Edge AI基础：边缘计算、AI推理、典型硬件平台（MCU、NPU、GPU）及功耗特性
在电池设备选型之前，我们必须先厘清Edge AI系统的技术底座。边缘计算将AI推理从云端下沉到设备侧，使得数据在产生地即可被处理，但这一过程对功耗、时延和硬件资源提出了截然不同的约束。本章将系统梳理边缘计算与AI推理的基本概念，对比MCU、NPU、GPU三类典型硬件平台的架构差异与功耗特性，并建立“算力-功耗-电池容量”的初步映射关系，为后续功耗剖析方法奠定硬件认知基础。
上图展示了MCU、NPU、GPU三类平台在功耗、算力与续航上的典型差异。需要强调的是，这些数值是典型范围而非绝对边界——例如高端的Cortex-M85系列MCU在运行向量扩展指令时功耗可接近1W，而低功耗的Jetson Nano GPU模块在限制频率后可将功耗压至5W以内。理解这些平台的本质差异，是进行功耗剖析和电池选型的第一步。
2.1 边缘计算与AI推理的核心原理
边缘计算（Edge Computing）是一种分布式计算范式，它将数据处理和推理任务放置在数据源附近（即“边缘”），而非全部上传至云端。在Edge AI场景中，这一范式与AI推理（Inference）深度耦合——推理是指使用训练好的神经网络模型对新输入数据进行前向计算，产生预测结果的过程。与训练阶段不同，推理阶段不需要反向传播和梯度更新，因此计算模式更加固定，这为硬件优化提供了巨大空间。
从系统架构看，Edge AI设备通常包含四个层次：感知层（传感器、摄像头、麦克风）、处理层（MCU/NPU/GPU及配套存储）、通信层（Wi-Fi、BLE、4G/5G）和执行层（电机、显示屏、报警器）。功耗剖析的核心对象是处理层，但感知层和执行层的功耗同样不可忽视——例如一颗OV5640摄像头传感器在主动模式下的功耗约为150mW，而一个微型直流电机启动瞬间的电流可达正常工作电流的5-8倍。
AI推理的功耗特性与三个关键参数直接相关：计算量（以MACs或FLOPs衡量）、内存访问量（权重和激活值的读写次数）以及数据精度（FP32、FP16、INT8等）。以MobileNetV2为例，在224×224输入下，其计算量约为300M MACs，若使用INT8量化，模型大小可从13.4MB压缩至3.4MB，推理功耗可降低40%-60%。
核心要点：边缘AI推理的功耗并非单纯由“算力”决定，而是由“有效算力利用率”和“数据搬运能耗”共同决定。许多低功耗MCU通过硬件加速器（如CMSIS-NN优化的DSP指令）可以在10mW级别功耗下完成关键词唤醒（KWS）任务，而一个未优化的FP32模型在相同MCU上可能需要数百毫瓦。
2.2 典型硬件平台对比与功耗特性
选择Edge AI硬件平台时，需要从算力、功耗、内存带宽、开发生态和成本五个维度综合评估。下表给出了三类平台的典型参数对比，这些数据是电池选型的基础输入。
| 对比维度 | MCU（如STM32H7、ESP32-S3） | NPU（如瑞萨RA8D1、耐能KL720） | GPU（如Jetson Orin Nano） |
|---|---|---|---|
| 典型算力 | 0.01-0.1 TOPS | 0.5-10 TOPS | 5-100 TOPS |
| 典型功耗范围 | 0.01-0.5W | 0.5-5W | 5-25W（可配置） |
| 内存带宽 | 几百MB/s | 10-50GB/s | 50-200GB/s |
| 支持精度 | INT8/INT16 | INT8/INT16/FP16 | FP32/FP16/INT8 |
| 典型推理框架 | TFLite Micro、CMSIS-NN | 厂商SDK、ONNX Runtime | TensorRT、PyTorch |
| 启动时间 | <10ms | 50-200ms | 1-5s |
| 电池容量需求（24h工作） | 100-500mAh | 1000-5000mAh | 10000mAh以上 |
从上表可以看出，MCU适合极低功耗的常开型场景（如语音唤醒、振动检测），NPU适合需要中等算力的视觉或语音识别场景（如人脸检测、关键词识别），而GPU则适合需要高吞吐量的复杂场景（如多目标跟踪、语义分割）。值得注意的是，现代MCU（如STM32N6）已开始集成NPU核心，形成“MCU+NPU”的异构架构，这进一步模糊了平台边界。
2.3 功耗剖析的判断方法与操作流程
在实际项目中，我们通常采用“三级剖析法”来评估Edge AI平台的功耗特性：
- 静态估算：基于芯片数据手册的典型功耗参数，结合任务占空比进行初步估算。例如，若MCU在活跃模式下功耗为50mA@3.3V，休眠模式为5μA，且每10秒唤醒一次执行100ms推理，则平均电流约为：50mA×(0.1/10) + 0.005mA×(9.9/10) ≈ 0.505mA。
- 动态测量：使用高精度电流探头（如Iot-Audio的INA219或Keysight的N2820A）测量实际运行时的电流波形。关键测量点包括：峰值电流、平均电流、休眠电流和唤醒瞬态电流。
- 场景建模：将设备运行状态划分为多个场景（如“待机-唤醒-推理-通信-休眠”），为每个场景建立功耗模型，并计算整个任务周期的能量消耗。
在操作流程上，建议遵循以下步骤：
- 明确推理任务的周期性和实时性要求（如每100ms推理一次，或事件触发推理）；
- 确定硬件平台的工作模式（连续模式、突发模式、深度睡眠模式）；
- 测量各模式下的电流和持续时间，绘制功耗时间曲线；
- 计算平均功耗和峰值功耗，并评估电池的容量和放电率（C-rate）是否满足要求。
经验提醒：在测量MCU功耗时，务必断开调试器（ST-Link/J-Link）的供电，因为调试器通常会给目标板额外供电，导致测量结果偏大。建议使用独立的LDO或电池供电，并在电源路径中串联一个10mΩ采样电阻进行电流检测。
2.4 实战场景：智能门锁的人脸识别功耗剖析
我们以一个典型的智能门锁项目为例，说明如何将上述方法应用于电池选型。该门锁需要实现人脸识别（使用MobileNet-SSD模型，输入尺寸192×192），并配备4颗AA电池（总容量约2000mAh，电压范围4.8V-6.0V）。
初始目标：在每天约20次解锁操作（每次解锁包含1次人脸识别）的前提下，电池续航不少于6个月（180天）。
关键参数：
- 主控：瑞萨RA8D1（集成NPU，算力2TOPS），活跃功耗约300mW，深度休眠功耗约10μW；
- 摄像头：OV5640，工作功耗150mW，唤醒时间50ms；
- 人脸识别推理：单次推理耗时约80ms，平均功耗约450mW（含NPU和DDR）；
- 通信模块：BLE，仅在门锁被打开时发送通知，每次通信功耗约50mW持续200ms。
分析过程：首先计算单次解锁的能量消耗：摄像头采集（150mW×0.05s=7.5mJ）+ 推理（450mW×0.08s=36mJ）+ BLE通信（50mW×0.2s=10mJ）+ 系统开销（约5mJ），总计约58.5mJ。每天20次解锁，能量消耗为1.17J。加上待机功耗（10μW×24h=0.864J），每天总能耗约2.03J。4颗AA电池的总能量约为2000mAh×1.2V×4=9.6Wh=34560J，理论续航约170天，略低于180天的目标。
优化措施：将推理精度从FP16降为INT8，推理功耗降至280mW，单次推理能量降至22.4mJ；同时将摄像头分辨率从1080P降至720P，采集功耗降至100mW。优化后单次解锁能量约40mJ，每天总能耗约1.66J，理论续航提升至208天，满足要求。
风险提示：电池在实际使用中存在自放电（AA电池每月约2%-3%）、低温容量衰减（0℃时容量下降约20%）以及内阻随放电加深而增大的问题。因此，在理论计算基础上，建议预留20%-30%的容量余量，或选择低自放电的镍氢电池（如Eneloop）。
2.5 常见误区与总结复盘
在Edge AI硬件选型和功耗评估中，工程师常陷入以下误区：
- 误区一：只看峰值功耗，忽略平均功耗。例如GPU在推理瞬间功耗可达15W，但如果每次推理仅持续50ms且每分钟只触发一次，平均功耗可能只有0.5W。电池选型应基于平均功耗和能量预算，而非峰值。
- 误区二：忽视“暗电流”和“唤醒瞬态”。许多MCU在从深度睡眠唤醒时会产生一个持续数十微秒的高电流尖峰（可达正常工作电流的10倍），如果唤醒频率过高，这部分能量不可忽略。
- 误区三：将芯片标称功耗当作实际功耗。标称功耗通常在特定电压、温度和负载条件下测得，实际项目中因外设、时钟配置和代码效率不同，功耗可能偏差30%以上。
- 误区四：忽略软件优化对功耗的影响。同样的NPU硬件，使用厂商优化的推理库（如瑞萨的e-AI、ST的STM32Cube.AI）比使用通用框架（如TFLite Micro）的推理功耗可降低40%-70%。