7.1 边缘 AIoT：毫瓦预算下的识别任务
7.1 边缘 AIoT：毫瓦预算下的识别任务
本节摘要：边缘智能的胜负手是"常开功耗"而不是峰值算力：一个靠纽扣电池活两年的传感器节点，预算只有几百微瓦到几毫瓦。事件驱动方案在低活动率场景把常开功耗压到传统方案百分之一的水平，代价是接受"静止即无输出"。本节用三个产品化案例讲清甜区判据和功耗曲线的形状。
前三章的积木（事件传感器、脉冲网络、神经形态芯片）拼出的第一个完整产品形态就在边缘：门磁人体检测、振动异常监测、声学哨兵、可穿戴手势识别。这些任务的共同画像是"99% 时间无事发生，1% 时间要秒级响应"——传统方案的矛盾在于：为了那 1% 的时刻，要么让 MCU 持续采样烧电，要么牺牲响应速度周期性唤醒。
案例一：始终在线的视觉哨兵
功耗账这样算。传统方案：低分辨率 CMOS 加 MCU 周期性唤醒，1 fps 轮询下平均功耗仍要数百微瓦到毫瓦级（传感器本身读出一帧就耗能），且漏检窗口长达一秒。事件方案：Prophesee GenX320 一类低功耗事件传感器静态功耗数十微瓦量级，静止时几乎没有数据输出，后续处理可以用一颗极小的 SNN 加速器或干脆由传感器内置逻辑完成粗筛，有事件才唤醒主处理器。整条链路的平均功耗可以压到数十微瓦量级——差出一个数量级以上。已经落地的形态包括智能门铃的"有人出现"触发、仓储的异物入侵检测。
关键的设计细节在"两级判据"：传感器的像素级事件做第一级过滤（免费），一个小型 SNN 做第二级分类（毫瓦内），置信度足够才唤醒主 SoC。级联的漏报率由第一级的阈值和第二网络的精度共同决定，工程上用 ROC 曲线选工作点——这套方法与第 6 章的阈值标定一脉相承。
案例二：振动监测的预测性维护
工业设备的异常振动检测是 SNN 的另一个甜区：加速度计数据天然稀疏（正常运转时频谱平稳），异常（轴承磨损早期）表现为特定频段的能量突增——正是 6.2 节硅耳逻辑的机械版。文献与试点项目里的典型配置：MEMS 加速度计事件化输出（阈值触发）→ 小型 SNN（几百到几千神经元）→ 异常分类。某类电机故障检测的公开演示做到毫瓦级持续监测、秒级检出，而同精度的常规 TinyML 方案在数十毫瓦级——差距主要来自"无事时不采样不计算"。
这里有一个值得展开的反直觉经验：事件化振动监测里，阈值不是越灵敏越好。阈值调低后伪事件率上升，SNN 输入的统计分布改变，训练时没见过的噪声模式会推高误报——这是 6.1 节"阈值物理"在应用层的回响。靠谱做法是把阈值标定纳入部署流程（换设备、换工况重标），并把阈值余量写进产品规格。
案例三：可穿戴与手势交互
电池敏感的可穿戴场景里，BrainChip Akida 一类边缘神经形态处理器（数字同步架构，推理为主）配合 IMU/事件输入做手势识别，公开演示的推理功耗在毫瓦以下量级、延迟毫秒级，支撑"抬手即响应"的交互。这一类任务的 SNN 通常用替代梯度离线训练（第 4 章路线二），部署侧只推理——在线学习的需求在可穿戴里反而少：用户手势模式相对固定，离线模型加简单校准就够。
图：边缘场景的功耗曲线——帧方案与事件方案随活动率的分化
甜区判据与反例
把三个案例的共性提炼成四项判据：活动率低（大部分时间无事）、动态范围宽（光照或振动强度波动大）、响应要求实时（秒级以内）、电池约束硬（毫瓦以下常开）。四项全占，事件驱动 SNN 是结构性优势；占两项以下，量化 CNN 加占空比唤醒大概率更划算——不是因为技术不行，是稀疏红利兑现不出来。一个标准的"出甜区"反例是视频编码与传输类任务：数据必须全量、持续、稠密，事件化没有意义。另一个反例是静态图像分类的离线批处理：没有"常开"问题，能耗比拼的是吞吐能效，GPU/DSA 的规模优势碾压。
把三个案例的部署形态放在一起，还能读出一个共同的工程模式："事件层做检测、帧层做确认、主芯片管决策"的三段式。第一段永远在线（事件传感器加小 SNN，微瓦到毫瓦级），负责"有事发生"的判断；第二段按需唤醒（低分辨率帧相机或更高精度的特征提取），负责"是什么"的确认；第三段才是完整应用处理器。三段式之所以成立，正是因为第 6 章的事件传感器把"唤醒信号"本身做得又准又省——传统方案里这个角色由周期性轮询扮演，功耗与漏检的矛盾不可调和。给架构师的建议是：评估任何边缘 AIoT 方案，先画这张三段图，标出每段的常开功耗与唤醒延迟，系统的总账一目了然。
边界条件再补一条容易被忽视的：通信链路的功耗常被漏算。边缘节点的事件再稀疏，上报云端或网关的无线电功耗（毫瓦到数百毫瓦级发射功耗）可能反超全部计算功耗——事件驱动省下的电，别让一次不必要的射频发送全还回去。成熟的做法是本地聚合与批量上报，把"事件触发"与"通信调度"解耦：计算层毫秒级响应，通信层分钟级批量。这一条在 7.4 的系统功耗口径里同样适用：把无线电算进去，甜区判断才完整。
成本侧的账也补齐，让立项材料可以直接引用。以视觉哨兵类产品为例：事件传感器单价目前仍高于同分辨率 CMOS 数倍（量级在几十到上百美元，随出货量快速下降），但系统总成本常常反超——因为主处理器可以被砍小（大部分时间只需要一个微控制器待命）、电池被砍小、散热被取消，整机 BOM 与运维（换电池周期从月变年）的综合账才是客户感知的成本。给采购与架构的建议是把"每功能每月总持有成本"作为对比口径，而不是比单颗传感器价格——事件方案的优势从来不在单件价格，在系统形态的简化。
一个选型容易忽略的组合拳也值得点出：事件方案与现有 TinyML 生态不是替代关系。实测里常见的高性价比形态是"事件传感器做一级唤醒 + 量化 CNN 做二级精判"——事件侧贡献常开省电，CNN 侧贡献成熟的模型资产与工具链，两者叠加的系统往往优于任何单打独斗的方案。把"要不要全脉冲"这个工程问题还原成"每一级用什么最划算"，选型讨论立刻务实下来。
边缘 AIoT 的教训值得抄在全册扉页上：神经形态计算的落地问题从来不是"技术好不好"，而是"场景的活动率分布配不配"。先画功耗曲线，再选技术栈。
下一节进入机器人战场：那里的约束从"省"变成"快"，还多了一个在线学习的维度。