電子發(fā)燒友網(wǎng)報(bào)道（文/李彎彎）邊緣AI芯片低功耗設(shè)計(jì)是其在移動(dòng)設(shè)備、物聯(lián)網(wǎng)終端等資源受限場景中落地的關(guān)鍵。在物聯(lián)網(wǎng)、可穿戴設(shè)備、智能家居等對功耗敏感的應(yīng)用場景中，低功耗設(shè)計(jì)直接決定了設(shè)備的續(xù)航能力、部署成本及用戶體驗(yàn)。

為什么邊緣AI芯片需要低功耗設(shè)計(jì)？

從應(yīng)用場景層面來看，首先是設(shè)備供電受限，如智能手表、無線傳感器、可穿戴設(shè)備等依賴電池供電，低功耗設(shè)計(jì)直接決定續(xù)航時(shí)間。在太陽能、射頻能量收集等自供電系統(tǒng)中，芯片功耗需低于能量收集速率，否則設(shè)備無法持續(xù)運(yùn)行。

其二是部署環(huán)境苛刻，在工業(yè)監(jiān)測、農(nóng)業(yè)物聯(lián)網(wǎng)等場景中，設(shè)備可能部署在難以更換電池或無法接線的區(qū)域。例如，橋梁結(jié)構(gòu)監(jiān)測傳感器需連續(xù)工作數(shù)年，功耗需低于1mW。功耗過高會(huì)導(dǎo)致芯片發(fā)熱，影響穩(wěn)定性與壽命。例如，在汽車電子中，芯片需滿足AEC-Q100標(biāo)準(zhǔn)，低功耗設(shè)計(jì)可減少熱應(yīng)力導(dǎo)致的失效風(fēng)險(xiǎn)。

從技術(shù)發(fā)展層面來看，首先，能效比（TOPS/W）是核心指標(biāo)，邊緣AI芯片需在有限功耗下提供高算力。例如，特斯拉FSD芯片以72W功耗實(shí)現(xiàn)144TOPS算力，能效比達(dá)2TOPS/W，滿足自動(dòng)駕駛實(shí)時(shí)性需求。低功耗設(shè)計(jì)可突破“功耗墻”限制。例如，傳統(tǒng)GPU在移動(dòng)端因功耗過高（>20W）難以應(yīng)用，而專用邊緣AI芯片可將功耗壓縮至數(shù)百mW級(jí)。

其次，散熱與封裝成本約束，高功耗芯片需配備散熱片或風(fēng)扇，增加體積與成本。例如，桌面GPU功耗可達(dá)300W，需主動(dòng)散熱；而邊緣設(shè)備芯片功耗需控制在5W以內(nèi)，可采用被動(dòng)散熱。低功耗設(shè)計(jì)可簡化封裝要求。例如，采用Chiplet技術(shù)的邊緣AI芯片通過2.5D封裝降低互連功耗，同時(shí)減少對散熱材料的需求。

邊緣AI芯片低功耗設(shè)計(jì)方法

從硬件架構(gòu)優(yōu)化角度來看，如專用加速器NPU、DPU等，設(shè)計(jì)針對AI運(yùn)算（如矩陣乘加）的專用電路，提升能效比。例如，Google TPU通過脈動(dòng)陣列減少通用計(jì)算單元的冗余操作。如異構(gòu)計(jì)算架構(gòu)，結(jié)合CPU（控制）、GPU（并行計(jì)算）、NPU（AI推理）等模塊，按任務(wù)類型動(dòng)態(tài)分配計(jì)算負(fù)載。輕量級(jí)任務(wù)由CPU處理，復(fù)雜模型交由NPU，避免資源浪費(fèi)。

還有一些創(chuàng)新架構(gòu)設(shè)計(jì)方向，如存算一體化，減少數(shù)據(jù)搬運(yùn)，在存儲(chǔ)單元附近直接完成計(jì)算，降低I/O功耗。技術(shù)路徑實(shí)現(xiàn)方面有存內(nèi)計(jì)算、近內(nèi)存計(jì)算。再如事件驅(qū)動(dòng)架構(gòu)，采用脈沖神經(jīng)網(wǎng)絡(luò)（SNN）或事件相機(jī)傳感器，僅在數(shù)據(jù)變化時(shí)觸發(fā)計(jì)算，減少靜態(tài)功耗。

從算法與模型優(yōu)化角度來看，如模型壓縮技術(shù)，剪枝，移除冗余神經(jīng)元或權(quán)重（稀疏化），降低計(jì)算量；量化，將32位浮點(diǎn)模型轉(zhuǎn)為8位整數(shù)，減少乘法器和內(nèi)存訪問能耗；知識(shí)蒸餾，用大模型訓(xùn)練輕量級(jí)學(xué)生模型，保持精度同時(shí)降低計(jì)算需求。
??
如輕量級(jí)網(wǎng)絡(luò)設(shè)計(jì)，使用MobileNet（深度可分離卷積）、EfficientNet（復(fù)合縮放）等結(jié)構(gòu)，平衡精度與計(jì)算量。再如動(dòng)態(tài)推理，在推理過程中設(shè)置檢查點(diǎn)，若低層已足夠準(zhǔn)確，則提前終止計(jì)算。近似計(jì)算，允許非關(guān)鍵計(jì)算結(jié)果存在誤差，簡化運(yùn)算（如低精度浮點(diǎn)、舍入策略）。

從動(dòng)態(tài)電源管理角度，DVFS（動(dòng)態(tài)電壓頻率調(diào)節(jié)），根據(jù)負(fù)載實(shí)時(shí)調(diào)整電壓和頻率，例如在空閑時(shí)進(jìn)入低功耗模式（如C6睡眠狀態(tài)）。多電源域劃分，將芯片劃分為多個(gè)電源域，按需開啟或關(guān)閉（如攝像頭模塊僅在檢測到運(yùn)動(dòng)時(shí)供電）。自適應(yīng)功耗策略，結(jié)合負(fù)載預(yù)測（如LSTM預(yù)測任務(wù)周期），動(dòng)態(tài)調(diào)整電源狀態(tài)。

還有軟件與系統(tǒng)協(xié)同方面，編譯器優(yōu)化，通過指令級(jí)并行（ILP）優(yōu)化、內(nèi)存訪問合并，減少計(jì)算周期和能耗。操作系統(tǒng)調(diào)度，任務(wù)級(jí)功耗管理，優(yōu)先調(diào)度低功耗核心處理簡單任務(wù)，高負(fù)載時(shí)喚醒高性能核心。應(yīng)用層策略，喚醒詞檢測（如Alexa的Always-On模式），僅運(yùn)行輕量級(jí)模型，待檢測到關(guān)鍵詞后喚醒主模型。

小結(jié)：邊緣AI芯片低功耗設(shè)計(jì)是其在真實(shí)場景中落地的必要條件，直接決定了設(shè)備的可用性、經(jīng)濟(jì)性和可持續(xù)性。通過硬件架構(gòu)、算法優(yōu)化、制程工藝等多維度協(xié)同，邊緣AI芯片得以在毫瓦級(jí)甚至微瓦級(jí)功耗下運(yùn)行，滿足電池供電、實(shí)時(shí)響應(yīng)、低成本部署等核心需求。