课程导入：TinyML与mA级功耗预算的背景
当我们在嵌入式设备上部署机器学习模型时，传统思维往往聚焦于算力、内存和精度，却忽略了一个更为根本的约束——功耗。TinyML（微型机器学习）正是面向这一挑战而生的技术领域：它要求在毫瓦甚至微瓦级别的功耗预算内，完成传感器数据采集、特征提取、推理决策和结果输出。以一颗CR2032纽扣电池为例，其典型容量约为220mAh，若系统平均功耗为1mA，可持续工作约220小时（不足10天）；若能将平均功耗压至0.1mA，则续航可延长至2200小时（约3个月）。这背后不仅是电池容量的数学题，更是从算法到硬件、从软件到系统的全链路功耗分配艺术。
上图展示了TinyML功耗预算的核心框架。电源域提供能量，功耗预算分配决定能量如何被消耗，推理任务则是功耗的主要消费者，而时延、精度和成本构成了约束条件。整个系统围绕“感知-计算-通信-待机”四个环节展开，每个环节都有其独特的功耗优化空间。理解这张全景图，是掌握mA级功耗分配的第一步。
1.1 TinyML的定义与功耗挑战的本质
TinyML并非简单的“在MCU上跑模型”，而是一种系统性的设计方法论。它要求在资源极度受限的嵌入式设备上，实现机器学习推理功能，同时满足严格的功耗、内存和时延约束。根据TinyML基金会的数据，典型的TinyML设备内存限制在256KB以内，存储空间不超过1MB，而平均功耗预算通常在1mW到10mW之间。这意味着，一个持续运行的推理任务，其平均电流不能超过0.3mA（以3.3V供电计算）。
功耗挑战的本质在于“能量-信息”的转换效率。每一次推理都需要消耗能量来搬运数据、执行计算和输出结果。在传统嵌入式系统中，工程师可以随意增加功耗来换取性能；但在TinyML场景下，功耗是硬约束，性能必须在这个约束内进行优化。这要求我们从三个层面重新思考：算法层面（模型压缩与量化）、硬件层面（低功耗MCU与加速器）、系统层面（任务调度与电源管理）。
核心认知：mA级功耗预算不是“限制”，而是“设计输入”。它迫使我们在项目初期就建立功耗意识，将功耗作为与精度、时延同等重要的设计目标。一个成功的TinyML项目，往往是在功耗预算的“天花板”下，寻找精度与响应速度的最优解。
1.2 功耗预算的构成与分配原则
mA级功耗预算的分配，需要先明确系统的功耗构成。一个典型的TinyML推理系统，其功耗主要由四部分组成：感知功耗（传感器及信号调理）、计算功耗（MCU及加速器）、通信功耗（无线收发）、待机功耗（漏电流与低功耗模式）。表1给出了一个典型的功耗预算分配示例。
| 功耗模块 | 典型占比 | 关键影响因素 | 优化手段 |
|---|---|---|---|
| 感知层 | 10%-20% | 采样率、传感器类型、信号调理 | 事件驱动采样、降低采样率、传感器电源门控 |
| 计算层 | 30%-50% | 模型大小、算子类型、MCU频率 | 量化、剪枝、深度可分离卷积、DVFS |
| 通信层 | 20%-40% | 协议、数据量、发送频率 | BLE5.0、数据压缩、批处理发送 |
| 待机层 | 5%-15% | 漏电流、低功耗模式配置 | 深度睡眠、电源域隔离、RTC唤醒 |
分配原则遵循“二八定律”：计算和通信通常占据80%以上的功耗，因此优化重点应放在这两个环节。但感知层和待机层也不可忽视——一个设计不良的传感器接口，可能让系统永远无法进入深度睡眠，导致待机电流从1µA飙升到100µA，直接摧毁整个功耗预算。
1.3 课程学习路径与整体框架
本课程共30章，按照“基础-方法-实践-优化”四个阶段组织。第一阶段（第1-5章）建立功耗预算的基础概念与测量方法；第二阶段（第6-15章）深入讲解算法层面的功耗优化技术，包括量化、剪枝、知识蒸馏等；第三阶段（第16-25章）聚焦硬件与系统层面的功耗管理，涵盖MCU选型、电源设计、任务调度等；第四阶段（第26-30章）通过完整案例，展示如何将前25章的知识综合应用于实际项目。
每一章都遵循“原理-方法-案例-复盘”的教学闭环。原理部分解释“为什么”，方法部分说明“怎么做”，案例部分展示“实际效果”，复盘部分总结“经验教训”。这种结构设计，旨在帮助学习者不仅掌握知识，更能形成可迁移的工程判断力。
学习建议：建议在学习过程中，同步准备一块低功耗开发板（如STM32L4系列或nRF52840），将每章的理论知识转化为实际测量数据。例如，在学习第3章“功耗测量方法”时，实际测量开发板在不同工作模式下的电流，建立直观的功耗感知。
1.4 常见误区与课程学习目标
在TinyML功耗优化的实践中，初学者常陷入几个误区。第一个误区是“只关注计算功耗”，认为只要模型够小、算得够快，功耗就一定低。实际上，内存访问的功耗往往比计算本身更高——一次SRAM访问的能耗可能是一次乘加运算的5倍以上。第二个误区是“忽视待机功耗”，认为系统大部分时间在运行，待机时间短就无所谓。但在许多IoT场景中，系统90%以上的时间处于待机状态，待机电流的微小差异会显著影响电池寿命。第三个误区是“盲目追求低功耗”，为了省电而过度降低采样率或模型精度，导致推理结果失去实用价值。
本课程的学习目标，是帮助你建立一套完整的功耗预算方法论。学完本课程后，你将能够：（1）准确测量系统各模块的功耗分布；（2）合理分配mA级功耗预算到感知、计算、通信和待机各环节；（3）灵活运用算法与硬件层面的优化技术；（4）系统评估功耗、精度、时延之间的权衡关系。最终，你将具备独立完成一个TinyML项目功耗设计的能力。
风险提示：功耗优化是一个“木桶效应”明显的领域。任何一个环节的短板（如传感器漏电流过大、通信协议选择不当）都可能让其他环节的优化成果付诸东流。因此，务必从系统角度出发，建立全局功耗视图，而不是孤立地优化单个模块。
在接下来的章节中，我们将从功耗测量的基础方法开始，逐步深入到算法优化、硬件选型和系统集成的每一个细节。每一章都会提供可操作的步骤和真实的工程案例，帮助你构建从理论到实践的完整能力。请准备好你的开发板和万用表，让我们开始这段mA级功耗优化的探索之旅。