Mosaico переносит coding agents на ESP32-S31

Mosaico связывает AI-агента с реальным устройством

Для меня главное в Mosaico не очередная плата ESP32, а попытка замкнуть coding agent на физическое устройство. На продуктовой странице Espressif платформа описана как модульная среда на базе ESP32-S31: разработчик формулирует приложение естественным языком, получает код, проверяет его на железе и продолжает итерации через настольный Coding Agent.

По состоянию на август 2026 года это отличает Mosaico от привычного сценария, где AI лишь дописывает firmware в редакторе. Здесь в концепцию сразу включена валидация на плате. И вот тут становится интересно: у агента появляется обратная связь не только от компилятора, но и от конкретной конфигурации периферии.

Само устройство неплохо оснащено для прототипирования. Espressif указывает сенсорный экран диагональю 2,16 дюйма с разрешением 480 × 480, аккумулятор на 65 мА·ч, шестиосевой IMU, два магнитометра, вибромотор, микрофон, динамик, кнопки и USB. Для расширения предусмотрены разъём 2 × 10 с шагом 2,54 мм, четырёхконтактный pogo-разъём и подключение камеры.

В карточке девкита также указаны 16 МБ flash и 16 МБ PSRAM. Это не превращает микроконтроллер в настольную AI-машину, зато даёт понятную площадку для интерфейсов, сенсорной обработки и компактных edge-моделей.

Нижний слой остаётся связан с экосистемой Espressif. Документация ESP-DL описывает формат .espdl, который хранит граф модели, веса и метаданные, использует FlatBuffers вместо ONNX Protobuf и поддерживает десериализацию без копирования. Официальный учебный процесс начинается с ONNX и заканчивается конвертацией модели для целевого SoC, то есть Mosaico не выглядит отдельным закрытым миром поверх неизвестного рантайма.

Что это меняет для embedded-разработки

Mosaico сокращает самый неприятный разрыв в AI-assisted embedded development: между сгенерированным кодом и поведением настоящей платы. Быстрее всего подход должен проявить себя в прототипах с экраном, голосом, сенсорами и камерой, где ручная сборка периферийного контура обычно съедает заметную часть итерации.

Но агентный workflow сам по себе ничего не говорит о качестве результата. Я бы первым делом смотрел на воспроизводимость сборок, диагностику аппаратных ошибок, управление памятью и то, насколько хорошо агент различает проблему кода, драйвера и электрического подключения. При аккумуляторе на 65 мА·ч отдельно встаёт вопрос энергопотребления сгенерированных приложений.

Численных тестов производительности Mosaico в доступных официальных материалах нет, поэтому выводы о скорости инференса пока преждевременны. Реальная ставка здесь не на рекордный benchmark, а на более короткий цикл между замыслом и работающим устройством. Остаётся понять, выдержит ли этот цикл проекты сложнее эффектной демонстрации.

Ранее мы разбирали, как AI-проекты на оборудовании уровня Raspberry Pi без понятной архитектуры могут превращаться в вводящие в заблуждение демо. Этот взгляд применим и к оценке роли Mosaico в превращении прототипов AI и IoT на ESP в развёртываемые системы.