课程导入：TinyML概述、事件触发推理的价值、待机功耗优化的意义、课程学习路径与目标

TinyML（微型机器学习）是边缘计算与嵌入式系统交叉领域中最具工程落地价值的技术方向之一。它旨在让毫瓦级甚至微瓦级的微控制器（MCU）直接运行机器学习推理，而无需将数据上传至云端。与云端AI不同，TinyML面对的是极其严苛的资源约束：Flash通常以KB到MB计，RAM以KB计，CPU主频多在几十MHz到两百MHz之间，且往往依赖电池或能量采集供电。在这种约束下，如何让模型“跑得动、跑得准、跑得省”，成为系统设计者必须回答的核心问题。本章作为课程的开篇，将系统梳理TinyML的基本概念、事件触发推理的工程价值、待机功耗优化的现实意义，并给出完整的学习路径与目标，为后续章节的深入展开奠定基础。

上图展示了TinyML事件触发推理系统的整体知识框架。感知与输入模块负责采集物理世界信号，推理与决策模块在MCU上完成模型计算，而功耗管理模块则贯穿系统全生命周期，决定设备在无事件时的待机功耗、事件到来时的唤醒延迟以及推理过程中的能耗。三者相互制约：更强的感知能力意味着更高的采样功耗，更复杂的模型意味着更长的推理时间和更高的峰值电流，而更积极的功耗管理则可能引入唤醒延迟或漏检风险。因此，TinyML系统设计本质上是一个多目标优化问题，需要在识别准确率、响应延迟、平均功耗和峰值功耗之间寻找工程平衡点。

1.1 TinyML的核心概念与技术边界

TinyML并非简单的“在MCU上跑神经网络”，而是一套完整的嵌入式AI工程方法论。其核心特征体现在三个维度：模型维度上，参数量通常在数十KB到数百KB之间，量化精度以int8为主，部分场景使用int4或float16；硬件维度上，目标平台为ARM Cortex-M系列、RISC-V MCU或超低功耗DSP，典型代表包括STM32L4系列、Nordic nRF52系列、Ambiq Apollo4系列等；系统维度上，要求端到端的流水线设计，包括数据采集、预处理、推理、后处理、功耗状态机切换等环节的协同优化。

与边缘计算（Edge AI）相比，TinyML更强调“极致资源约束下的可用性”。边缘网关通常拥有Linux操作系统、GB级内存和Wi-Fi/以太网连接，而TinyML设备往往是裸机或RTOS环境，内存以KB计，通信可能仅有一个BLE广播通道。这种差异决定了TinyML的模型设计必须采用模型剪枝、权重量化、知识蒸馏、神经架构搜索（NAS）等手段，将模型压缩到足以在MCU上实时运行的程度。同时，推理框架也需要专门优化，如TensorFlow Lite for Microcontrollers、CMSIS-NN、Glow等，它们利用MCU的SIMD指令（如ARM Cortex-M4/M7的DSP扩展）和硬件加速器（如STM32的ART加速器）来提升推理效率。

对比维度	云端AI	边缘AI（网关级）	TinyML（MCU级）
典型硬件	GPU/TPU服务器	ARM Cortex-A系列、NPU	Cortex-M系列、RISC-V MCU
内存容量	GB ~ TB级	256MB ~ 8GB	16KB ~ 1MB
功耗预算	数百瓦 ~ 数千瓦	3W ~ 15W	1mW ~ 100mW（峰值）
操作系统	Linux/容器	Linux/Android	裸机/RTOS（FreeRTOS、Zephyr）
推理框架	TensorFlow/PyTorch	TensorFlow Lite/TensorRT	TFLM/CMSIS-NN/Glow
数据隐私	低（数据需上传）	中（本地处理，部分上传）	高（完全本地处理）

从工程实践角度看，TinyML的典型应用场景包括：可穿戴设备中的活动识别（步数、跌倒检测）、智能家居中的关键词唤醒（“Hey Siri”类）、工业预测性维护中的振动异常检测、农业物联网中的土壤湿度分类、医疗健康中的心电异常筛查等。这些场景的共同特点是：事件稀疏但关键、电池供电且更换困难、实时性要求明确、网络连接不可靠或成本高。正是这些特征，使得“事件触发推理”成为TinyML系统设计的核心范式。

1.2 事件触发推理的工程价值

事件触发推理（Event-Driven Inference）是指系统在默认状态下处于低功耗待机模式，仅当特定事件（如声音超过阈值、加速度计检测到运动、定时器到期）发生时，才唤醒MCU执行推理任务，完成后迅速回到待机状态。这种架构与传统的“持续采样+持续推理”模式有本质区别，其价值可以从功耗、延迟、数据质量三个维度来理解。

功耗维度：MCU在待机模式下的电流可以低至1µA以下（如STM32L4的Shutdown模式为0.29µA），而活跃推理时的电流通常在5mA~50mA之间。如果系统每秒钟执行一次推理，每次推理耗时50ms，那么平均功耗约为活跃功耗的5%；如果改为事件触发，假设事件平均每小时发生一次，那么推理带来的平均功耗几乎可以忽略不计。这种数量级的功耗差异，直接决定了设备是“一年换一次电池”还是“一颗纽扣电池用三年”。

延迟维度：事件触发架构天然具备“低延迟响应”特性。因为系统始终在监听事件（通过中断或极低功耗的传感器前端），一旦事件发生，MCU可以在微秒级时间内被唤醒并开始推理。相比之下，如果系统采用周期性唤醒轮询，则最坏情况下的响应延迟等于轮询周期。对于跌倒检测、异常报警等安全关键型应用，这种延迟差异可能意味着“及时报警”与“错过最佳救援时间”的区别。

数据质量维度：持续采样会产生大量冗余数据，而事件触发机制可以确保推理只发生在“有意义”的时刻。例如，在工业电机监测中，只有当振动信号超过正常范围时，才需要运行故障分类模型；在智能门铃中，只有当PIR传感器检测到人体红外辐射时，才需要运行人脸检测模型。这种“按需推理”模式不仅节省了计算资源，还减少了误报率——因为模型不需要在大量无意义的数据上反复运行。

然而，事件触发推理也带来了新的设计挑战。首先是漏检风险：如果事件检测阈值设置不当，真实事件可能被忽略，导致系统永远不触发推理。其次是唤醒延迟与推理延迟的叠加：从事件发生到推理结果输出，总延迟等于唤醒时间+推理时间，需要根据应用场景设定延迟预算。第三是事件风暴：在某些场景下（如连续敲击、持续运动），事件可能高频发生，导致系统频繁唤醒，平均功耗急剧上升。针对这些问题，课程后续章节将详细讨论自适应阈值调整、预测性唤醒、事件队列管理等解决方案。

1.3 待机功耗优化的现实意义

待机功耗（Standby Power）是指系统在无事件、无推理任务时的功耗。对于电池供电的TinyML设备，待机功耗往往决定了产品的续航上限。以一颗容量为240mAh的CR2032纽扣电池为例，如果系统平均待机电流为10µA，那么理论待机时间为240mAh / 0.01mA = 24000小时 ≈ 2.7年；如果待机电流优化到2µA，则待机时间延长至13.7年。这种差异在物联网设备的大规模部署中具有巨大的经济价值——减少电池更换频率意味着降低运维成本，也减少了电子废弃物。

待机功耗的构成通常包括以下几个部分：MCU自身功耗（取决于低功耗模式的选择）、传感器功耗（即使不采样，传感器也可能有静态电流）、电源转换效率（LDO的静态电流、DC-DC的开关损耗）、漏电流（PCB走线、电容、GPIO上拉电阻等）。优化待机功耗需要从系统层面进行“功耗预算”管理，明确每个模块在待机状态下的电流贡献，并针对性地进行优化。

低功耗模式	典型电流	唤醒源	唤醒时间	RAM保持	适用场景
Sleep（睡眠）	~1mA	任意中断	~5µs	全部保持	短时等待、高频事件
Stop（停止）	~5µA	RTC/外部中断	~10µs	全部保持	中等频率事件、RTC定时
Standby（待机）	~1µA	RTC/复位/外部中断	~50µs	丢失（需重新初始化）	低频事件、长期待机
Shutdown（关断）	~0.3µA	复位/特定引脚	~200µs	全部丢失	极低频事件、电池更换

待机功耗优化的意义不仅在于延长续航，还在于降低系统热耗散（对于密闭外壳设备尤为重要）、减少电池极化效应（长期小电流放电有助于保持电池容量）、满足安全认证要求（如UL认证对设备表面温度的限制）。此外，在能量采集供电的场景中（如太阳能、振动能），待机功耗必须低于采集功率，否则系统将无法实现能量平衡。例如，一个室内光能采集系统可能只能提供10µW的平均功率，这意味着整个系统的平均电流必须控制在3µA以下（3.3V供电），这对待机功耗提出了极为苛刻的要求。

1.4 课程学习路径与目标

本课程共30章，按照“基础→方法→实践→优化”的逻辑组织，分为四个阶段。第一阶段（第1-6章）聚焦TinyML基础与硬件平台，包括MCU低功耗架构、传感器接口、嵌入式机器学习基础；第二阶段（第7-14章）深入事件触发推理的核心技术，包括事件检测算法、低功耗唤醒源配置、推理引擎优化、量化与剪枝；第三阶段（第15-22章）围绕待机功耗优化展开，涵盖电源树设计、动态功耗管理、能量采集系统、电池建模与续航预测；第四阶段（第23-30章）为综合实战与案例分析，包括智能门锁、可穿戴健康监测、工业振动分析等完整项目拆解，以及调试方法论和性能基准测试。

完成本课程后，学习者应达到以下目标：第一，能够独立完成TinyML系统的功耗预算计算，并选择合适的事件触发架构；第二，掌握至少一种TinyML推理框架（如TFLM）的部署流程，能够将训练好的模型转换为MCU可运行的int8量化模型；第三，具备系统级待机功耗优化能力，能够使用功耗分析仪（如Joulescope、Nordic PPK2）进行电流曲线测量，并针对性地优化各模块的功耗贡献；第四，理解事件触发推理的可靠性设计方法，包括漏检防护、事件风暴处理、看门狗策略等；第五，能够综合运用所学知识，完成一个从需求分析到原型验证的完整TinyML项目。