📚 课程目录第2章硬件功耗基础

硬件功耗基础：理解毫安（mA）作为功耗指标、典型边缘设备功耗模型、mA budget的定义与测量方法

在边缘AI部署中，模型量化与推理调度的一切优化，最终都要落到一个物理约束上：设备能提供多少电流、电池能支撑多久。很多算法工程师习惯用FLOPs或参数量衡量模型效率，但在真实硬件上，这些指标与功耗之间往往存在非线性关系。本章从电流视角切入，建立“mA即功耗”的工程直觉，并给出可操作的mA budget测量与分配方法。

核心原理：为什么用mA而不是mW来描述功耗

在边缘设备的数据手册中，功耗指标通常以两种形式出现：一是电流（mA），二是功率（mW）。两者通过电压关联：P = V × I。但在实际工程中，mA比mW更常用，原因有三：

电池容量以mAh标定：锂电池的标称容量（如2000mAh）直接对应电流积分，用mA计算续航最直观——2000mAh ÷ 平均电流200mA = 10小时。
电压相对稳定：边缘设备大多使用3.3V~4.2V的锂电池或5V USB供电，电压波动范围有限，电流变化更能反映负载动态。
测量便利性：电流探针、采样电阻、INA226等器件直接输出电流值，无需额外乘电压。

但要注意，mA只描述电流强度，不包含时间维度。真正决定电池消耗的是电荷量（mAh）或能量（mWh）。因此，在mA budget中，我们既要关注瞬时电流峰值，也要关注平均电流和持续时间。

工程经验：在汇报功耗优化效果时，建议同时给出“峰值电流降低X%”和“平均电流降低Y%”两个指标。峰值电流决定电源轨和电容设计，平均电流决定续航时间，两者缺一不可。

典型边缘设备功耗模型

一个典型的边缘AI设备（如智能摄像头、工业手持终端）的功耗模型可以拆解为四个层级：

层级	组件	典型电流范围	功耗特性
计算核心	SoC（CPU+NPU+GPU）	100~800mA	动态功耗与频率/电压强相关，NPU推理时电流陡增
存储系统	LPDDR4/4X、eMMC、SD卡	30~150mA	自刷新电流固定，读写时脉冲电流高
感知外设	摄像头、麦克风、IMU	20~100mA	常开型外设，电流稳定但累积可观
无线通信	Wi-Fi、BLE、4G/LTE	50~500mA（峰值）	发射时峰值极高，占空比决定平均电流

在模型量化与推理调度场景中，最需要关注的是计算核心和存储系统。NPU在加载大模型权重时，会同时拉高SoC电流和内存带宽，导致瞬时电流尖峰。如果mA budget余量不足，可能触发PMIC的过流保护，造成系统重启。

mA budget的定义与分配方法

mA budget（电流预算）是指在满足性能指标的前提下，为系统中每个功能模块分配的电流上限。它类似于软件工程中的“性能预算”，但约束的是物理电流而非CPU周期。

定义mA budget需要三步：

确定总预算：根据电池容量和目标续航计算。例如，2000mAh电池，目标续航8小时，则平均电流预算为250mA。考虑20%余量，实际可用为200mA。
分解到模块：参考典型功耗模型，将总预算分配到SoC、内存、外设、无线等模块。分配时需考虑峰值与平均值的差异。
建立监测点：在电源路径上设置测试点（TP），通过采样电阻或电流传感器实时监测各模块电流。

  mA budget分配示例：某工业视觉检测设备，电池2200mAh，目标续航6小时，总平均电流预算约366mA。分配如下：SoC推理（含NPU）150mA、内存60mA、摄像头模组80mA、Wi-Fi平均30mA、其他外设20mA、损耗余量26mA。当模型量化后NPU负载降低，SoC电流降至110mA，可将节省的40mA重新分配给更高帧率的摄像头或延长Wi-Fi发射时间。

测量方法：从实验室到产线

mA budget的验证依赖精确的电流测量。常用方法有三种：

高侧采样电阻法：在电源正极串联10~50mΩ精密电阻，用差分放大器或INA226测量压降。优点是简单、成本低；缺点是电阻引入额外压降，高电流时发热。
低侧电流检测：在电源负极与地之间串联采样电阻。适合低压系统，但会抬高参考地，可能影响信号完整性。
电流探针+示波器：使用霍尔效应或罗氏线圈探针，非接触测量。适合捕捉瞬态峰值，但精度低于采样电阻法。

在推理调度优化中，推荐使用INA226配合1mΩ采样电阻，采样率可设1kHz，既能记录平均电流，也能捕捉毫秒级的NPU推理电流脉冲。

// INA226 读取示例（基于Linux i2c-dev接口）
#include <linux/i2c-dev.h>
#include <fcntl.h>
#include <sys/ioctl.h>

int read_current(int fd) {
    // 寄存器0x01为总线电压，0x02为分流电压
    // 电流 = 分流电压 / 采样电阻值
    unsigned char buf[2];
    buf[0] = 0x02;
    write(fd, buf, 1);
    read(fd, buf, 2);
    int16_t raw = (buf[0] << 8) | buf[1];
    float shunt_uv = raw * 2.5;  // 2.5μV/LSB
    float current_ma = shunt_uv / 1.0;  // 1mΩ采样电阻
    return (int)current_ma;
}

案例拆解：智能摄像头mA budget优化实战

背景与约束：某安防厂商开发一款电池供电的AI摄像头，采用4核A53+2TOPS NPU SoC，内置2000mAh电池，目标续航12小时（每天触发100次事件检测，每次推理2秒）。

初始现象：实测平均电流320mA，续航仅6.2小时，远低于目标。进一步分析发现，NPU推理时峰值电流达1.2A，触发PMIC限流，导致推理速度下降，推理时间从2秒延长到3.5秒，形成恶性循环。

关键数据：

待机电流（外设+内存自刷新）：85mA
Wi-Fi传输（每次事件后上传10秒）：平均180mA
NPU推理（FP32模型）：平均电流420mA，峰值1.2A
CPU调度开销：平均40mA

分析判断：总平均电流 = 85 + (100次×2秒×420mA + 100次×10秒×180mA) / 43200秒 ≈ 85 + 1.94 + 4.17 ≈ 91mA。理论续航应达22小时，但实测仅6.2小时，说明存在大量非理想功耗——PMIC限流导致推理时间延长，以及Wi-Fi重传。

实际操作：

将模型从FP32量化为INT8，NPU推理电流从420mA降至280mA，推理时间从3.5秒缩短至1.8秒。
调整DVFS策略，NPU频率从1.2GHz降至800MHz，峰值电流从1.2A降至850mA，避免PMIC限流。
Wi-Fi传输改为批量上传（每10次事件合并上传一次），平均电流从180mA降至60mA。
在待机时关闭摄像头传感器供电，仅保留IMU唤醒，待机电流从85mA降至45mA。

结果对比：优化后平均电流 = 45 + (100次×1.8秒×280mA + 10次×10秒×60mA) / 43200秒 ≈ 45 + 1.17 + 0.14 ≈ 46.3mA。实测续航11.8小时，接近目标。峰值电流降至850mA，PMIC不再限流。

风险与代价：INT8量化引入约0.5%的精度损失，通过校准集微调补偿；DVFS降频使单次推理延迟增加0.2秒，但事件检测场景可接受。

复盘经验：mA budget不是静态分配，而是动态调节。量化不仅降低计算功耗，还通过缩短推理时间间接降低峰值电流持续时间，从而减少PMIC压力。测量时务必同时记录峰值和平均值，否则会漏掉限流这类隐性瓶颈。

常见误区：不要只关注SoC的mA数。在很多边缘设备中，外设（尤其是摄像头和无线模块）的功耗占比可能超过50%。量化优化了NPU，但如果外设不做调度，整体续航提升有限。mA budget必须覆盖全系统，而非单一芯片。

总结复盘

mA budget是连接算法优化与硬件约束的桥梁。理解mA指标的本质（电流而非功率）、掌握典型设备的功耗分布、建立可测量的budget分配流程，是进行量化与推理调度优化的前提。在实际项目中，建议建立“测量→分析→分配→验证”的闭环：先用INA226等工具采集基线数据，再根据数据调整量化策略和调度算法，最后用同一套测量方法验证优化效果。只有把mA budget当作一等公民对待，模型优化才能真正转化为续航提升。