第一章 从两个电机故障说起：为什么TinyML不是你理解的“魔改远程监控”那天晚上，我正盯着泰凌微的开发板调蓝牙，某工业物联网群突然有人发出灵魂拷问：“客户现场断网三天，泵机坏了才知道。能不能边采数据边分析，不用回传？”紧接着，又有人抛出一张截图——某智能穿戴方案宣传“本地AI心率判断”，评论区全在吵“这玩意儿真的能在手表里跑？”一个400KB的模型，在嵌入式设备里根本塞不进去。这两件事让我意识到：传统端-云架构（传感器→云端推理→决策→返控端侧）的致命伤，在断网离线、实时响应要求严苛的场景里暴露无遗。当设备需要在断网环境下毫秒级响应，当数据隐私让你不敢把任何一张病历上传，当功耗低到一颗纽扣电池要撑一年——我们必须把推理搬到芯片内部。这就引出了我们今天的问题：到底如何才能把AI模型塞进一块只有几百KB Flash的MCU里，让它实时、低功耗、离线地完成推理？答案落在TinyML。TinyML的核心指标非常苛刻：内存1MB、算力1TOPS、推理延迟100ms——所有资源都紧巴巴，但不能出错。所以，与其想象“弱鸡”单片机上跑AI有多难，不如直面那些具体的问题：“怎么在STM32H743上用Cube.AI部署神经网络？”“为什么用Keil编译总是报内存不足？”本文将从实战出发，带你避开八个关键“地雷”，在STM32上稳稳跑通TinyML。第二章 入门：TinyML的定义与STM32硬件评估TinyML是机器学习、嵌入式系统与物联网的交叉领域，但它的独特之处在于你必须在极端有限的资源里寻找推理的生存空间。我们得先弄清MCU的资