Elettronica Edge: ESP32-P4, pura potenza bruta al servizio dei maker

Un ESP32 che ha deciso di non essere più il solito ESP32

Se avete usato almeno una volta un ESP32, saprete certamente che la prima associazione mentale è quasi automatica, ovvero un microcontrollore economico con Wi-Fi e Bluetooth già dentro, abbastanza potente da pilotare sensori, relè, piccoli display, motori, interfacce web ed una quantità quasi infinita di progetti IoT. Con ESP32-P4 Espressif ha preso invece una strada che trovo molto più interessante di quanto possa sembrare leggendo soltanto la frequenza dei core, perché ha costruito un chip nel quale Wi-Fi e Bluetooth NON sono integrati ed ha spostato il baricentro verso elaborazione, memoria, multimedia, visione artificiale ed HMI (Human-Machine Interface), cioè verso quella fascia di applicazioni nella quale fino a pochi anni fa un semplice microcontrollore cominciava rapidamente ad andare stretto.

La tentazione sarebbe dire che Espressif ha tolto la radio per usare tutto il silicio risparmiato come potenza di calcolo, ma questa è una semplificazione un po' troppo comoda, perché la distribuzione reale dell'area del die non si può dedurre in questo modo senza il progetto fisico del chip. La cosa corretta da dire è che ESP32-P4 nasce deliberatamente come MCU ad alte prestazioni senza radio integrata, con un sottosistema di calcolo molto più ambizioso, interfacce ad alta velocità, acceleratori dedicati ed una quantità di memoria che cambia completamente ciò che possiamo tentare di fare ad Edge. Se poi ci serve la connettività wireless non abbiamo perso nulla di irrecuperabile, perché Espressif prevede esplicitamente l'uso di un secondo SoC come ESP32-C5 oppure ESP32-C6, ed infatti le sue schede di sviluppo ufficiali affiancano al P4 proprio un modulo di questa famiglia per aggiungere Wi-Fi e Bluetooth.

Due core RISC-V ad alte prestazioni, ma il dettaglio interessante è tutto quello che gira attorno

Il cuore del sistema ad alte prestazioni contiene due core RISC-V a 32 bit che possono arrivare fino a 400 MHz e supportano FPU in precisione singola, estensioni DSP ed istruzioni dedicate all'AI, anche se nelle revisioni correnti il datasheet indica 360 MHz come frequenza predefinita e 400 MHz come configurazione superiore, mentre un terzo core RISC-V low-power può funzionare fino a 40 MHz e svolgere attività leggere quando non ha senso tenere svegli i due core principali. Questa architettura è già di per sé interessante, perché permette di separare una parte del lavoro continuo e poco impegnativo da quella che richiede improvvisamente molta potenza, ma il salto rispetto ai vecchi ESP32 diventa più evidente quando si osserva il sottosistema di memoria, con 768 KB di SRAM interna per il sistema HP ed 8 KB di TCM (Tightly Coupled Memory) a latenza molto bassa.

Qui voglio correggere un dettaglio che viene riportato spesso in maniera imprecisa, compresa la formula molto comoda dei "32 MB di PSRAM integrata". Nelle versioni attuali ESP32-P4NRW16X ed ESP32-P4NRW32X esistono effettivamente 16 oppure 32 MB di PSRAM IN-PACKAGE, cioè memoria inserita nello stesso package del SoC, che non equivale però ad avere 32 MB di SRAM monoliticamente dentro il die del processore; la RAM realmente on-chip indicata da Espressif è molto più piccola, mentre la PSRAM affiancata nel package fornisce lo spazio necessario per framebuffer, modelli neurali, tensori, immagini ed altre strutture dati troppo grandi per la sola memoria interna. Questa distinzione sembra pignola finché non si lavora davvero con sistemi embedded, perché latenza, banda, cache ed allocazione della memoria cambiano parecchio fra SRAM interna e PSRAM esterna o in-package.

Ed è qui che il P4 inizia a diventare davvero strano per chi è abituato al concetto tradizionale di microcontrollore, perché non abbiamo soltanto CPU e RAM ma anche GDMA, VDMA, 2D-DMA, una PPA (Pixel Processing Accelerator), un ISP (Image Signal Processor), codec JPEG ed un encoder hardware H.264, tutte unità che servono precisamente a NON sprecare i core generali per fare continuamente operazioni che un blocco dedicato può svolgere meglio e con meno cicli. In pratica la potenza bruta non consiste soltanto nel far girare più velocemente due CPU, consiste nel costruire una pipeline nella quale acquisizione, conversione, elaborazione dei pixel, movimento dei dati, composizione grafica ed encoding video possono avvenire con l'aiuto di acceleratori hardware mentre i core RISC-V rimangono disponibili per la logica dell'applicazione.

MIPI-CSI e MIPI-DSI cambiano il tipo di progetto che possiamo costruire

Se avete mai provato a collegare una fotocamera ed un display relativamente importanti ad un microcontrollore tradizionale, saprete certamente che il problema non è soltanto riuscire ad avere abbastanza pin, perché molto rapidamente ci si scontra con banda, sincronizzazione, quantità di dati da spostare e memoria necessaria per contenere uno o più frame. ESP32-P4 integra un'interfaccia MIPI-CSI conforme a CSI-2 ed un'interfaccia MIPI-DSI per i display, entrambe con due lane capaci di arrivare fino ad 1,5 Gbit/s per lane secondo il datasheet, con il vantaggio di poter costruire dispositivi nei quali una telecamera ad alta risoluzione entra direttamente nel sottosistema di acquisizione mentre il display riceve un flusso grafico ad alta velocità senza dover ricorrere ad accrocchi improbabili di GPIO pilotati al limite.

Espressif indica supporto fino al Full HD 1080p per camera e display e questo, unito ad ISP, PPA e 2D-DMA, rende il chip molto adatto non solo alle classiche interfacce con qualche pulsante disegnato sullo schermo ma anche a pannelli HMI ricchi, videocitofoni, terminali industriali, strumenti da banco, controllori domestici con interfaccia grafica, sistemi di visione ed apparecchi nei quali la UI deve finalmente sembrare quella di un prodotto moderno e non quella di un microcontrollore che sta facendo uno sforzo enorme per disegnare quattro finestre.

La scheda ESP32-P4-Function-EV-Board rende molto bene l'idea di ciò che Espressif aveva in mente, perché può lavorare con un touchscreen capacitivo da 7 pollici e risoluzione 1024 × 600, una fotocamera MIPI-CSI da 2 megapixel, audio, microSD, Ethernet ed un modulo ESP32-C6 che aggiunge Wi-Fi 6 a 2,4 GHz e Bluetooth 5 LE. La variante più recente con ESP32-C5 aggiunge anche Wi-Fi 6 dual-band a 2,4 e 5 GHz, quindi l'assenza della radio nel P4 non crea una piattaforma isolata, crea piuttosto un'architettura modulare nella quale il SoC principale fa il lavoro pesante ed un secondo chip si occupa della connettività.

H.264 sì, ma attenzione: il P4 codifica, non decodifica

C'è un altro dettaglio che vale la pena sistemare subito, perché in molte descrizioni veloci dell'ESP32-P4 si legge "decodifica hardware H.264", mentre la documentazione ufficiale parla di H.264 ENCODER. Il blocco hardware può codificare video fino a 1080p a 30 fps e questa differenza non è semantica, perché un encoder prende il flusso video grezzo proveniente dalla camera e lo comprime in H.264, mentre un decoder fa l'operazione opposta e ricostruisce i frame partendo da un flusso compresso.

Per una videocamera, un campanello smart, un sistema di sorveglianza oppure un dispositivo di telepresenza questa scelta è perfettamente sensata, perché il problema costoso è spesso acquisire il video, elaborarlo, comprimerlo e poi trasferirlo senza saturare CPU e memoria. Immaginiamo una camera Full HD in formato RGB888, che produce tre byte per pixel, perché un solo frame 1920 × 1080 pesa circa 6,22 MB e trenta frame al secondo significherebbero quasi 187 MB/s di dati grezzi prima ancora di fare qualsiasi altra cosa. È evidente che non vogliamo spedire quella massa di dati così com'è, ed avere ISP, DMA ed encoding H.264 direttamente nel SoC permette di trattare il flusso molto più vicino alla sorgente, riducendo enormemente ciò che deve poi viaggiare verso la rete o essere memorizzato.

Edge AI, qui il termine finalmente smette di essere soltanto marketing

Quando dico Edge AI intendo una cosa molto concreta, ovvero acquisire un dato, eseguire localmente l'inferenza ed ottenere il risultato sul dispositivo senza essere obbligati a spedire immagini o audio ad un server cloud. Il vantaggio non è soltanto la latenza, perché elaborare localmente significa poter continuare a funzionare senza rete, evitare di trasmettere continuamente dati sensibili, ridurre il traffico, abbassare i costi dei servizi remoti ed avere tempi di risposta più prevedibili.

ESP32-P4 non è una GPU da desktop e non bisogna raccontarlo come tale, ma il salto rispetto ai microcontrollori ESP32 precedenti è notevole, perché Espressif supporta direttamente il P4 con ESP-DL e con il più recente ambiente ESP-VISION, nel quale troviamo inferenza per object detection, classificazione, pose estimation, riconoscimento, QR code, AprilTag ed altri compiti di computer vision. I modelli vengono normalmente quantizzati, spesso ad INT8 o con schemi misti, perché su un microcontrollore ogni byte ed ogni moltiplicazione contano, poi ESP-DL sfrutta implementazioni ottimizzate degli operatori, pianificazione statica della memoria e scheduling sui due core per fare in modo che convoluzioni ed altre operazioni pesanti usino il più possibile l'hardware disponibile.

I numeri attuali danno una misura più seria del salto prestazionale. Nel benchmark ESP-DL pubblicato da Espressif a settembre 2026, gli operatori Conv mostrano sul P4 uno speedup medio di circa 38,8 volte rispetto all'ESP32 classico usato come baseline, mentre l'ESP32-S3 nello stesso test si ferma a circa 22,9 volte, ed il tempo totale accumulato sui casi comuni del benchmark scende da circa 963 mila microsecondi sull'S3 a circa 321 mila sul P4. Non significa che qualunque applicazione diventi automaticamente tre volte più veloce, perché cache, memoria, preprocessing, dimensione dei tensori ed operatori utilizzati cambiano completamente il risultato, ma è una misura concreta del fatto che non stiamo parlando soltanto di qualche MHz in più.

Anche i modelli reali aiutano a capire dove siamo. Un YOLO11n quantizzato ad 8 bit con input 320 × 320 viene indicato da Espressif intorno a 550 ms per la sola inferenza sul P4, quindi circa due inferenze al secondo prima di considerare tutta la pipeline, mentre lo stesso framework può eseguire rilevamento del movimento a 640 × 360 in circa 21,9 ms con stride 1, cioè oltre 45 fotogrammi al secondo. Questo è importante perché evita l'errore di dire genericamente "fa computer vision in tempo reale", dato che DIPENDE DAL MODELLO e dal problema, un filtro o un rilevatore leggero può lavorare a decine di frame al secondo mentre una rete neurale più pesante può richiedere centinaia di millisecondi o addirittura secondi per ogni frame.

La quantizzazione è il vero trucco che rende possibile mettere una rete neurale in pochi dollari di silicio

Se prendiamo una rete addestrata su PC e proviamo semplicemente a trasferirla tale e quale su un microcontrollore, molto spesso non entra in memoria oppure gira con una lentezza poco utile. La quantizzazione riduce la precisione numerica di pesi ed attivazioni, per esempio passando da floating point a rappresentazioni INT8, con lo scopo di usare meno memoria ed eseguire operazioni più economiche, e naturalmente questo introduce un compromesso perché comprimere la rappresentazione numerica può ridurre l'accuratezza del modello.

Il lavoro interessante consiste quindi nel trovare il punto in cui il modello diventa abbastanza piccolo e veloce senza perdere troppo della propria capacità, ed ESP-DL oggi supporta procedure di quantizzazione che arrivano anche a configurazioni miste w8a16, cioè pesi ad 8 bit ed attivazioni a 16 bit dove conviene mantenere più precisione. Questo non è un dettaglio da laboratorio, perché decide se una rete entra nei 16 o 32 MB di PSRAM disponibili, quanto velocemente può attraversare i layer e se il risultato finale rimane affidabile dopo aver ridotto la precisione numerica.

È anche il motivo per cui quei 32 MB di PSRAM in-package fanno una differenza enorme pur non sembrando molti se li confrontiamo con i gigabyte di un PC, perché nell'embedded non devono ospitare un sistema operativo general purpose, un browser con venti schede aperte ed una quantità enorme di servizi, devono contenere modello, attivazioni, framebuffer, buffer di acquisizione e strutture necessarie all'applicazione. Espressif stessa indica che modelli come YOLO11n possono richiedere parecchi megabyte fra parametri e gestione della memoria, quindi passare da pochi megabyte ad una configurazione da 32 MB cambia letteralmente la classe di reti che possiamo tentare di eseguire.

Quanto costa questa potenza e perché interessa davvero ai maker

La parte quasi assurda, se la guardiamo con gli occhi di chi qualche anno fa acquistava schede embedded molto più limitate, è il prezzo del silicio. Nel selettore ufficiale Espressif le versioni ESP32-P4NRW16X ed ESP32-P4NRW32X risultano con prezzi campione di riferimento nell'ordine di circa 3,06 e 3,33 dollari, naturalmente non è il prezzo di una scheda completa con display, camera, alimentazione, connettori, memoria Flash e modulo radio, ma serve a capire quanto poco costa ormai il cuore computazionale del sistema.

Ed è qui che per me il P4 diventa soprattutto un chip da maker, perché non obbliga ad entrare immediatamente nel mondo dei single-board computer Linux ogni volta che vogliamo una camera, una GUI complessa oppure un piccolo modello neurale. Possiamo costruire un dispositivo che si avvia in tempi molto rapidi, esegue firmware deterministico, controlla direttamente periferiche e GPIO, usa FreeRTOS attraverso ESP-IDF, pilota display e fotocamere con interfacce moderne ed esegue inferenza locale, mantenendo costi, consumi e complessità molto inferiori rispetto ad una piattaforma da PC in miniatura.

Questo non significa che ESP32-P4 sostituisca Raspberry Pi, moduli NVIDIA Jetson oppure processori applicativi ARM, perché quando servono Linux completo, gigabyte di RAM, accelerazione neurale molto più potente, browser moderni, container o modelli di grandi dimensioni il confronto non ha senso. Il P4 occupa invece quello spazio che prima era fastidiosamente vuoto, nel quale un normale microcontrollore cominciava ad essere troppo debole ma un computer embedded completo era eccessivo, costoso, più lento ad avviarsi e spesso inutilmente complesso.

Cosa ci costruirei realmente

Se avessi davanti un ESP32-P4 oggi, io partirei proprio dai progetti nei quali la combinazione fra sensori, immagine ed interfaccia utente permette di sfruttarlo davvero, non dal solito lampeggio di LED che naturalmente funziona ma sarebbe quasi offensivo. Un sistema di controllo per laboratorio con touchscreen, grafici fluidi e logging su microSD, un videocitofono che riconosce localmente presenza e movimento, una camera che esegue object detection senza inviare ogni fotogramma nel cloud, un terminale HMI industriale con Ethernet, un dispositivo di visione per controllare il passaggio di oggetti su un nastro, un pannello domotico con voce, display ed automazioni locali sono tutti esempi nei quali il P4 ha molto più senso di una scheda scelta soltanto perché possiede un processore più veloce.

Mi interessa soprattutto la possibilità di separare fisicamente il calcolo dalla radio, perché un progetto può lasciare al P4 camera, display, AI e controllo realtime mentre un ESP32-C5 o C6 gestisce il traffico wireless, e questa divisione permette non solo di distribuire il carico ma anche di aggiornare o cambiare la parte radio senza ridisegnare necessariamente l'intero cervello del sistema. È una scelta architetturale che richiede un componente in più, certo, ma in progetti seri può diventare un vantaggio invece di essere soltanto il prezzo da pagare per l'assenza di Wi-Fi nel SoC principale.

Il passaggio da IoT ad Edge computing è tutto qui

Per anni la formula tipica era semplice, il microcontrollore raccoglieva il dato e lo mandava da qualche altra parte perché fosse elaborato, mentre oggi iniziamo a poter prendere una telecamera, acquisire l'immagine, correggerla nell'ISP, spostarla con DMA, analizzarla con un modello quantizzato, disegnare il risultato su un display ed eventualmente comprimere il video in H.264, il tutto dentro una piattaforma che rimane per filosofia molto più vicina ad un microcontrollore che ad un PC.

È questo il motivo per cui definisco ESP32-P4 pura potenza bruta al servizio dei maker, non perché 400 MHz siano un numero impressionante in assoluto ma perché Espressif ha messo CPU, memoria, interfacce MIPI, acceleratori grafici, pipeline video ed istruzioni per l'AI dentro una fascia di prezzo nella quale fino a poco tempo fa avremmo comprato un microcontrollore destinato soprattutto a leggere sensori ed accendere attuatori. Adesso quel piccolo oggetto da pochi dollari può anche VEDERE, ANALIZZARE E MOSTRARE ciò che sta accadendo localmente, ed è proprio questo passaggio che rende l'ESP32-P4 molto più interessante dell'ennesimo aumento di frequenza!