私担忧。好在不断增长的现成硅片和软件服务组合可助设计师构建抗入侵和未授权数据泄露的能力。第一步是精准定位必须缓解的确切威胁。 实践中，隐私意味着除授权所有者外，任何方均无法访问特定信息。隐私是安全子集，但两者不同。安全还防范数据恶意修改或破坏。系统可以安全但不私密，但私密系统必须安全。 全球监管框架——如GDPR、CCPA及诸多国家法律——强制保护个人身份信息(PII)。经典PII包括姓名、地址、账号、位置、健康数据、图像、活动。但并非所有敏感数据显而易见。例如，恒温器温度设置单独无害，但结合设备位置即成PII。知晓某家庭恒温器显示55°F可能暗示

音频接口现已成为工业物联网(IIoT)单板计算机(SBC)的标配，涵盖模拟和数字选项。每种接口类型带来独特设计与测试挑战，须在组装和生产全程应对。目标是验证整个信号链——从前端IC到处理器的数字音频输入。 图1展示嵌入式音频前端典型生产测试流程。图中突出关键组件：接收器IC（模数转换器或数字音频接收器）、串行接口（如I²S）、馈送处理单元的PCM数据路径。 图1：嵌入式平台测试设置与音频前端（来源：作者） 数据路径包含若干关键模块。接收器IC可能是ADC等模拟前端或数字音频接收器，其输出可用任何串行格式传输，最常见为I²S。该接口承载原始PCM音频数据。 生产测试必须验证整条音频链并检测以下问

成立于2015年的匹兹堡初创公司Aspinity，于周二发布可重构模拟模块化处理器平台，简称RAMP。该超低功耗模拟处理平台旨在直接在模拟域检测、分析和分类原始传感器数据——如语音、警报、振动变化。完成信噪分离后，RAMP将精炼数据移交数字化处理。 （来源：Aspinity） 通过优先进行模拟分析，RAMP可将边缘设备功耗降低多达十倍，并为常开应用将数据量压缩百倍，Aspinity宣称。该平台面向消费、智能家居、物联网和工业市场的电池供电、常开感知设备。 The Linley Group资深分析师Mike Demler向《EE Times》表示，RAMP突出特性是极低功耗——主动运行仅汲取10

加州圣何塞——两岁初创公司Petal正开创脑波监测平台，可让移动和云端巨头接入用户思维。公司在传感器博览会展示技术，回应谷歌邀请智能家居设备扩展Assistant生态。 虽然实时思维监测距主流应用尚远，但据多位参展商称，该领域正快速攀升价值链——从原始传感器硬件向高级软件和数据分析迈进。 Petal利用现成EEG头戴设备采集脑信号，基于谷歌TensorFlow框架构建自定义神经网络模型处理数据。其演示软件让玩家用意念控制游戏。 该初创公司在三星韩国总部演示中获赏识。Petal现寻求与谷歌家庭和嵌入式团队合作，计划一个月内发布支持Android、iOS、macOS和Windows的开发套件。 谷

格勒诺布尔——今年Leti创新日以面向边缘人工智能的深度技术为主题，在室外气温逼近40°C（104°F）的创纪录热浪中，吸引全球800名代表参会。 会议在Minatec园区举办，设讲座、研讨会和现场演示，聚焦边缘部署AI的关键挑战。 数据隐私仍是边缘AI采用的首要驱动力，降低计算时间和能耗同等关键。事实上，数据传输和内存访问可消耗系统高达90%的能量，因此必须最小化内存与处理器间的数据移动。 CEA-Leti以健康、环境、能源研究著称，展示了一系列突破性项目，以及与其孵化初创企业的合作成果。 以下是五个引人注目的亮点项目。 Spirit芯片（图片：EE Times） Apneaband —

根据IHS Markit最新分析，在快速演进的物联网格局中，LoRa和5G窄带物联网(NB-IoT)已领跑更广泛的低功耗广域网(LPWAN)阵营。 4G LTE-M变体落后，Sigfox紧随其后，数据显示LPWAN领域正明显整合。 2018年，IHS估计全球活跃LPWAN连接仅1.5亿。研究预测复合年增长率63%，至2023年将增至17亿。 新兴替代方案也在获取关注。多家厂商开始出货首批900MHz Wi-Fi HaLow芯片（一种长距离Wi-Fi变体），去年CEA-Leti发布专利Turbo-FSK波形的初步研究。 IHS预测NB-IoT和LoRa在2023年可合计占据所有LPWAN连接的8

加州桑尼维尔——近200名工程师和研究人员聚首，启动致力于推进TinyML的社区，该新兴领域将深度学习带入超低功耗系统。 创新思路不乏其数，Arm机器学习研究员Ian Bratt在开场时表示。 四年前进展曾停滞。新浮点格式和压缩技术的到来重燃热情，但尖端研究与商业可行方案间仍存在显著鸿沟，Bratt解释道。 软件生态宛如西部荒野——碎片化且由亚马逊、谷歌、Facebook等巨头主导，各自推自家框架。硬件工程师的挑战在于交付广泛可用的产品，他补充道。 STMicroelectronics工程师呼应此观：我刚意识到至少有四个AI编译器，下一代芯片将超出传统嵌入式设计师工具箱范畴。通过标准委员会稳