绿色边缘 AI：一项当代综述

人工智能（AI）技术已成为众多行业的关键赋能者，这主要归因于其在过去十年的显著复兴。AI 的变革性力量主要源于深度神经网络（DNNs）的利用，其需要大量数据用于训练并需要大量计算资源用于处理。因此，DNN 模型通常在资源丰富的云服务器上训练和部署。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流正日益向靠近终端用户设备（EUDs）的无线边缘网络迁移。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 这一新范式，其将在即将到来的第六代（6G）网络中发挥关键作用以支持泛在 AI 应用。尽管潜力巨大，边缘 AI 面临重大挑战，主要源于无线边缘网络的资源限制与 DL 的资源密集型性质之间的二分法。具体而言，大规模数据的获取以及 DNN 的训练和推理过程会迅速耗尽 EUDs 的电池能量。这需要一种具有能源意识的边缘 AI 方法以确保最优且可持续的性能。在本文中，我们呈现一项关于绿色边缘 AI 的当代综述。我们首先分析边缘 AI 系统的主要能耗组件以识别绿色边缘 AI 的基本设计原则。在这些原则指导下，我们进而探索边缘 AI 系统中三项关键任务（包括训练数据获取、边缘训练和边缘推理）的节能设计方法。最后，我们强调潜在的未来研究方向以进一步提升边缘 AI 的能源效率。