Edge AI secondo Microchip: quali strumenti offre per portare il Machine Learning sui dispositivi embedded?

Non esiste una sola Edge AI, ed il catalogo Microchip lo fa capire bene

Se avete seguito negli ultimi anni l'evoluzione dell'Intelligenza Artificiale embedded, saprete certamente che sotto l'etichetta Edge AI ormai finiscono cose molto diverse fra loro, dal piccolo classificatore che riconosce una vibrazione anomala usando pochi Kbyte di memoria fino alla rete neurale che analizza immagini in tempo reale, ed è proprio per questo che ho voluto guardare con attenzione ciò che sta facendo Microchip. Il suo approccio mi sembra interessante perché non cerca di presentare un unico componente come soluzione universale, ma costruisce una specie di scala che parte dagli MCU a 8 bit, passa attraverso 16 e 32 bit, dsPIC DSC ed MPU, arrivando fino ai PolarFire FPGA e SoC quando il carico diventa decisamente più pesante.

La pagina Edge AI di Microchip ed il suo articolo tecnico pubblicato nel 2025 insistono molto su un concetto che condivido, ovvero che elaborare i dati vicino al sensore permette di ridurre latenza, traffico verso il cloud e consumo energetico, mantenendo inoltre localmente informazioni che in molte applicazioni non c'è alcun motivo di spedire altrove. Ma la parte che mi interessa maggiormente non è lo slogan, è il modo in cui Microchip prova a trasformare questo principio in un flusso di sviluppo realmente utilizzabile da chi normalmente scrive firmware e non passa le giornate ad addestrare reti neurali.

MPLAB Machine Learning Development Suite, il punto di ingresso

Il cuore della proposta per MCU, dsPIC DSC ed MPU è MPLAB Machine Learning Development Suite, ovvero un ambiente che utilizza AutoML per automatizzare buona parte del lavoro necessario a partire dai dati grezzi ed arrivare ad un modello sufficientemente piccolo da poter essere eseguito sul dispositivo. Microchip indica fra le fasi gestite la preparazione dei dati, l'estrazione delle caratteristiche, l'addestramento, la validazione ed infine la conversione verso firmware utilizzabile sul target, quindi non stiamo parlando soltanto di un convertitore che prende una rete già pronta e cerca di infilarla dentro un microcontrollore.

La cosa che trovo più interessante è il supporto dichiarato non soltanto ai classici MCU a 32 bit, che sono quelli ai quali viene spontaneo pensare quando si parla di TinyML, ma anche a dispositivi a 8 e 16 bit ed ai dsPIC DSC. Questo cambia parecchio il ragionamento progettuale perché consente, almeno quando il problema lo permette, di evitare la tentazione di mettere un processore più grosso soltanto perché nel progetto compare la parola AI. Se il compito consiste nel riconoscere uno stato, classificare un segnale oppure individuare un'anomalia dentro una serie di dati provenienti da un sensore, una parte di questi lavori può essere compressa in modelli molto piccoli ed eseguita proprio dove il dato nasce.

Il Model Builder è oggi disponibile sia come plug-in di MPLAB X IDE sia attraverso MPLAB for VS Code, quindi Microchip sta chiaramente cercando di portare l'AI dentro il normale ambiente di sviluppo embedded invece di obbligare il progettista a cambiare completamente strumenti. Ed a luglio 2026 c'è stata anche una novità non trascurabile, perché Microchip ha reso disponibile senza costo MPLAB Machine Learning Development Suite assieme agli MPLAB XC Pro Compiler, eliminando quindi una barriera economica che fino a quel momento poteva pesare soprattutto sui piccoli laboratori, sui maker evoluti e su chi vuole semplicemente capire se una determinata idea funziona prima di costruirci sopra un prodotto.

AutoML non significa premere un pulsante ed avere automaticamente ragione

Qui però vale la stessa considerazione che faccio ogni volta che provo un ambiente AutoML: automatizzare la scelta degli algoritmi non rende buoni dei dati cattivi. MPLAB Machine Learning Development Suite può arrivare a preparare, estrarre caratteristiche, allenare, validare ed ottimizzare, ma la qualità del risultato resta legata a ciò che gli diamo in ingresso ed a quanto il dataset rappresenta davvero le condizioni nelle quali il dispositivo dovrà funzionare. In pratica la parte ripetitiva e matematica viene spostata sullo strumento, mentre la responsabilità di capire cosa stiamo misurando rimane fortunatamente nelle mani di chi progetta il sistema.

Microchip cita esplicitamente classificazione supervisionata ed anomaly detection, quindi il campo d'impiego naturale comprende cose come riconoscimento di eventi nei sensori, manutenzione predittiva, monitoraggio delle condizioni di una macchina e classificazione di segnali. La stessa documentazione mostra il classico percorso nel quale i dati acquisiti dai sensori vengono importati, ripuliti e trasformati, il modello viene costruito e provato, quindi viene convertito in firmware. È un approccio che trovo sensato perché lascia separati due momenti che in molti progetti vengono confusi, cioè costruire un modello che sulla workstation sembra funzionare ed ottenere invece qualche cosa che continui a funzionare dentro i limiti reali di RAM, Flash, frequenza di clock e consumo del microcontrollore.

Se il modello esiste già entra in gioco MPLAB Harmony

Non sempre però si parte da zero ed è qui che l'ecosistema diventa più interessante. Microchip prevede anche il percorso Bring Your Own Model, cioè la possibilità di arrivare con una rete neurale già realizzata, convertire un modello TensorFlow nel formato LiteRT, che è il nome attuale di TensorFlow Lite, ed integrarlo in un progetto MPLAB Harmony v3 per MCU oppure MPU compatibili. In questo caso il lavoro è diverso da quello svolto con l'AutoML della Machine Learning Development Suite, perché non chiedo a Microchip di costruirmi il modello ma di aiutarmi a portare sul dispositivo un modello che possiedo già.

Questa distinzione è importante perché evita di mettere tutto sotto lo stesso cappello. Se parto da segnali di temperatura, vibrazione, corrente oppure pressione e voglio trovare automaticamente un classificatore compatto, MPLAB Machine Learning Development Suite è il percorso naturale; se ho già una DNN, ovvero una Deep Neural Network, allenata altrove e compatibile con il flusso previsto, Harmony diventa invece il ponte verso il firmware. Il risultato finale resta inferenza locale, ma cambia completamente il punto dal quale parto.

Quando un microcontrollore non basta più c'è VectorBlox

Salendo parecchio di livello troviamo VectorBlox Accelerator SDK, che non va confuso con MPLAB Machine Learning Development Suite perché qui il bersaglio sono i PolarFire FPGA e PolarFire SoC ed il problema è l'inferenza ad alta velocità di reti neurali, in particolare per applicazioni dove video, visione artificiale e bassa latenza rendono insufficiente un normale microcontrollore. Microchip supporta modelli provenienti da TensorFlow, TensorFlow Lite, ONNX ed OpenVINO, quindi VectorBlox è pensato come un vero strato di accelerazione e distribuzione su FPGA piuttosto che come semplice ambiente AutoML per segnali da sensore.

Nel luglio 2026 Microchip ha presentato VectorBlox 3.0, introducendo il supporto alle sparse neural networks ed a tecniche di compressione strutturata e non strutturata che servono a ridurre memoria e trasferimenti di dati. Il punto è abbastanza evidente, perché quando una rete cresce il problema non è soltanto quante moltiplicazioni riesco a fare al secondo ma anche quante volte devo spostare pesi, attivazioni e feature map attraverso la memoria. Ridurre questi movimenti significa poter far entrare modelli più grandi dentro limiti di banda e memoria prefissati, ed è uno dei motivi per cui l'ottimizzazione dell'AI su FPGA è una materia parecchio diversa dal semplice eseguire lo stesso codice più velocemente.

Microchip dichiara inoltre per le pipeline VectorBlox consumi inferiori a 5 W in determinate configurazioni, un ordine di grandezza che spiega bene il tipo di applicazioni al quale si rivolge: analisi video, smart surveillance, sistemi industriali ed altri carichi nei quali serve elaborare molto senza trasformare il dispositivo edge in un piccolo server con una GPU affamata di energia.

Una stessa idea può partire da 8 bit ed arrivare ad un FPGA

La caratteristica più interessante dell'offerta Microchip, a mio parere, è proprio la sua continuità. Un progetto può cominciare con un problema relativamente semplice e con un MCU economico, passare ad un dispositivo più potente quando aumentano numero di sensori o complessità del modello ed arrivare infine ad MPU oppure FPGA quando si entra nella visione artificiale o nell'inferenza ad alto throughput. Non significa naturalmente che il passaggio da una piattaforma all'altra sia automatico o indolore, sarebbe una semplificazione eccessiva, ma almeno il costruttore ha organizzato hardware e strumenti attorno ad una stessa idea di sviluppo Edge AI.

Mi sembra inoltre significativa la scelta di Microchip di mettere oggi gratuitamente a disposizione la Machine Learning Development Suite, perché in questa fascia di mercato la vera concorrenza non si gioca soltanto sulla potenza del chip ma sulla quantità di lavoro che serve per arrivare dal dataset ad un firmware riproducibile. Un microcontrollore che costa pochi euro perde rapidamente il suo vantaggio se per utilizzarlo servono settimane di sviluppo aggiuntivo, quindi AutoML, integrazione con MPLAB X e VS Code e generazione del codice non sono un contorno ma una parte sostanziale della piattaforma.

Dove collocherei oggi le tre strade Microchip

Se dovessi sintetizzare il quadro senza trasformarlo in una tabella da catalogo direi così: MPLAB Machine Learning Development Suite è la strada che sceglierei quando ho dati da sensore ed ho bisogno di costruire un modello compatto, MPLAB Harmony v3 è il passaggio naturale quando possiedo già una rete neurale e voglio integrarla nel firmware, mentre VectorBlox entra in scena quando la quantità di calcolo cambia scala ed il target diventa PolarFire FPGA oppure SoC. Sono strumenti diversi e non concorrenti fra loro, ed è proprio questa differenza a rendere sensata la definizione di ecosistema.

Quello che trovo particolarmente interessante, dopo aver confrontato la documentazione tecnica attuale con l'articolo Microchip del 2025, è che il messaggio è rimasto coerente ma gli strumenti sono andati avanti: la suite ML è diventata gratuita, l'integrazione con VS Code è ormai parte dell'offerta ed VectorBlox è arrivato alla versione 3.0 con compressione e sparse networks. Per chi vuole iniziare a sperimentare Edge AI senza partire direttamente da Linux, GPU e modelli giganteschi, è quindi un ecosistema che vale la pena tenere d'occhio, soprattutto perché dimostra una cosa che a volte viene dimenticata, ovvero che fare Intelligenza Artificiale al bordo non significa necessariamente mettere più potenza possibile vicino al sensore, ma scegliere la quantità GIUSTA di elaborazione per quel problema ed USARLA DOVE SERVE!