邊緣AI已經成為業界積極探索的議題，感測器肩負蒐集資料以提供AI進行智慧判斷的任務，在邊緣AI應用中不可或缺。不過，除了蒐集資料並回傳給MCU等單元進行處理，若能進一步賦予感測器進行資料處理的能力，將可透過環境感知等方式，升級應用體驗並減少能耗。
意法半導體(ST)類比、電源、MEMS和感測器事業群副總裁暨MEMS子產品事業群總經理Simone Ferri表示，能耗是AI部署正面臨的挑戰之一，傳統上，感測器會將原始數據傳輸到處理器，導致大量無關的數據和高耗能。為了生成有意義的資料(而非原始資料)並以最有效的方式傳遞，感測器首先必須「聰明」，具備在邊緣處理資料的能力，同時能夠根據情況提供適當品質的資料，而非一味以能源為代價提供高階資料。
在感測器內加入資料處理能力，能夠減少資料傳輸並優化能源效率。例如，ST便採用兩項技術打造智慧感測器：機器學習核心(MLC)和智慧感測處理單元(ISPU)。機器學習核心是一個AI模型引擎，允許選擇更深層或多個並行處理的小型模型，不過基礎模型結構通常是固定的；ISPU則提供更靈活的方法，能直接將數位訊號處理器(DSP)整合到感測器中。
在此情況下，感測器和MCU之間的關係將產生變化。Ferri說明，透過將部分AI處理分擔給智慧感測器，開發者可將部分任務轉移至智慧感測器，釋放出MCU的處理空間以處理其他功能，或是選擇成本較低的MCU，在保持所需智慧化水準的前提下優化成本效益。
智慧感測器能夠進一步支援適用性配置(Adaptive-Self-Configuration, ASC)概念，此概念藉由在感測器端辨別周遭情境，根據環境自我重新配置，例如ST的解決方案便可透過機器學習核心和有限狀態機(FSM)合作即時解讀事件，讓處理器智慧適應環境自行調整配置，無須喚醒MCU以進行重新配置，以減少能源消耗。
圖1 智慧型感測器應用多元 (圖片來源：ST)
此外，智慧感測器也可滿足特定應用需求。Ferri以MEMS極具成長前景的醫療領域為例，在心電圖系統中，動作感測器可偵測一個人是否靜止或不適當移動，感測器處理這些資訊，只有當人處於正確狀態時才會喚醒系統；在連續血糖監測中，讀數的準確性取決於身體的位置，若舉起手臂或在活動後立即檢查血糖，讀數就可能會出錯，因此，環境感知有助於取得精確血糖讀數。
除了針對智慧感測器提出創新概念和產品布局，ST在能源方面也致力投入SiC技術研發，近期發表第四代SiC功率技術，並持續投入資金擴充產能，以滿足未來應用需求。