3、低功耗设计基础：功耗来源（动态功耗、静态功耗）、功耗模型、能量效率指标（TOPS/W、uJ/推理）

TinyML 端侧推理的核心约束从来不是算力，而是功耗与能量的预算。一个在实验室跑出 99% 准确率的唤醒模型，如果部署到纽扣电池供电的传感器节点上只能工作 6 小时，那这个方案就是不可用的。睡眠唤醒与频率调节的联合优化，本质上是在回答三个问题：功耗从哪里来？如何量化功耗与性能的交换关系？用什么指标来衡量一个端侧推理方案是否“足够省电”？本节将系统梳理功耗的物理来源、工程上常用的功耗模型，以及 TOPS/W 与 uJ/推理这两个关键能量效率指标，为后续的联合优化策略奠定量化基础。

3.1 功耗来源：动态功耗与静态功耗的物理本质

核心原理

CMOS 数字电路（MCU、NPU、DSP 等）的功耗由两部分构成：动态功耗（Dynamic Power）和静态功耗（Static Power）。动态功耗发生在电路逻辑翻转时，即信号从 0 到 1 或从 1 到 0 的切换过程中，需要对负载电容进行充放电，同时存在短暂的短路电流。其经典表达式为：

P_dynamic = α · C_load · V_DD² · f_clk

其中 α 是活动因子（0~1，表示平均每个时钟周期内节点翻转的概率），C_load 是负载电容，V_DD 是供电电压，f_clk 是时钟频率。静态功耗则源于晶体管在截止状态下的漏电流（亚阈值漏电、栅极漏电、结漏电），以及芯片内部偏置电路、上拉/下拉电阻的持续消耗：

P_static = I_leakage · V_DD + P_bias

在先进工艺节点（如 28nm 以下），静态功耗占比显著上升；而在 TinyML 常用的 40nm~180nm 成熟工艺中，动态功耗通常占主导，但睡眠模式下的静态功耗恰恰是决定待机时间的关键。

判断方法：如何区分动态与静态功耗

工程上可以通过以下方法快速判断功耗构成：

• 频率扫描法：固定电压，将时钟频率从最低调到最高，记录功耗变化。若功耗随频率近似线性增长，说明动态功耗占主导；若变化很小，则静态功耗为主。
• 电压扫描法：固定频率，调整 V_DD。动态功耗与 V² 成正比，静态功耗与 V 成正比。若功耗随电压呈二次曲线增长，动态为主；若近似线性，静态占比高。
• 睡眠电流测试：将芯片置于深度睡眠模式，此时时钟停止、动态功耗趋近于零，测得的电流即为静态漏电流。若该电流超过数据手册典型值 2 倍以上，可能存在漏电异常或外围电路未关断。

案例拆解：唤醒词检测模块的功耗剖析

某智能门锁项目使用 Cortex-M4F 内核 MCU（@ 80MHz）运行一个 20KB 的唤醒词模型。实测数据如下：

分析发现：虽然推理时功耗高达 41mW，但每次推理仅持续 35ms，单次推理能耗为 41.25mW × 0.035s ≈ 1.44mJ。若设备每小时被唤醒 10 次，则推理总能耗为 14.4mJ/h。而如果设备在空闲时错误地停留在 IDLE 模式而非 SLEEP 模式，每小时空闲能耗为 6.93mW × 3600s ≈ 24.9J，是推理能耗的 1700 倍。这个案例清晰说明：睡眠策略的收益远大于优化单次推理功耗。

常见误区与复盘

3.2 功耗模型：从物理公式到工程估算

核心原理

工程上需要建立可操作的功耗模型，用于在设计阶段预测系统能耗。完整的 TinyML 端侧功耗模型包含四个层次：

1. 核心层：MCU/NPU 的 P_dyn + P_sta，与频率、电压、活动因子相关。
2. 外设层：传感器（如麦克风、加速度计）、通信模块（BLE、WiFi）、存储（Flash、RAM）的功耗。
3. 电源转换层：DC-DC 或 LDO 的转换效率 η，电池电压与核心电压的差异导致额外损耗。
4. 时间维度层：各状态（RUN/IDLE/SLEEP/OFF）的持续时间，以及状态切换的瞬态功耗。

一个实用的系统级平均功耗模型为：

P_avg = (Σ P_i · t_i) / T_total + P_transition_overhead

其中 P_i 是第 i 个状态（如推理、空闲、睡眠）的功耗，t_i 是该状态的持续时间，T_total 是任务周期，P_transition_overhead 是状态切换时的额外功耗（如 PLL 锁定、电源域开启）。

操作流程：建立功耗模型的步骤

• 步骤 1：列出系统所有工作状态（RUN@不同频率、IDLE、SLEEP、OFF），并测量或查阅数据手册获取各状态电流。
• 步骤 2：测量各状态的持续时间。使用逻辑分析仪或 GPIO 翻转标记，记录推理开始/结束时间、通信时间、空闲时间。
• 步骤 3：计算状态切换开销。例如从 SLEEP 唤醒到 RUN 需要 100µs，期间功耗为正常运行功耗的 50%，则切换开销为 0.5 × P_run × 100µs。
• 步骤 4：将各状态能耗累加，除以总周期时间，得到平均功耗。

实战场景：频率调节的功耗模型应用

假设一个语音活动检测（VAD）任务，每 100ms 处理一次 10ms 的音频帧。MCU 支持 16MHz 和 64MHz 两种频率。在 16MHz 下，处理一帧需要 8ms；在 64MHz 下需要 2ms。动态功耗与频率成正比，因此 64MHz 下推理功耗是 16MHz 的 4 倍。但 64MHz 下处理时间缩短为 1/4，因此单帧推理能耗相同（P × t = 4P × t/4）。然而，64MHz 下 MCU 可以更早进入睡眠，睡眠时间从 92ms 增加到 98ms。若睡眠功耗远低于运行功耗，则 64MHz 方案的总能耗更低。这就是频率调节与睡眠策略联合优化的核心逻辑。

本例中两者总能耗几乎相同，但如果睡眠功耗更低（如 0.01mW），则 64MHz 方案优势明显。实际设计中还需考虑唤醒延迟和频率切换的瞬态功耗。

常见误区与总结

3.3 能量效率指标：TOPS/W 与 uJ/推理

核心原理

TOPS/W（Tera Operations Per Second per Watt）衡量的是算力与功耗的比值，即每瓦功耗能提供多少万亿次操作。该指标适用于比较不同硬件平台（MCU、NPU、DSP）在满负荷运算时的能效。uJ/推理（微焦耳每次推理）则衡量完成一次完整推理任务所需的能量，它综合了算力、架构、内存访问、数据搬运和任务调度等多方面因素。两者关系为：

uJ/推理 = (推理总操作数 / TOPS) × (1 / 效率系数) × 1000

但实际中，uJ/推理更直接反映用户体验（电池寿命），因为它包含了非计算开销（如内存访问、唤醒开销、外设功耗）。

判断方法：如何选择合适的指标

• 硬件选型阶段：使用 TOPS/W 比较不同芯片的理论能效上限。例如，某 NPU 标称 2 TOPS/W，某 MCU 内置 DSP 标称 0.5 TOPS/W，则 NPU 在持续高负载下更省电。
• 系统优化阶段：使用 uJ/推理评估实际部署效果。因为 uJ/推理包含了模型结构、内存布局、数据精度（INT8 vs FP32）、调度策略等真实因素。
• 电池寿命估算：uJ/推理 × 每天推理次数 ÷ 电池能量 = 预估续航天数。这是产品经理最关心的指标。

案例拆解：两个平台的对比评估

某可穿戴设备需要每 5 秒执行一次跌倒检测推理（模型约 50K 参数，1.2M 次乘加操作）。候选平台：

虽然 NPU B 的瞬时功耗更高（25mW vs 15mW），但其推理时间极短，单次推理能耗仅为 MCU 的 1/9。更重要的是，NPU B 可以在 3ms 内完成推理后立即进入深度睡眠（0.005mW），而 MCU A 需要 45ms 的运行时间。在 5 秒周期内：

• MCU A：675µJ + 4.955s × 0.01mW（睡眠）= 675 + 49.55 ≈ 724.6µJ
• NPU B：75µJ + 4.997s × 0.005mW = 75 + 24.99 ≈ 100µJ

NPU B 方案总能耗仅为 MCU A 的 13.8%。但 NPU B 的成本和开发复杂度更高，且需要额外的驱动和内存管理。因此，uJ/推理 是最终决策依据，而 TOPS/W 只是初筛工具。

常见误区与复盘

3.4 综合总结：功耗、模型与指标的协同

低功耗设计不是单一技巧，而是一个系统工程。功耗来源决定了优化的物理边界——动态功耗可以通过降低频率和电压来削减，静态功耗需要通过睡眠模式和电源门控来管理。功耗模型提供了量化的决策工具，帮助工程师在“运行速度”和“睡眠时间”之间找到最优平衡点。TOPS/W 和 uJ/推理 则是两个互补的评估维度：前者用于硬件选型，后者用于系统验证。

在后续章节中，我们将基于本节建立的功耗模型和能量效率指标，深入探讨睡眠唤醒策略的设计（如何决定何时睡、睡多深、如何快速唤醒）以及频率调节算法（如何根据任务负载动态调整运行频率）。本节的核心结论可以归纳为：动态功耗是“可调”的，静态功耗是“可睡”的，而 uJ/推理 是最终要优化的目标。任何联合优化方案，都必须以准确的功耗测量和合理的功耗模型为前提，否则优化就是盲目的。