课程导入：学习目标、课程结构、Edge AI功耗优化的行业背景与挑战

欢迎来到《Edge AI设备运行功耗与待机功耗联合优化课程》。在正式进入技术细节之前，我们需要先建立全局视野：为什么功耗优化在当下变得如此关键？本课程将如何组织？学完后你能获得什么能力？这一章将为你绘制完整的课程地图，并剖析Edge AI功耗优化的行业驱动力与核心矛盾，为后续所有技术章节奠定认知基础。

1.1 学习目标：从“能跑”到“跑得久、跑得省”

本课程的核心目标不是教你如何把功耗降到绝对最低——那往往意味着牺牲性能或用户体验。我们的目标是建立一套联合优化的方法论：在满足AI推理精度、响应延迟和功能完整性的前提下，系统性地降低设备在运行态和待机态的总能耗。学完本课程，你将具备以下能力：

• 功耗建模能力：能够拆解Edge AI设备的功耗构成，识别主要耗电单元（SoC、内存、传感器、无线模块、电源转换损耗等）。
• 测量与分析方法：掌握使用功耗分析仪、示波器电流探头、软件日志等工具进行功耗数据采集与剖析的技巧。
• 运行态优化技能：学会通过动态电压频率调整（DVFS）、任务调度、NPU/GPU/DSP异构计算分配、数据精度裁剪等手段降低活跃功耗。
• 待机态优化技能：深入理解低功耗模式（WFI、WFI+、深度睡眠、关机模式）的选择逻辑，以及唤醒源、保持域（Always-on Domain）的设计。
• 联合调优思维：能够权衡“运行功耗-待机功耗-唤醒延迟-成本”四者关系，制定符合产品定位的功耗策略。

1.2 Edge AI功耗优化的行业背景：为什么现在如此紧迫？

过去十年，AI推理任务主要发生在云端数据中心。然而，随着隐私保护法规（如GDPR）、网络带宽成本、实时性要求（如自动驾驶、工业控制）以及离线可用性的需求增长，AI推理正在快速向边缘侧迁移。这一迁移带来了全新的功耗挑战。

从上表可以看出，不同行业对功耗的约束差异巨大，但共同点是：AI能力不再是“锦上添花”，而是核心功能。这意味着功耗优化不能通过“关闭AI功能”来实现，必须在AI持续可用的前提下进行精细化管理。

1.3 核心挑战：运行功耗与待机功耗的“跷跷板效应”

Edge AI设备面临一个经典的两难困境：运行态需要高性能计算，待机态需要极低功耗。这两者之间存在直接冲突——高性能硬件在待机时仍有漏电流，而深度睡眠模式虽然省电，但唤醒延迟可能长达数百毫秒甚至数秒，导致AI响应不及时。

具体挑战体现在以下四个维度：

1. 硬件层面的矛盾：先进制程（如5nm、7nm）降低了动态功耗，但漏电流（静态功耗）占比上升。在待机时，即使时钟关闭，漏电依然存在。例如，一颗7nm的AI加速芯片在深度睡眠模式下仍可能消耗5-15mW的漏电功耗。
2. 软件层面的复杂性：操作系统（Linux/RTOS）的电源管理框架（如Linux的PM QoS、CPUIdle、CPUFreq）提供了丰富的调优接口，但配置不当反而会导致功耗恶化。例如，过度使用WFI（Wait For Interrupt）可能导致唤醒延迟增加，而频繁进入深度睡眠又会导致状态保存/恢复的开销。
3. AI工作负载的突发性：AI推理任务往往是突发性的——平时待机，一旦有事件触发（如语音唤醒、传感器中断）就需要立即执行推理。这种“突发-空闲-突发”的模式对功耗状态切换提出了极高要求。
4. 系统级协同的缺失：很多团队只关注SoC功耗，忽略了外围器件（DDR、Flash、PMIC、传感器）的功耗。实际上，在待机状态下，DDR的自刷新功耗、PMIC的静态电流往往占据主导地位。

1.4 案例拆解：一款工业手持终端的功耗优化启动

为了让你更直观地理解功耗优化的实际场景，我们来看一个典型的项目启动案例。

背景与约束：某工业设备厂商计划推出一款手持式巡检终端，内置AI图像识别功能（用于设备仪表读数识别）。硬件配置为：四核Cortex-A55处理器（集成NPU）、2GB LPDDR4、4英寸LCD、Wi-Fi/BLE模块、5000mAh电池。产品要求：连续工作8小时以上，待机时间30天以上，AI识别响应时间小于2秒。

初始现象：第一版原型机实测数据如下：

• 运行态（AI推理+屏幕常亮）：平均功耗3.8W，续航仅约1.3小时。
• 待机态（屏幕关闭，系统挂起）：平均功耗45mW，理论待机约4.6天。
• 唤醒延迟：从深度睡眠到AI就绪约1.8秒（勉强达标）。

问题分析：运行功耗过高是因为NPU利用率低（仅30%），且CPU频率固定为最高档；待机功耗过高是因为DDR未进入自刷新模式，PMIC的LDO（低压差线性稳压器）静态电流过大（约20mW）。

初步优化方向（将在后续章节详细展开）：

1. 启用DVFS，根据AI任务负载动态调整CPU/NPU频率。
2. 优化NPU算子调度，将利用率提升至70%以上，缩短推理时间。
3. 在待机时，将DDR置于自刷新模式，关闭未使用的LDO，改用DC-DC供电。
4. 调整Linux的CPUIdle governor，使用menu governor并配置合适的target residency。

预期效果：运行功耗降至2.2W（续航提升至约2.3小时），待机功耗降至8mW（待机提升至约26天），唤醒延迟控制在1.2秒以内。虽然距离目标仍有差距，但已经验证了联合优化的巨大潜力。

1.5 常见误区与课程学习建议

在多年的工程实践中，我们发现初学者和部分团队在功耗优化上存在以下典型误区：

• 误区一：只关注SoC功耗，忽略外围器件。实际上，在待机状态下，PMIC、DDR、传感器常驻功耗可能超过SoC本身。
• 误区二：认为“频率越低越省电”。对于AI推理任务，如果频率过低导致推理时间延长，系统可能更长时间处于活跃状态，总能耗反而增加。存在一个“最佳能效点”。
• 误区三：盲目使用“深度睡眠”。深度睡眠的唤醒开销（保存/恢复上下文）在频繁唤醒场景下可能抵消省下的功耗。
• 误区四：忽略温度对漏电的影响。芯片温度升高会导致漏电指数级增长，散热设计也是功耗优化的一部分。

学习建议：本课程强调“理论+实践”的结合。建议你在学习每章时，对照自己手头的硬件平台（如树莓派、Jetson Nano、STM32MP1等）进行实验。即使没有专业功耗仪，也可以通过万用表串联采样电阻、读取SoC内部的功耗传感器（如PMU寄存器）来获取数据。只有亲手测量过功耗，才能真正理解优化的意义。