ST 釋出 Stellar P3E：首顆內建 AI 加速器的車規 MCU
2 月 10 日，意法半導體（ST）釋出 Stellar P3E。官方稱其為首顆內建 AI 加速的車規微控制器（MCU），面向邊緣智慧。換句話說：在滿足車規與即時控制要求的前提下，把神經網路推理的硬體加速直接放進了 MCU 裡，而不是留給上層的域控制器或雲端。
該器件面向軟體定義汽車、X-in-1 電控單元、混動與電動車輛，以及車身區域（zonal）架構。所謂 X-in-1，是把過去分散在多個控制器裡的功能合併進一顆器件，從而減少系統成本、重量與複雜度——這也解釋了為什麼車規 MCU 需要更強的算力、更大的儲存與更豐富的外設。
先交代一點背景，才看得清這件事為什麼現在發生。過去十年，車載電子的主線之一是「把分散的電控單元合併」：從每項功能一個盒子，到按車身區域或功能域合併成少數幾個控制器。合併帶來更少的線束、更輕的重量與更低的成本，代價是每顆控制器要處理的任務更多、接入的感測器更多，而這恰恰需要更聰明的訊號處理——AI 的用武之地就在這裡。
NPU 的位置：微秒級與「30 倍效率」
P3E 的核心賣點是整合的 ST Neural-ART 加速器：一顆採用資料流架構、專門服務 AI 負載的神經網路處理單元（NPU）。ST 給出的口徑是推理以微秒級速度完成，相比傳統 MCU 核心處理器最多提升 30 倍效率。這類「常開、低功耗」的推理能力，對應的是預測性維護與智慧感測等需要持續執行的即時功能。
為什麼把推理放在 MCU 本地做很重要？如果放到雲端或域控制器，資料要出板、鏈路要有頻寬、決策要排進佇列，鏈路上任何一環都會帶來不確定性；而在 MCU 本地完成推斷，延遲可以被壓到確定的範圍裡，也不必為此增加感測器、模組、線束與整合工作量。ST 明確提到的「虛擬感測器」就是典型例子：用模型從已有訊號裡推斷出原本需要額外物理感測器才能測量的量，從而省掉那部分硬體。
需要說清楚的是，30 倍與微秒級都是 ST 的官方表述，衡量的是相對傳統 MCU 核心執行同類推理的效率，而不是說這顆晶片能跑大型模型。換個角度看，這也說明汽車 AI 的競爭焦點短期內仍在功耗與時延，而不是模型有多少億引數。車規場景要的恰恰是「小而確定」的推理，而不是通用大模型——模型從雲端下沉到晶片上，前提是它足夠小、足夠可預測。
算力底座與可擴充套件記憶體
CPU 側是 500 MHz 的 Arm Cortex-R52+ 核心。Cortex-R 系列面向即時與高可靠場景，與通用的 Cortex-M 不是同一類定位；ST 給出的指標是 CoreMark 得分超過 8000 分，稱其在同類產品中最高。另一項值得留意的是 split-lock 架構——同一條指令可以由兩個核鎖步執行以保證安全，也可以拆開各自跑以追求效能，設計者可以在功能安全與峰值效能之間自行配比。
記憶體是另一半關鍵。P3E 整合的 xMemory 基於相變儲存器（PCM），密度是傳統嵌入式 Flash 的兩倍，且通過車規環境認證。它的價值不在單次讀寫速度，而在「可擴充套件」：軟體儲存可以動態擴充以容納新功能與新韌體，而不必為了加記憶體重新做硬體設計——對軟體定義汽車來說，「不改板子就能加功能」正是核心訴求。
還需要說清 NPU 與 CPU 的關係。NPU 不是替代 Cortex-R 核心，而是分擔其中規則化的計算：確定性的控制邏輯、即時排程與安全機制仍然跑在核心上，NPU 負責的是矩陣乘加這類可以並行、可以量化的運算。兩者的分工是否合理，直接決定系統的確定效能不能被保住——這也是車規 AI 與消費級 AI 晶片最根本的區別。
研發工具與量產時間
P3E 完整支援 ST Edge AI Suite，這套工具鏈覆蓋從資料集製作到端側部署的全過程；其中 NanoEdge AI Studio 現已可用於整個 Stellar MCU 家族。器件同時已整合進面向汽車工程師的一體化開發環境 Stellar Studio。軟硬體的組合意在把邊緣 AI 的部署流程標準化，而不是讓每個團隊各自搭一套流程。這類一體化工具鏈的價值在車規專案裡尤其明顯：從資料集到認證材料的鏈條越短，返工越少。
從行業角度看，這類方案的直接後果是「功能不再由硬體決定」：過去要加一項功能，往往要加一個感測器或一個控制器；現在可以在既有硬體上換一個模型來獲得新行為。ST 提到整車廠可以通過不同的 AI 模型引入新功能與更直觀的行為，減少額外的感測器、模組、線束與整合工作，講的正是這個變化。
在 ST 的產品線上，這個方向是一致的：通用嵌入式側的高效能 AI MCU 是 2024 年 12 月釋出的 STM32N6——首顆帶 Neural-ART 加速器的 STM32，Cortex-M55 核心 800 MHz，最高 4.2 MB RAM，帶 ISP 與攝像頭介面，算力約 600 GOPS。差別在於語境：N6 服務通用嵌入式，P3E 把 AI 放進了即時控制與功能安全的要求裡。
當然，也要看到約束。MCU 級的儲存與記憶體都遠小於帶外掛加速器的方案，模型必須經過量化與剪枝才能裝進去；車規認證又限制了軟體可以多頻繁地更新。這些約束決定了它適合「固定任務、長期執行」的推理，而不適合頻繁迭代的模型實驗。
量產節奏上，ST 計劃在 2026 年第四季度開始 Stellar P3E 的量產。對整車廠來說，這意味著選擇視窗在 2026 年內開啟，而設計與認證通常要提前很久開始，否則趕不上平臺換代的時間點。由此可以給出一句判斷：車規 MCU 的 NPU 化已經開始，AI 不再只是「上層的推理模組」，而成為即時控制迴路裡的一部分；對汽車電子團隊來說，這意味著模型壓縮與算力預算這些原本屬於演算法崗的話題，會逐步出現在 MCU 工程師的日程表上。至於它們會不會真的改變一輛車的電子架構，還要看量產客戶怎麼用它。