“刚打开AI相册整理照片，手机就提示‘电量低于20%’”——这是不是你在用智能设备时的真实写照？随着语音助手、图像识别等AI应用普及，手机、智能手表等边缘设备的“续航焦虑”越来越严重。近日，《Frontiers of Information Technology & Electronic Engineering》发表的综述论文指出，通过联邦学习能效优化技术，边缘设备在AI训练中的能耗可降低70%，通信量减少一半，让“边充电边用AI”成为历史。

为什么你的手机跑AI这么“费电”？

传统AI训练需要把数据上传到云端，就像“学生背着一书包作业去学校请教老师”，既慢又不安全。而联邦学习（FL） 作为隐私计算的“黑科技”，让设备在本地完成模型训练，只上传参数更新（相当于“只带作业本答案”），但这依然让边缘设备“压力山大”。

论文揭示，FL的能耗主要来自“计算”和“通信”两大“电老虎”：本地训练时，手机CPU/GPU高速运转，功耗公式类似 P = \kappa f^3P=κf3（频率越高，能耗呈立方级增长）；上传参数时，哪怕是简化后的模型，数据量仍堪比“发100条高清视频”，4G/5G传输耗电堪比“连续玩游戏”。实验显示，一部普通手机参与FL训练1小时，电量消耗相当于看3集电视剧，这让用户不得不随身携带充电宝。

给AI“减肥”“分工”“组队”：三大策略破解能耗难题

研究团队梳理了全球200多项研究，总结出FL能效优化的“三板斧”，每项策略都有实打实的数据支撑：

第一招：给模型“瘦身”——用简笔画代替油画
通过量化（降低参数精度）和剪枝（删除冗余神经元），让模型“变轻”。比如把32位浮点数参数压缩成8位整数（类似用黑白照片代替彩色），通信能耗直接减少50%，而精度仅下降3%。论文中的Fig.3显示，在图像识别任务中，4位量化甚至能在精度损失小于2%的情况下，将传输数据量压缩8倍，堪称“减肥不减质”。

第二招：智能“分工”——让设备各尽所能
针对不同设备的性能差异（如同“有的同学用计算器，有的用算盘”），动态资源分配策略可智能调节计算频率和通信带宽。例如，给高端手机分配复杂计算任务，用GPU并行加速；给老旧设备分配简单任务，降低CPU频率。实验表明，这种“量体裁衣”的方式能使系统整体能耗降低40%，还能避免“掉队者问题”（部分设备太慢拖慢全局进度）。

第三招：“组队”训练——选对队友事半功倍
客户端选择策略如同“组队做项目，选靠谱队友”：优先挑选电池容量大、信道质量好的设备（如充电中的平板、Wi-Fi环境下的智能家居），同时兼顾数据多样性。数据显示，这种策略能让单轮训练能耗降低18%，还能加速模型收敛，减少总训练轮次。

现实挑战：“省电”和“好用”能两全吗？

尽管成效显著，技术落地仍面临“平衡难题”。例如，过度压缩模型可能导致AI“变笨”——论文中Fig.4显示，当量化精度低于2位时，图像识别准确率会骤降20%，相当于“把人像认成风景”。此外，设备动态性（如用户突然接电话占用CPU）会打乱资源分配，让能耗优化“时灵时不灵”。

未来，随着6G和低功耗芯片发展，研究者计划将智能反射面（IRS） 融入通信环节，通过反射信号增强传输效率，就像“给信号搭个顺风车”；同时开发专用AI芯片，让手机在低功耗模式下也能高效训练。论文特别指出，当边缘设备数量超过1000台时，现有算法需进一步优化，才能应对大规模异构网络的能耗挑战。

来源: 信息与电子工程前沿FITEE