微型机器学习，简称TinyML，是人工智能领域中一个新兴且发展迅速的分支。它指的是在微型计算机上执行的机器学习任务，旨在使小型设备能够从机器学习中受益。这种技术特别适用于传感器和可穿戴设备等，允许它们在不依赖互联网的情况下高效运行。通过TinyML，设备能够在现场分析数据，同时优先考虑用户隐私。这是一种向未来转变的趋势，设备将无缝集成智能功能，使生活更加便捷和个性化。
TinyML的主要目标是将机器学习领域扩展到嵌入式系统。微控制器在实现这一目标中扮演了重要角色。从基础设备如计算器到高端产品如医疗设备，微控制器在日常生活中无处不在。微控制器是设计用来执行嵌入式系统特定任务的微型、低成本集成电路。这些机器提供的好处包括：由于微控制器的体积小，它们相对消耗较少的电力，并且由于它们增强的内存而相当可靠。借助微控制器，可以获得边缘计算技术。这项技术有助于直接在设备上执行计算，而不是将其发送到云端中心。边缘计算有助于快速数据处理，并实时给出结果。边缘计算的主要优势是实现低延迟。由于结果是即时的，这在需要低延迟的情况下非常有用。例如，自动驾驶汽车一直在处理数据以避免事故。在这里，延迟可能是生死之别。在微控制器上使用深度神经网络和机器学习算法也被称为嵌入式机器学习。在嵌入式机器学习中，由于数据在嵌入式系统上处理且从未发送到云服务器，因此用户的隐私得到了保护，风险更小。
TinyML模型可以通过模型部署嵌入到小型系统中。这涉及到将训练有素的机器学习模型转换为目标设备硬件可以解释和执行的格式。部署TinyML的好处包括：降低延迟，本地处理使实时决策成为可能，消除了与云通信的需要，降低了延迟。提高隐私，数据保留在设备上，降低了数据泄露的风险，增强了隐私。提高效率，TinyML模型针对设备的硬件进行了优化，导致资源利用高效，电池寿命延长。