我们已经越来越习惯于家庭中使用智能设备，并希望它们变得更加智能，通过先进的音频和视频处理技术以及先进的传感器来识别和解释语音和运动。但是，通过创新的人工智能(AI)和机器学习算法实现的这些进步，增加了对设备和它们所基于的底层芯片的更高能效的需求。

　　在芯片设计领域，对功率的考虑并不是什么新鲜事。设计工程师一直在努力优化能耗目标，“低功耗”一直是长期的口头禅—性能，功耗和面积(PPA)的三大支柱之一。

　　支持智能设备的现有功能已经是一项艰巨的任务，其中包括：

　　● 具有语音控制功能的扬声器可利用来自训练有素的语音命令的大量词汇来进行高度准确的语音识别。

　　● 穿戴式活动跟踪器，可根据来自陀螺仪，加速度计和磁力计等传感器的输入数据，识别诸如坐，站，走和跑等人类活动。

　　● 配有智能摄像头的门铃，可以执行面部识别并触发警报，警报可以通过图像或视频发送到所有者的移动设备。

　　● 即使是无人驾驶汽车，也应用先进的计算机视觉技术来检测车辆，行人和危险驾驶情况。

　　但是，当我们考虑诸如AI之类的应用如何推动对更大芯片的需求时，这为功率方程式带来了新的动力。

　　降低温度

　　所有这些智能都由AI的进步所驱动。但是，由于AI要求越来越高的处理性能，因此随着更多的晶体管和更新颖的架构(例如3D堆栈)，芯片将继续变得更大。随着它们更快地处理更多信息，芯片性能的关键限制之一将是温度。在同一芯片上的如此多的晶体管导致高密度，从而导致结温升高，芯片性能开始下降。

　　设计人员将不得不考虑热失控，因为性能实际上会受到功率的限制。实际上，电子设计自动化(EDA)供应商正在继续致力于提高温度，这是芯片为成功运行所必须解决的关键目标之一，以及熟悉的PPA平衡行为。

　　尽管对电源和温度的管理需求对于插入式设备至关重要，但对于电池供电的物联网(IoT)设备而言，这甚至成为更大的挑战。对于这些设备，由于其毫瓦的功率预算，在芯片消耗的能量方面没有错误或协商的余地。最重要的是，随着这些应用的芯片转移到越来越小的制程节点(例如7nm，5nm或3nm)以及全能门架构，泄漏正在减少，但仍然是管理的关键问题。在低电压操作下，设计人员将需要更加仔细地研究晶体管之间的变化以及时序。

　　提高效率

　　所有这些都需要高能效的处理器以及出色的循环效率，以便IoT设备的处理器可以在预期的应用程序和用例中完成其工作。对于执行始终开启功能的IoT边缘设备(例如具有“总是听”语音命令功能的智能扬声器，智能手机或家庭娱乐系统)，低功耗和管理尤为重要。对于执行“始终在观看”的面部检测或手势识别的基于摄像头的设备，情况也是如此。我们的健康和健身监测设备必须始终处于“感应状态”。

　　这样的设备通常应用智能技术来动态降低功耗。例如，始终监听设备可以对麦克风信号进行采样，并使用简单的语音检测技术来检查是否有人在说话。然后，它仅在检测到语音活动时，才应用计算量更大的机器学习推断来识别语音命令。

　　处理器必须限制在每个不同状态下的功耗-在这种情况下，是语音检测和语音命令识别。结果，必须利用各种电源管理功能(包括有效的睡眠模式和掉电模式)来满足能耗要求。

　　那么工程师如何应对这些挑战?

　　运用电源管理策略

　　传统上，降低功耗的最重要的选择武器一直是时钟门控，多年来，它已经从简单的时钟门控到自门控再到顺序时钟门控发展了。尽管动态电压缩放(DVS)提供了一种相当普遍的降低功率的技术，但许多设计现在开始转向更高级的自适应电压和频率缩放(AVFS)方法。

　　对于中低计算要求(很大一部分消费物联网设备)的机器学习推理，选择合适的处理器对于实现所需的高效率至关重要。具体来说，拥有合适的处理器能力来进行神经网络处理可能是满足低兆赫兹要求(从而满足低功耗)之间的区别。

　　功能更强大的神经网络和算法的出现使机器学习支持的设备得以发展，这些设备无需进行显式编程即可进行学习。但是，机器学习能够实现更高的自动化和智能化的希望，特别是在消费类，边缘和电池供电的设备中，意味着PPA中的功率P规则至高无上。