4、硬件平台与功耗测量基础：常见Edge设备（MCU、SoC、NPU）、测量点选择、电流/电压采样原理

Edge AI 的功耗 profiling 并非在真空中进行，它必须扎根于具体的硬件平台。不同平台的功耗特性、可测量性和优化手段差异巨大。本章将首先厘清 MCU、SoC、NPU 三类主流 Edge 设备的功耗架构差异，随后深入探讨测量点的选择策略，最后剖析电流与电压采样的核心原理。理解这些基础，是后续所有 profiling 与优化工作的前提——只有知道“电”从哪里来、流向哪里、如何被量化，才能精准定位功耗瓶颈。

4.1 常见 Edge 设备的功耗架构与特性

Edge AI 设备并非单一形态，从几毫瓦的传感器节点到几十瓦的智能摄像头，其功耗 profiling 方法截然不同。理解平台差异是选择测量策略的第一步。

4.1.1 MCU 平台：微瓦到毫瓦级

MCU（Microcontroller Unit）通常集成 CPU 核心、Flash、SRAM 以及各类外设（UART、SPI、I2C、ADC 等）于单芯片。在 Edge AI 场景中，MCU 常用于执行轻量级模型（如 TensorFlow Lite Micro、CMSIS-NN），其功耗范围从睡眠模式的微安级到满负荷运行的几十毫安级。

MCU 功耗 profiling 的关键在于：动态功耗与静态功耗的分离。动态功耗（P_dynamic = C·V²·f）与时钟频率和翻转率相关，而静态功耗（漏电流）在先进制程下占比逐渐上升。测量时需关注不同工作模式（Active、Sleep、Deep Sleep、Standby）下的电流差异，这往往跨越 3-4 个数量级。

4.1.2 SoC 平台：百毫瓦到瓦级

SoC（System on Chip）平台（如 Raspberry Pi、Jetson Nano、RK3588）集成了高性能 CPU 核心（Cortex-A 系列）、GPU、DSP 以及丰富的外设接口。其功耗通常在 0.5W 到 15W 之间，运行 Linux 或 Android 系统。SoC 的功耗管理更为复杂，涉及 DVFS（动态电压频率调整）、多核调度、GPU 频率调节等。

SoC 平台 profiling 的挑战在于：多电源域隔离。现代 SoC 通常有多个独立的电源域（如 CPU 域、GPU 域、NPU 域、内存域），每个域可独立调压调频。测量时需区分“整板功耗”与“核心域功耗”，前者用于评估系统级能效，后者用于定位具体 IP 模块的功耗贡献。

4.1.3 NPU 平台：专用加速器的功耗特性

NPU（Neural Processing Unit）作为 AI 加速器，其功耗特性与 CPU/GPU 有显著差异。NPU 通常采用数据流架构，大量 MAC（乘加）单元并行工作。在推理任务中，NPU 的功耗曲线呈现明显的“阶梯状”——当 batch 任务开始，功耗迅速爬升；任务结束，功耗骤降。这种突发性功耗对电源设计提出了较高要求。

NPU 功耗 profiling 的核心指标是能效比（TOPS/W）。测量时需同时记录推理帧率（FPS）与平均功耗，计算每次推理的能量消耗（Joules/Inference）。值得注意的是，NPU 在低负载时的静态功耗占比可能较高，因此“空闲功耗”与“满载功耗”的差值比绝对值更有参考意义。

4.2 测量点选择：从系统级到模块级

测量点的选择直接决定了 profiling 的粒度与可信度。错误的测量点可能导致数据偏差巨大，甚至掩盖真实的功耗瓶颈。

4.2.1 系统级测量点（TP1）

系统级测量点位于电源入口处，通常是在电池输出端或 USB 5V 输入之后。此测量点反映整个设备的功耗，包括所有外围器件（传感器、无线模块、显示屏等）。系统级测量适合评估整体续航或热设计功耗（TDP），但无法区分各模块的贡献。

操作要点：在电源路径中串联一个低阻值采样电阻（如 10mΩ），通过差分放大器测量电阻两端电压，再换算为电流。注意采样电阻的功率额定值需满足最大电流场景，否则会因发热导致阻值漂移。

4.2.2 模块级测量点（TP2/TP3）

模块级测量点位于各电源域的输出端。例如，在 SoC 平台的 PMIC（电源管理 IC）输出端，可以分别测量 VDD_CPU、VDD_GPU、VDD_NPU 等轨道的电流。模块级测量能精确定位功耗热点，但需要硬件设计时预留测试点或使用电流探头（如 Tektronix TCP0030A）进行非侵入式测量。

判断方法：当系统级功耗异常时，通过对比各模块电流的占比，可以快速锁定“功耗大户”。例如，若 NPU 域电流在空闲时占整板 30%，说明 NPU 未正确进入低功耗状态，可能存在驱动或固件问题。

4.2.3 测量点选择的权衡

测量点并非越多越好。每个测量点都会引入额外的寄生电阻和电容，影响电源完整性。实际工程中，建议遵循“先系统级、后模块级”的排查策略：先用系统级测量确认问题是否存在，再逐步下钻到模块级定位根因。

4.3 电流/电压采样原理

功耗（P = V × I）的测量本质上是电压与电流的同步采样。不同采样原理适用于不同场景，理解其物理基础有助于选择正确的仪器和解读数据。

4.3.1 分流电阻法（Shunt Resistor）

分流电阻法是最常用的电流测量方法。其原理基于欧姆定律：在电流路径中串联一个已知阻值的精密电阻，测量其两端电压差，即可计算电流。关键参数包括：

• 阻值选择：阻值越大，信号越强，但压降和功耗也越大。通常选择满载时压降不超过电源电压的 1%。
• 温漂系数：精密电阻的温漂应低于 50ppm/°C，否则在高电流下阻值变化会导致测量误差。
• 带宽限制：分流电阻法受限于放大器的带宽，对于高频瞬态电流（如 NPU 推理时的突发电流），可能需要使用高带宽差分探头。

4.3.2 霍尔效应法（Hall Effect）

霍尔效应传感器通过测量电流产生的磁场来推算电流大小，无需串联电阻，因此不引入插入损耗。其优势在于：

• 电气隔离：传感器与测量电路隔离，适合高压侧测量。
• 低插入损耗：对被测电路影响极小。
• 带宽较高：现代霍尔传感器带宽可达 MHz 级，适合捕捉瞬态电流。

但霍尔传感器的精度通常低于分流电阻法（典型 1%-3% vs 0.1%），且易受外部磁场干扰。在 Edge AI 设备中，霍尔传感器常用于电池供电设备的电量计（Fuel Gauge）芯片内部。

4.3.3 采样率与同步

功耗 profiling 的准确性不仅取决于硬件精度，还取决于采样率与同步策略。对于 Edge AI 场景，建议遵循以下原则：

1. 采样率至少为信号最高频率的 10 倍：例如，NPU 推理周期为 10ms，则采样率应不低于 1kHz，以捕捉功耗峰值。
2. 电压与电流必须同步采样：使用同一 ADC 或双通道同步采样，避免因时间偏移导致功率计算错误。
3. 记录时间戳：将功耗数据与软件事件（如推理开始/结束）对齐，便于定位功耗与代码的对应关系。

4.4 常见误区与总结复盘

在功耗 profiling 实践中，工程师常陷入以下误区，导致数据失真或优化方向错误：

4.4.1 误区一：只测平均功耗，忽略瞬态峰值

Edge AI 设备的功耗往往具有突发性。例如，NPU 推理时电流可能在 1ms 内从 100mA 飙升至 2A。如果仅使用万用表测量平均功耗，会严重低估电源设计的压力。正确做法是使用示波器+电流探头捕捉瞬态波形，并记录峰值电流与持续时间。

4.4.2 误区二：忽略温度对功耗的影响

半导体器件的漏电流随温度呈指数增长。在 25°C 环境下测得的功耗，在 60°C 环境可能增加 30% 以上。因此，profiling 应在目标工作温度范围内进行，或至少记录环境温度作为参考。

4.4.3 误区三：混淆“功耗”与“能量”

功耗（W）是瞬时功率，能量（J）是功耗对时间的积分。对于电池供电设备，能量消耗才是决定续航的关键。例如，一个设备峰值功耗 5W 但仅持续 10ms，与另一个设备持续功耗 1W，后者的能量消耗更大。优化时应关注“每次推理的能量消耗”（J/Inference），而非单纯降低峰值功耗。

4.4.4 总结复盘清单