Raksasa MCU Resmi Membuka Semua Kartu Strateginya

Selama bertahun-tahun, dunia komputasi tertanam (embedded computing) identik dengan satu kata: stabil. Segalanya berjalan tertata, terukur, dan “cukup”—tanpa dorongan untuk berubah secara ekstrem.

Di pusat ekosistem ini, misi MCU sangat jelas dan nyaris tidak berubah: andal, respons real-time, dan hemat daya. Performa tidak harus berlipat ganda setiap tahun, arsitektur pun tidak dituntut untuk melakukan inovasi agresif. Kombinasi yang telah terbukti—Flash, SRAM, inti CPU, dan toolchain perangkat lunak yang matang—sudah lebih dari cukup untuk menjaga sistem kontrol industri, elektronik otomotif, dan berbagai perangkat terminal berjalan stabil selama belasan tahun.

Namun, dalam dua hingga tiga tahun terakhir, tatanan itu mulai bergeser—pelan, tetapi tegas.

Perubahan ini bukan dimulai dari “kecemasan komputasi”. Berbeda dengan dunia server dan GPU, MCU tidak sedang mengejar TOPS yang makin tinggi, apalagi mencoba menjalankan model raksasa dengan puluhan miliar parameter.

Tekanan sesungguhnya datang dari sisi edge. Perangkat tidak lagi sekadar diminta “merasakan” dan “merespons”, tetapi juga “memahami lingkungan” dan “mengambil keputusan”: fusi data sensor, deteksi anomali, pengenalan gambar, wake word/aktivasi suara, hingga predictive maintenance. Kemampuan-kemampuan ini tidak menuntut performa ekstrem, tetapi menuntut sesuatu yang jauh lebih sulit dalam sistem embedded: jaminan real-time yang ketat, konsumsi daya yang terkontrol, dan determinisme sistem.

Di mata para raksasa MCU—TI, Infineon, NXP, ST, dan Renesas—industri sedang memasuki revolusi jenis baru. AI tidak lagi sekadar perangkat lunak yang kebetulan bisa berjalan di MCU. AI mulai membentuk ulang MCU itu sendiri: mendorong teknologi proses dari 40nm tradisional menuju 22nm, 16nm, bahkan node yang lebih maju; mempercepat integrasi berbagai modul baru di dalam chip termasuk NPU; serta mengangkat teknologi memori generasi baru dari “pemain belakang layar” menjadi pemeran utama.

Sejak titik ini, jalur evolusi MCU memasuki pola yang benar-benar baru. Pasar tidak lagi hanya meminta MCU yang “lebih cepat”, melainkan arsitektur baru yang tetap mempertahankan keunggulan klasik MCU, namun secara native mampu menangani beban kerja AI.

Mengapa MCU perlu “menyisipkan” NPU?

Wajar jika banyak yang bertanya: mengapa MCU pun harus dilengkapi modul NPU?

Jawabannya berbeda total dibanding smartphone dan data center. Di perangkat mobile dan cloud, NPU dibangun untuk mengejar TOPS setinggi mungkin—mendorong inferensi lebih cepat, mendukung model lebih kompleks, dan memperluas kemampuan.

Di ranah embedded, prioritasnya bukan kompetisi angka, melainkan stabilitas sistem.

Pada dasarnya, banyak skenario industri dan otomotif adalah sistem kontrol real-time. Dalam kontrol motor, manajemen daya, dan pengambilan keputusan ADAS, sistem harus merespons dalam jendela waktu tetap—dari beberapa mikrodetik hingga milidetik. Pada arsitektur tradisional, jika CPU dipaksa menangani kontrol sekaligus inferensi AI, muncul masalah fatal: inferensi akan “memakan” sumber daya CPU, menunda interrupt kontrol, dan merusak determinisme waktu sistem.

Di sinilah NPU menunjukkan nilai sebenarnya.

NPU berfungsi sebagai mekanisme isolasi komputasi. Ia memisahkan inferensi AI dari jalur kontrol utama, menjalankannya pada unit perangkat keras terdedikasi, sehingga CPU dapat tetap fokus pada tugas-tugas deterministik. Dengan cara ini, kontradiksi utama embedded AI dapat dipecahkan: sistem harus semakin pintar, tetapi tidak boleh mengorbankan real-time.

Batasan penting lain dalam sistem embedded adalah anggaran daya. Perangkat Industrial IoT sering dituntut bekerja bertahun-tahun dengan baterai. Chip otomotif harus beroperasi pada rentang suhu ekstrem, dari -40°C hingga 150°C. Fluktuasi daya yang tidak terprediksi dapat memicu overheating, memperpendek usia baterai, atau menurunkan keandalan.

NPU terdedikasi—yang umumnya dibangun di atas array MAC tetap dan arsitektur mirip systolic array—membuat konsumsi daya lebih terprediksi. Dalam skenario edge seperti pengenalan wajah dan pemrosesan citra, keuntungan NPU semakin jelas: lebih mudah dikembangkan, lebih efisien, dan lebih hemat daya.

Karena itu ada fenomena menarik: hampir semua NPU milik vendor MCU bersikap “sangat konservatif”. Kapasitas komputasinya berkisar dari puluhan hingga ratusan GOPS—jauh di bawah NPU mobile yang sudah mencapai beberapa TOPS, apalagi GPU cloud yang ratusan TOPS.

Pada tahap ini, NPU embedded bukan “mesin”, melainkan “peredam kejut” dalam arsitektur MCU.

Tugasnya menyerap guncangan beban kerja AI agar stabilitas kontrol real-time tetap terjaga—bukan mengejar batas performa. Komputasi yang terlalu tinggi berarti die area lebih besar, daya lebih tinggi, manajemen panas lebih kompleks, serta desain sistem yang makin rumit—semuanya bertolak belakang dengan prinsip desain embedded.

Lebih penting lagi, skala model edge AI sendiri memang terbatas. Jaringan saraf yang berjalan di MCU umumnya adalah model ringan yang sudah dioptimasi ketat: jumlah parameter dari puluhan ribu hingga beberapa juta, dengan waktu inferensi beberapa milidetik hingga puluhan milidetik. Dalam konteks ini, ratusan GOPS biasanya sudah cukup—lebih dari itu hanya pemborosan.

Singkatnya, NPU di MCU bukan produk dari “perlombaan komputasi”, melainkan pilihan arsitektur yang tak terhindarkan ketika sistem embedded memasuki era AI. Nilai utamanya bukan pada angka TOPS, melainkan pada kemampuan menyeimbangkan AI dengan kontrol real-time—mencari titik optimal di antara determinisme, daya rendah, dan area silikon yang kecil.

Bagaimana para raksasa MCU memandang NPU

Walau para pemain besar sepakat bahwa integrasi NPU adalah arah utama, fokus implementasi dan skenario prioritas masing-masing tetap berbeda.

TI: Menggabungkan kontrol real-time dan AI secara mendalam, fokus pada keselamatan industri dan otomotif

Inti strategi TI adalah menanamkan kemampuan NPU langsung ke wilayah keunggulannya: kontrol real-time. Sasarannya bukan sekadar menaikkan komputasi AI, melainkan membangun solusi terpadu “kontrol + AI” yang cocok untuk skenario safety-critical—di mana AI harus meningkatkan akurasi deteksi dan kecepatan respons, tanpa mengganggu jalannya tugas kontrol utama.

Dari sisi produk, TI menghadirkan seri TMS320F28P55x sebagai salah satu contoh awal MCU kontrol real-time yang terintegrasi NPU. Berbasis inti DSP 32-bit C28x yang klasik dengan frekuensi 150MHz, ia menargetkan pemrosesan sinyal real-time berkualitas tinggi. NPU di dalamnya dioptimalkan untuk model CNN, dengan peran utama memindahkan inferensi dari CPU utama agar tercapai isolasi komputasi. Dalam aplikasi seperti pemantauan arc fault dan diagnosis kerusakan motor, NPU dapat menganalisis data arus dan tegangan untuk menemukan anomali, sementara CPU tetap fokus pada kontrol motor dan manajemen daya—menjaga respons dalam jendela mikrodetik.

Untuk menurunkan hambatan adopsi, TI juga menghadirkan toolchain seperti Edge AI Studio, yang mencakup alur dari pelatihan, optimasi, hingga deployment. Seri ini pun menekankan kepatuhan terhadap standar keselamatan fungsional seperti ISO 26262 dan IEC 61508, dengan dukungan hingga ASIL D untuk kebutuhan otomotif dan industri yang sangat kritis.

Infineon: Memanfaatkan ekosistem Arm, membangun platform AI MCU low-power yang general-purpose

Infineon memilih jalur “arsitektur Arm + kolaborasi ekosistem”, dengan strategi utama menurunkan biaya adopsi dan mempercepat penyebaran AI di edge untuk beragam skenario seperti consumer IoT dan industrial HMI. Logikanya jelas: gunakan inti Arm Cortex-M yang matang dipadukan dengan micro NPU Ethos-U55, agar AI dapat “mendarat” dalam skala besar tanpa mengorbankan karakter low-power.

Pada produk, seri PSOC Edge E8x (E81, E83, E84) membentuk portofolio bertingkat: E81 memakai Cortex-M33 dengan akselerator ultra-low-power NNLite untuk kebutuhan ringan seperti pengenalan suara sederhana dan deteksi gestur; E83 dan E84 naik ke Cortex-M55 + Arm Ethos-U55, mendukung instruksi DSP Arm Helium, dan meningkatkan performa machine learning secara signifikan dibanding sistem Cortex-M tradisional. Ethos-U55 sendiri dirancang khusus untuk embedded, mampu memberikan akselerasi AI pada konsumsi daya kelas miliwatt—ideal untuk perangkat IoT berumur baterai panjang.

Keunggulan besar Infineon berada di ekosistem: kompatibilitas penuh dengan ModusToolbox, integrasi Imagimob Studio untuk pengembangan edge AI end-to-end (dari pengumpulan data, pelatihan, hingga deployment), ditambah model pra-latih dan proyek pemula agar pelanggan cepat memulai. Cakupan aplikasinya meluas dari sistem keamanan rumah pintar, HMI robot industri, hingga wearable; E84 juga menambahkan kemampuan grafis low-power untuk memperluas peluang di HMI kelas atas.

NXP: NPU buatan sendiri + ekosistem software, untuk deployment edge AI yang fleksibel

Ciri khas NXP adalah “hardware yang dapat diskalakan + software full stack”. Melalui inti NPU eIQ Neutron yang dikembangkan sendiri dan paket software eIQ AI yang terintegrasi, NXP membangun solusi edge AI yang menyeimbangkan fleksibilitas dan performa. Targetnya adalah skenario seperti robot industri dan otomotif cerdas yang membutuhkan dukungan berbagai jenis model, sambil tetap mempertahankan respons real-time dalam batas daya ketat.

Dari sisi hardware, eIQ Neutron mengusung arsitektur yang bisa diskalakan, memungkinkan konfigurasi komputasi disesuaikan kebutuhan aplikasi. Ia mendukung CNN, RNN, hingga Transformer—mencakup kebutuhan dari voice wake-up hingga klasifikasi citra yang lebih kompleks. NPU ini diintegrasikan ke lini MCU dan MPU, dan digabungkan dalam arsitektur heterogen “CPU + NPU + DSP” untuk menjaga isolasi komputasi agar inferensi tidak mengganggu kontrol deterministik. Pada robot industri, misalnya, NPU dapat memproses data visual untuk perencanaan gerak, sementara CPU tetap fokus pada penggerak motor dan kontrol gerak.

Di lapisan software, eIQ AI menyediakan antarmuka pengembangan terpadu, mendukung framework populer seperti TensorFlow Lite dan PyTorch, serta memungkinkan pemrosesan lokal “model sendiri, data sendiri”—mengurangi latensi dan ketergantungan bandwidth, sekaligus meningkatkan privasi data. NXP juga menyiapkan pustaka model pra-latih dan contoh aplikasi, plus tutorial melalui pusat kode seperti GoPoint untuk mempercepat pengembangan pelanggan.

ST: NPU buatan sendiri untuk mendorong batas performa, fokus pada edge vision berperforma tinggi

ST menempuh strategi “NPU buatan sendiri + inti berkinerja tinggi”, dengan fokus utama pada industri vision dan consumer electronics kelas atas yang membutuhkan komputasi AI lebih besar. Logikanya: tugas vision seperti computer vision memang memerlukan akselerasi kuat, namun tetap harus menjaga daya dan area agar tidak bertabrakan dengan prinsip embedded.

Pada produk, seri STM32N6 adalah MCU pertama ST yang mengintegrasikan NPU internal Neural-ART Accelerator. Ia berbasis Arm Cortex-M55 800MHz dan membawa teknologi vektor Arm Helium, dipadukan dengan NPU berfrekuensi hingga 1GHz, menghadirkan komputasi AI sampai 600 GOPS. Angka ini memang jauh di bawah NPU mobile, tetapi sudah cukup untuk pemrosesan citra resolusi tinggi dan menjalankan beberapa model secara paralel. Untuk kebutuhan vision, STM32N6 juga mengintegrasikan antarmuka MIPI CSI-2, pipeline ISP, serta encoder H264 hardware—membentuk rantai pemrosesan vision yang lengkap dan siap kamera.

Dari sisi desain hardware, STM32N6 menyediakan 4,2MB embedded RAM kontigu serta antarmuka memori eksternal berkecepatan tinggi (hexa-SPI, OCTOSPI) agar model bisa disimpan dan dijalankan dengan lancar. Pada keamanan, targetnya mencakup sertifikasi SESIP level 3 dan PSA level 3. Di sisi ekosistem, ia terintegrasi dengan paket Edge AI ST dan TouchGFX untuk mempercepat implementasi produk vision AI kelas atas.

Renesas: Dual-core heterogen + penguatan keamanan, fokus pada edge AIoT yang sangat andal

Strategi Renesas berangkat dari “arsitektur heterogen + keamanan sebagai prioritas”. Dengan kombinasi “inti berperforma tinggi + NPU terdedikasi + mesin keamanan”, Renesas membidik skenario edge AIoT yang menuntut reliabilitas dan keamanan tinggi seperti smart home dan predictive maintenance industri. Logikanya: AI lokal di edge bukan hanya soal real-time dan daya, tetapi juga soal menghadapi ancaman keamanan yang meningkat, sehingga NPU harus terintegrasi erat dengan arsitektur keamanan.

Dalam produk, Renesas memasangkan RA8P1 MCU dan RZ/G3E MPU sebagai kombinasi high-low. RA8P1 sebagai AI MCU 32-bit memakai dual-core 1GHz Cortex-M85 + 250MHz Cortex-M33, dipadukan dengan Ethos-U55 untuk 256 GOPS, sanggup menangani voice recognition, image classification, dan deteksi anomali. Ia juga mendukung TrustZone, hardware root of trust, dan engine kriptografi canggih untuk melindungi model serta data. Sementara RZ/G3E sebagai MPU 64-bit menggunakan quad-core Cortex-A55 + Cortex-M33, juga mengintegrasikan Ethos-U55 dengan komputasi hingga 512 GOPS, untuk beban AI edge yang lebih kompleks seperti analisis citra HD dan fusi multi-sensor.

Untuk memudahkan pengembangan, Renesas memperkenalkan kerangka RUHMI yang mendukung format ML populer seperti TensorFlow Lite dan PyTorch, sehingga developer bisa memasukkan dan mengoptimalkan model pra-latih dengan cepat. Dukungan tooling melalui e² studio membantu proses debugging dan integrasi. Renesas juga mendorong solusi keamanan seperti post-quantum cryptography (PQC) untuk memperkuat sistem edge AI menghadapi ancaman masa depan.

Memori baru lahir karena kebutuhan

Jika NPU menyelesaikan masalah isolasi komputasi, perubahan arsitektur memori adalah fondasi yang menopang transformasi AI secara menyeluruh. Ketika AI + NPU mendorong Flash tradisional ke batas teknologinya, memori generasi baru pun menjadi pilihan bersama para raksasa.

Hal pertama yang perlu disadari: begitu MCU membawa NPU dan kemampuan AI, keterbatasan Flash langsung terlihat. Tantangan pertama adalah manajemen siklus hidup model. Edge AI bukan sesuatu yang sekali dilatih lalu digunakan selamanya—ia terus berevolusi. Dalam otomotif, OTA sudah menjadi standar; model AI bisa diperbarui tiap bulan, bahkan tiap minggu. Namun umur program/erase Flash hanya ribuan hingga puluhan ribu siklus. Jika setiap update menghabiskan siklus erase, chip dapat “habis umur” sebelum kendaraan pensiun.

Tantangan kedua adalah pembelajaran instan dan caching parameter. Edge AI bukan hanya inferensi; beberapa skenario membutuhkan penyesuaian parameter online atau incremental learning. Dalam arsitektur lama, parameter disimpan di Flash dan dimuat ke SRAM saat inferensi. Masalahnya, SRAM kecil (umumnya hanya beberapa MB) dan bersifat volatile—mati listrik, data hilang. Ini membuat konsep “edge learning” sulit diwujudkan.

Tantangan ketiga adalah jalur boot dan performa baca. Perangkat embedded sering menuntut “power-on langsung jalan”. Di lingkungan industri, pemadaman dan restart bisa sering terjadi, dan setiap detik startup berdampak pada efisiensi produksi. Latensi baca Flash dan waktu “pemanasan” menjadi kelemahan nyata. Bahkan ada data industri yang sering dikutip: update 20MB kode via Flash bisa memakan sekitar 1 menit, sedangkan memori baru dapat memangkasnya menjadi sekitar 3 detik.

Namun yang benar-benar menekan Flash adalah batas fisik scaling proses. Embedded Flash sangat sulit diturunkan di bawah 40nm: parameter memburuk, integrasi makin kompleks, dan sulit kompatibel dengan proses maju seperti high-k metal gate. Artinya, ketika MCU ingin bergerak ke 28nm, 22nm, bahkan 16nm untuk performa lebih tinggi dan daya lebih rendah, Flash justru menjadi beban terbesar.

Mengapa MCU perlu proses yang lebih maju? Karena kebutuhan NPU. NPU ratusan GOPS pada 40nm akan terlalu besar dan boros. Untuk mencapai kombinasi “area kecil, daya rendah, komputasi bermakna”, MCU harus bermigrasi ke node yang lebih maju. Tetapi Flash tidak mudah ikut pindah—akibatnya seluruh chip “terkunci” di 40nm.

Inilah alasan mengapa para raksasa MCU global hampir bersamaan, sekitar 2024, mulai memasang taruhan besar pada memori baru. Bukan karena semua teknologi sudah matang, melainkan karena urgensinya makin tak terbantahkan: AI + NPU memaksa upgrade memori; upgrade memori membuka jalan ke proses maju; proses maju memungkinkan edge intelligence yang lebih kuat.

Dorongan ini tidak hanya soal performa, tetapi juga reliabilitas. Chip otomotif menuntut -40°C hingga 125°C bahkan 150°C, retensi data 10 tahun, serta ketahanan terhadap radiasi dan EMI. Flash tradisional menurun drastis di suhu tinggi, semakin sulit memenuhi standar otomotif generasi baru.

Industri pun sama kerasnya. Sistem predictive maintenance membutuhkan penulisan data sensor yang sering. Sistem energy harvesting bekerja intermittently pada daya sangat rendah. Skenario safety-critical tidak boleh kehilangan data penting akibat pemadaman mendadak. Pada kebutuhan-kebutuhan ini, Flash tradisional semakin kewalahan.

Namun seperti halnya NPU, pilihan memori baru juga memunculkan perbedaan strategi antar raksasa.

Beragam rute, ekosistem makin kaya

Saat ini, setidaknya ada empat jalur teknologi utama untuk memori generasi baru. Masing-masing memiliki keunggulan unik dan skenario yang cocok, dan masing-masing sudah “diambil posisi” oleh pemain besar—membentuk ekosistem yang makin beragam.

MRAM: Sangat andal, pilihan unggulan otomotif dan industri

MRAM (Magnetoresistive RAM) meninggalkan logika penyimpanan berbasis muatan seperti Flash/EEPROM, dan menggunakan arah spin elektron untuk menyimpan informasi. Hasilnya adalah kombinasi langka: non-volatile, cepat, dan sangat tahan tulis. Varian STT-MRAM dan SOT-MRAM telah unggul dalam kematangan proses, kesiapan produksi massal, dan kemampuan integrasi embedded, sehingga menjadi arus utama.

Keunggulannya tepat menembak kebutuhan MCU otomotif dan industri: siklus baca/tulis secara teori mendekati “tak terbatas”, latensi tulis jauh lebih rendah dari embedded Flash, daya lebih rendah, dan stabil pada rentang -40°C hingga 150°C. Ini bukan lagi teknologi konsep, melainkan solusi yang sudah memiliki kemampuan implementasi engineering.

Karena itu, NXP dan Renesas sama-sama menempatkan MRAM sebagai taruhan besar, dan mendorongnya dari riset menuju produksi.

NXP termasuk pionir yang lebih awal mencapai produksi embedded MRAM pada proses maju untuk MCU otomotif. Pada 2022, NXP memulai R&D dan persiapan produksi untuk eMRAM 16nm FinFET, lalu pada 2023 meluncurkan seri MCU otomotif S32K5 yang memakai teknologi tersebut. Dengan eMRAM 16nm FinFET (berbasis proses foundry besar), NXP memecahkan hambatan struktural Flash di node maju—integrasi sulit, yield terbatas, dan konsumsi daya tinggi. Strateginya mengikat “proses maju + memori tertanam berperforma tinggi”, agar karakter MRAM (tulis cepat, tahan lama) melayani kebutuhan otomotif seperti OTA yang sering dan evolusi software sepanjang lifecycle—fondasi penting untuk software-defined vehicle.

Renesas bergerak cepat dengan posisi yang berbeda. Mereka menyelesaikan integrasi eMRAM kelas produksi, menggabungkan R&D eMRAM 22nm pada 2024, dan pada Juli 2025 meluncurkan RA8P1 yang menonjolkan MRAM sebagai label teknologi inti generasi RA8 berikutnya. Penekanan Renesas adalah “heterogen + keamanan”, membawa keunggulan MRAM ke skenario smart home, predictive maintenance industri, dan edge AIoT yang menuntut stabilitas serta real-time tinggi.

RRAM: Mendukung “compute-in-memory”, seimbang antara performa dan fleksibilitas

RRAM (Resistive RAM) menyimpan data melalui perubahan resistansi material yang dikendalikan tegangan. Strukturnya sederhana, densitasnya tinggi, dan yang paling menarik: sangat cocok untuk arsitektur compute-in-memory—keunggulan alami di era AI.

Dibanding NAND Flash, RRAM bisa lebih cepat, lebih tahan lama, mendukung multi-level storage untuk efisiensi ruang, serta memungkinkan penulisan per-bit tanpa perlu erase—latensi bahkan dapat turun drastis. Ini membuatnya relevan untuk kebutuhan data throughput real-time di masa depan seperti intelligent driving.

Infineon adalah pendorong utama jalur RRAM. Pada 2022, mereka mengumumkan kerja sama dengan TSMC untuk membawa RRAM ke generasi berikutnya AURIX pada 28nm, menargetkan bottleneck memori di otomotif. Kolaborasi kemudian berkembang untuk memanfaatkan RRAM 22nm guna mendukung MCU berperforma lebih tinggi.

Dalam implementasi produk, Infineon memasukkan RRAM ke lini AI MCU: AURIX untuk otomotif dengan RRAM 28nm guna mendukung OTA yang sering dan operasi suhu tinggi; serta PSoC Edge untuk IoT/industri yang memadukan akselerator NNLite ultra-low-power dan RRAM, membentuk arsitektur kolaboratif “CPU + NPU/akselerator + RRAM”.

Infineon menekankan tiga nilai RRAM: daya rendah untuk perangkat IoT always-on, kapasitas NVM on-chip yang lebih scalable untuk menyimpan model dan parameter yang sering berubah, serta optimasi bersama akselerator agar tugas AI seperti audio dan vision berjalan efisien.

Menariknya, TI juga masuk ke jalur RRAM. Laporan industri menyebut Weebit Nano melisensikan ReRAM ke TI untuk diintegrasikan pada node proses embedded TI yang lebih maju, mencakup lisensi IP, transfer teknologi, dan sertifikasi proses desain. ReRAM ini diklaim berdaya rendah, cost-effective, memiliki retensi suhu tinggi yang baik, serta telah melewati sertifikasi AEC-Q100 untuk operasi 150°C.

PCM: Kapasitas besar untuk menembus batas densitas

PCM (Phase-Change Memory) menggunakan material yang dapat berubah fase secara reversibel antara amorf dan kristalin, menghasilkan resistansi berbeda untuk menyimpan data. Mekanisme ini memberinya keunggulan khusus dalam densitas, kecepatan, dan integrasi: dibanding embedded Flash, PCM berpotensi menawarkan densitas lebih tinggi dan kapasitas on-chip lebih besar dengan daya lebih rendah—ideal untuk sistem embedded yang membutuhkan storage besar dan akses efisien.

ST adalah salah satu pendukung utama PCM, mendorongnya lewat kolaborasi jangka panjang dengan Samsung. Dari uji coba ePCM pada 28nm FD-SOI hingga pengembangan bersama 18nm FD-SOI dengan ePCM, keduanya tidak hanya meningkatkan densitas secara signifikan, tetapi juga membuka jalan keluar dari keterikatan node MCU pada embedded Flash tradisional—memberikan fondasi baru bagi otomotif dan embedded AI.

Keunggulan PCM ada pada densitas tinggi: pada node yang sama, ePCM dapat menyediakan kapasitas NVM lebih besar, memungkinkan satu chip memuat lebih banyak data aplikasi dan kode program—sangat relevan untuk sistem embedded skala besar. Ditambah keuntungan elektrik FD-SOI, rasio performa-per-watt ePCM bisa lebih baik daripada Flash, menyediakan “ruang” bagi integrasi modul berat seperti inference engine dan akselerator grafis.

Pada praktiknya, teknologi 18nm FD-SOI + ePCM hasil kolaborasi ST dan Samsung sudah memasuki tahap sampel dan pra-produksi. Generasi berikutnya MCU STM32 berbasis proses ini diproyeksikan mulai sampling pada paruh kedua 2024 dan masuk produksi massal pada paruh kedua 2025, menjadi salah satu gelombang awal MCU berperforma tinggi yang menembus batas 20nm dengan ePCM tertanam.

FRAM: Daya sangat rendah, unggul untuk skenario penulisan sering

FRAM (Ferroelectric RAM) menyimpan informasi lewat status polarisasi material ferolektrik, memadukan kecepatan tulis ala RAM dengan non-volatilitas seperti Flash. Berbeda dengan EEPROM/Flash, FRAM tidak memerlukan charge pump bertegangan tinggi untuk erase/write, sehingga latensi tulis sangat rendah, endurance nyaris tak terbatas, dan konsumsi energi sangat kecil. Ia juga bisa menulis per-bit tanpa proses erase yang rumit, menjadikannya sangat cocok untuk skenario dengan penulisan sering, anggaran daya ketat, dan kebutuhan determinisme tinggi.

TI adalah pelopor yang lama menekuni FRAM, mulai dari riset awal 2000-an hingga integrasi ke lini produk yang luas. Wadah utama teknologi FRAM TI adalah seri MCU MSP430FR, yang membentuk platform “ultra-low-power + FRAM yang sangat andal”. Rentang kapasitas FRAM dari beberapa KB hingga ratusan KB, dipadukan peripheral analog/digital yang kaya, DMA, serta mode daya rendah, sehingga bisa fleksibel memenuhi kebutuhan industri, komunikasi, dan kontrol.

MCU FRAM ini bukan hanya mampu menjalankan fungsi kontrol embedded klasik, tetapi juga menyederhanakan desain firmware: data tetap utuh saat power loss atau mode daya rendah, mendukung penulisan langsung per-word, dan dapat dipakai sekaligus sebagai memori program, data konstan, dan data runtime. Nilainya sangat tinggi untuk logging cepat, penyimpanan status, dan penulisan berulang pada unit data kecil.

TI juga membangun ekosistem software di sekitar FRAM, misalnya paket utilitas FRAM untuk MSP430FRxx yang membantu developer memaksimalkan karakter FRAM—optimasi daya, penyimpanan data saat kehilangan daya, dan wake-up cepat—untuk mempercepat implementasi di dunia nyata.

Penutup

Jika kita menengok kembali pasar MCU dalam beberapa tahun terakhir, ada satu fakta yang semakin jelas: ketika NPU menjadi standar baru dan memori generasi baru naik menjadi pilihan arsitektur, MCU sebenarnya tidak lagi sekadar “microcontroller”. Ia berevolusi menjadi “platform komputasi sistem” yang kecil, deterministik, dan hemat daya.

Perubahan ini membawa tiga dampak besar.

Pertama, dominasi Flash mulai goyah. Selama 40 tahun, Flash menguasai penyimpanan embedded berkat proses yang matang dan biaya yang kompetitif. Namun gelombang AI mengungkap kelemahan fatal: endurance terbatas, tulis lambat, dan sulit berkembang ke node proses maju. MRAM, RRAM, PCM, dan FRAM masing-masing punya kompromi, tetapi dalam skenario tertentu menawarkan keunggulan yang sangat menentukan. Dalam lima tahun ke depan, kita kemungkinan besar akan melihat kompetisi penyimpanan embedded yang jauh lebih beragam.

Kedua, “moat” embedded AI bergeser menuju kolaborasi proses dan arsitektur. Solusi edge AI awal sering berbentuk “MCU umum + chip AI eksternal”, namun arsitektur terpisah ini kurang ideal dari sisi daya, latensi, dan biaya. MCU yang mengintegrasikan NPU dan memori baru tidak menang karena satu modul paling kencang, melainkan karena optimasi sistem: data tidak perlu bolak-balik antar chip, daya dapat dikelola secara global, dan batas keamanan lebih mudah ditetapkan. Kemampuan integrasi mendalam inilah yang akan menjadi pusat persaingan berikutnya.

Ketiga, peluang struktural terbuka bagi pemain baru, termasuk vendor MCU dan memori domestik. Pasar MCU tradisional lama dikuasai raksasa internasional dengan barrier tinggi dan ekosistem tertutup. Namun transformasi AI memicu rekonstruksi arsitektur, sementara teknologi memori baru belum sepenuhnya “final”. Kondisi ini membuka peluang bagi pendatang untuk melakukan lompatan.

Kita juga perlu menyadari: transformasi ini baru dimulai. Saat ini, solusi MCU + NPU masih berfokus pada inferensi, sementara pelatihan model tetap di cloud. Namun federated learning dan incremental learning terus berkembang, dan perangkat edge di masa depan bisa memiliki kemampuan belajar online dalam tingkat tertentu. Karakter non-volatil dan baca/tulis cepat dari memori baru akan menjadi kunci untuk mendukung evolusi ini.

Yang tak kalah penting adalah perluasan skenario aplikasi. Di Industrial IoT, MCU dengan NPU dapat menghadirkan predictive maintenance di tingkat perangkat dan menurunkan downtime secara signifikan. Di smart home, inferensi lokal melindungi privasi dan mengurangi ketergantungan pada layanan cloud. Wearable medis bisa menganalisis sinyal EKG pada daya kelas miliwatt. Sistem bantuan mengemudi dapat bekerja andal di lingkungan keras. Di balik setiap skenario tersebut, ada kolaborasi erat antara NPU dan memori generasi baru.

Sejarah memang berulang. Empat puluh tahun lalu, MCU menggantikan rangkaian diskret dan membuka revolusi pertama sistem embedded. Hari ini, kombinasi AI + NPU + memori baru sedang menyalakan revolusi kedua.

Bedanya, kali ini bergerak lebih cepat, dampaknya lebih dalam, dan waktu yang tersisa bagi mereka yang tertinggal jauh lebih sedikit.