面向IoT与边–云架构的能量感知AI智能感知系统：系统级权衡、分类体系与设计框架

《Sensors》：Energy-Aware AI-Enabled Intelligent Sensing Systems for IoT and Edge–Cloud Architectures

　　

AI赋能的智能感知系统日益广泛应用于物联网（IoT）应用、边–云环境、工业自动化及信息物理系统中。然而，此类系统的设计需同时兼顾感知性能、计算需求、通信要求与有限能量资源。现有文献多将上述方面分别处理，尽管其相互作用往往决定整个感知平台的性能与自治性。本综述从系统级视角审视能量感知的AI赋能感知系统，特别关注资源受限运行条件下所出现的权衡关系。研究分析了涵盖智能感知、嵌入式智能、边–云计算、无线传感器网络、AIoT及能量感知系统设计的代表性文献，以识别共性架构原则与设计约束。本文考察四类反复出现的系统级权衡，即测量精度与能耗、时延与节能、本地计算与通信负载、模型保真度与计算效率。综述进一步基于能量来源、运行模式、处理模型与通信策略，构建能量感知感知架构的多维分类体系。上述要素被整合到一个联系感知性能、计算需求、通信需求与能量分配的通用框架中。研究还特别关注混合与多模态感知、分布式智能、TinyML、硬件感知模型部署及自适应资源分配。尚存挑战包括可扩展性、变化感知条件下的运行、跨平台评估、可信嵌入式AI，以及从实验室演示向长期部署的过渡。由此形成的系统级视角为设计智能感知平台提供了基础，使感知、计算、通信与能量资源得以协同考虑而非孤立优化。

引言部分指出，传感器技术的迅速普及已改变环境监测、工业自动化、医疗健康、智能基础设施与信息物理系统等领域的现代监测与感知系统；传感设备、嵌入式电子、无线通信与人工智能的进步使日益自主的感知平台得以部署于动态分布式环境，传感器系统不再被视为孤立测量器件，而是负责数据采集、本地处理、通信与决策的集成智能平台。尽管如此，能量可用性仍是限制智能感知系统性能与长期运行的最关键约束之一，许多实际部署依赖电池、能量采集或混合电源，能量消耗直接影响感知频率、通信活动、计算复杂度、系统响应性与运行寿命，因此现代传感器系统设计不能仅归结为最大化测量精度，而需在感知性能与能效及资源利用之间取得平衡。同时，人工智能的日益集成从根本上改变了传感系统架构：传统平台多依赖集中式云处理，虽具备较强计算能力，但引入通信开销、时延与能耗增加；边缘计算、TinyML与嵌入式机器学习的发展推动了向分布式智能的转变，使数据处理与决策直接在传感器节点或边缘设备上完成，从而降低通信需求并改善响应性，但带来计算负载、内存限制与能耗方面的新挑战。感知、通信、嵌入式智能与能量管理的融合催生了能量感知智能传感器系统这一新类别，其整体性能源于多个互连子系统的相互作用而非单个组件能力，感知质量提升可能需要额外计算资源，通过本地推理降低通信开销可能增加处理能耗，模型复杂度提高可能改善预测精度却降低系统自治性，这些相互作用构成资源受限条件下支配系统行为的一系列基本权衡。尽管低功耗感知、无线传感器网络、边缘人工智能、TinyML与能量感知通信协议已有大量研究，但这些主题常被作为独立研究方向考察，现有研究多聚焦于感知精度、网络寿命、时延、吞吐量或计算效率等单项性能指标，对上述因素在系统层面如何相互作用并共同决定智能感知平台性能的关注相对有限。边缘AI架构、能量采集传感器节点、自适应通信协议与资源高效机器学习模型的出现，使研究注意力从组件级优化转向跨层系统设计，实现高性能需协同优化感知、计算、通信与能量分配而非独立改进各子系统，因此亟需能够解释这些相互作用并支撑自适应、可扩展、高能效感知架构开发的概念框架。本综述从系统级视角考察能量感知AI赋能传感器系统，仅在能量采集、路由、分簇、通信与传感器设计影响嵌入式或分布式智能可用资源时予以考虑，这些机制决定AI赋能感知部署的能量预算、数据可用性、通信成本与运行条件；论文不聚焦特定传感材料、单个器件或孤立算法，而研究资源约束下智能感知平台中感知、计算、通信与能量管理的相互作用，综合边缘智能、嵌入式机器学习、无线通信与能量感知系统设计的代表性研究以识别共性架构原则与性能局限。基于该综合，本文识别出智能感知平台的四个基本系统级权衡，包括测量精度与能耗、时延与节能、本地计算与通信负载、模型保真度与计算效率；在此基础上构建基于能量来源、运行模式、处理模型与通信策略的多维分类体系，并建立统一概念框架以在共同设计空间中关联感知性能、计算需求、通信需求与能量分配，为考察当前局限与面向自适应、可扩展、资源高效智能感知系统的研究方向提供基础。

文献检索与选择部分说明，采用结构化叙述性综述方法识别与综合能量感知传感器系统、边缘智能与系统级设计权衡的相关文献，检索于Scopus与Web of Science（WoS）进行，最终检索于2026年6月完成，覆盖2008年至2026年6月的出版物，聚焦感知、数据采集、边缘计算、无线通信、云分析与能量管理之间的相互关系。检索策略结合关键词及相关表达，包括"energy-aware sensing""low-power sensor systems""edge computing""embedded artificial intelligence""TinyML""wireless sensor networks""energy harvesting""resource-aware computing""system-level trade-offs"，使用布尔运算符组合相关术语，检索限定于指定出版时段。两数据库检索记录经合并、去重后，剩余记录依据标题与摘要评估相关性，潜在相关出版物再依据全文纳入标准评估；纳入标准为：（1）发表于2008年至2026年6月；（2）涉及综述至少一个主要研究领域；（3）提供与感知、计算、通信及能量管理关系相关的概念性、架构性、实验性或定量证据。主要焦点超出综述范围或未直接贡献于所考察系统级权衡分析的记录被排除。鉴于该领域跨学科与演进性质，选择过程还包括迭代检查相关参考文献以识别对概念框架与批判性讨论有贡献的补充出版物。文献检索初始识别482条记录，去除95条重复记录后剩387篇进行标题与摘要筛选，基于与综述范围及目标的相关性选出180篇进行全文评估，经方法学相关性、技术内容及对研究主题贡献的详细评估，最终参考文献为131篇，包括期刊论文、会议论文与相关书籍章节；最终参考文献数量反映全文引用来源，而检索、筛选与纳入核心文献综合的记录数量另行报告。

第2节"智能感知系统的系统级视角"指出，现代传感器系统的发展日益超越感知、数据处理与通信模块独立设计的传统范式；在实际应用中，尤其分布式与自主环境中，这些组件作为紧耦合子系统运行，整体性能不仅取决于单个元素特性，更取决于资源约束下的相互作用，这与近期强调有效传感器架构需协同集成感知、通信、计算与决策的跨学科研究一致。表1比较了本综述与能量感知无线传感器网络、物联网、边缘AI与TinyML代表性综述的定位。该比较揭示现有综述文献的三方面主要局限：第一，关于高能效与可持续无线传感器网络的综述主要考察能量管理、通信与网络寿命，对嵌入式AI计算需求强调较少；第二，边缘AI与TinyML综述聚焦处理架构、模型优化与硬件约束，对感知运行与能量来源特性的综合考量较少；第三，这些研究方向通常通过不同分类体系与评价标准考察，难以分析架构选择如何同时影响多种系统资源。本综述通过沿能量来源、运行模式、处理模型与通信策略四个互补维度组织能量感知智能感知架构来应对上述局限，与聚焦单项技术的分类不同，所提分类体系允许这些维度共同考察并关联到四类反复出现的系统级权衡，主要贡献在于提供综合现有发现、识别架构决策间相互作用并突出研究空白的通用分析结构。这种相互依赖的影响在分布式感知网络中尤为明显，感知时长、检测阈值、节点参与与数据传输策略紧密相连；在认知无线电及相关自适应感知系统中，增加感知时间可提高检测可靠性，却减少可用于数据传输的时间并降低可达吞吐量，增加参与感知节点数可增强检测性能，但增加能耗与通信开销，这些关系表明感知性能提升会在系统其他环节产生代价，需联合考虑感知、通信与能量使用。能量可用性对此平衡构成额外约束：电池供电节点能量预算有限，能量采集节点常受间歇且时变能量供应影响，两种情况下能量管理都直接影响运行寿命、可用性与可靠性；动态资源分配、占空比控制与自适应调度等网络级方法成为使系统活动匹配可用能量的重要机制，在无线可充电传感器网络中，充电调度可依据剩余能量、消耗速率与功能角色优先安排节点，改善网络可持续性，但此类策略不能消除在竞争功能间高效分配能量的需求。节点层面，可用能量预算须在感知、计算、内存访问与通信间分配，信号采集与处理链可视为一系列相互关联阶段，信噪比、分辨率、采样要求、处理复杂度与功耗相互依赖；更高采样率、更大测量分辨率或多模态感知可增加所获信息的数量与质量，但也增加数据处理与传输需求。本地计算引入相关权衡：边缘AI与TinyML可在传感器节点直接处理数据，实现本地推理、事件检测与传输前数据缩减，从而减少通信流量与时延，但额外计算与内存访问消耗能量，最优工作点取决于减少通信所节省能量是否超过本地处理额外成本。文献测量以3.3 V工作的Arduino Nano 33 BLE为例说明该权衡：本地推理消耗约9.1 mJ，而传输图像并接收远程推理结果约需111.8 mJ；若计入本地生成结果的传输，本地处理与通信能量增至约70.5 mJ，仍比远程推理路径低约37%。这些数值依据各操作报告的平均电流与执行时间按E = U × I × t计算，比较涵盖传感器设备在推理与通信期间的能耗，图像采集与结果指示为两条路径共有而排除，网关与云处理能耗亦不计入，因此结果描述[50]报告条件下设备侧能耗而非完整系统总能耗。本地推理的盈亏平衡条件可表示为：_Einf + _Ets,res < _Etx,img + _Erx,res，其中_Einf为本地推理所需能量，_Ets,res为传输本地生成结果所用能量，_Etx,img为传输原始图像所需能量，_Erx,res为接收远程推理结果所消耗能量。因此，当在设备上处理与结果传输的合计成本低于发送原始数据并接收远程结果的成本时，本地推理更具能效；该比较假设两种方法在可比运行条件下执行相同感知任务，排除图像采集等共有能量成本，网关与云处理能量在设备侧测量边界之外；盈亏平衡点取决于数据大小、模型复杂度、通信条件与硬件特性，所报告节能应解释为[50]实验条件特有而非本地推理的普遍优势。这一观察也改变了对能效的解读方式：最小化单个组件功耗未必最大化网络寿命或信息产出，无线传感器网络的系统级研究表明更长运行常取决于能耗在节点与功能间的分布而非仅最小化局部消耗，更相关的目标是从可用能量预算中最大化可靠信息量，这需要将测量质量与获取和传递该信息所需计算及通信资源相联系的性能指标。优选工作点也不太可能保持恒定，环境条件、信号强度、通信质量、工作负载与可用能量在实际运行中可显著变化，尤其环境监测、可穿戴设备、移动平台与工业感知系统中，某条件下高效的配置在另一条件下可能次优；自适应感知架构通过根据当前运行状态修改采样频率、感知时长、处理复杂度、传输速率或节点活动等参数应对该问题。这些依赖关系使协同设计尤为重要：与其顺序优化传感材料、器件架构、嵌入式处理、通信与电源管理，不如在同一设计过程中考虑其相互作用，从而评估某一层的改进对其他层施加的额外需求，并识别在性能、能耗与系统自治间取得适当平衡的配置。计算模型引入该设计问题的另一层面：有限元仿真等高保真方法可提供传感器行为的详细表示，但其计算需求可能限制其在重复设计探索、实时估计、自适应控制或其他跨层优化任务中的使用；降阶与等效模型可大幅减少计算时间而保持可接受精度，报告实例显示计算可减少数个数量级而误差保持在高校真仿真几个百分点以内，因此模型保真度应依据模型预期功能选择而非独立于计算成本最大化。综上，智能传感器设计本质上是多目标问题，感知性能、计算工作量、通信需求、能量可用性与系统自治相互依赖而非独立设计变量，这与复杂工程系统更广泛的发展一致，即数据采集、建模、计算与决策日益集成于共同运行框架。在此基础上，本综述通篇考察四个系统级权衡：测量精度与能耗、时延与节能、本地计算与通信负载、模型保真度与计算效率。实际系统设计中，这些权衡可通过一组耦合设计变量、目标与约束表达：关键设计变量包括感知速率与分辨率、模型复杂度、处理位置、传输频率、传输数据量与节点占空比；主要目标是在降低能耗与时延、延长系统寿命的同时保持足够的感知或推理质量；这些目标受节点剩余能量、可用内存与计算能力、通信带宽及应用特定时延要求约束。提高感知速率或分辨率可改善测量质量，但也增加须处理与传输的数据量；更复杂的本地模型可改善推理性能或减少传输数据，但代价是额外计算能耗与时延；将计算卸载至边缘或云平台可减轻本地处理负担，但引入通信能耗与网络延迟；剩余能量因此影响随时间仍可行的运行配置，并将短期感知、计算与通信决策直接联系到长期系统寿命。图1总结本综述采用的概念框架，整体系统性能被视为感知、数据采集、计算与信号处理、通信及能量管理之间相互作用的涌现属性，该框架为考察某一层设计决策如何传播通过系统并影响能效、信息质量与运行自治提供共同基础。该框架可作为实践设计与评估工具，通过考察一个系统组件变化如何影响其余资源维度加以应用；例如考虑一个能量预算有限、具备本地TinyML推理与无线通信的自主环境监测节点：提高感知速率可改善时间分辨率，但也增加须处理与传输的数据量；本地推理可通过过滤或汇总所采集数据降低通信需求，但引入额外计算与内存使用；较低的传输速率可减少通信能耗，但可能增加时延或减少远程可用信息量。该框架因此允许共同而非独立评估这些设计选择，并有助于识别给定运行条件下四类系统级权衡中哪一类占主导。表2给出能量感知智能感知系统中四个关键系统级权衡的综合分析。四类权衡密切相关而非独立：例如提高感知速率可改善测量质量，但也增加须处理与传输的数据量；本地处理可降低该通信负载，但更复杂的推理增加计算能耗与时延；类似地，激进的占空比控制可延长系统寿命却降低响应性。因此适当设计取决于应用需求、可用能量、通信条件与计算资源，而非任何单一指标的优化。

第3节"能量约束与资源感知系统设计"指出，在分布式与自主环境中，传感器节点通常依赖有限能量来源，包括电池或从太阳辐射、机械振动、射频信号等环境源采集的能量；在本综述框架内，能量可用性不仅被视为物理约束，也被视为决定感知、计算、通信与自适应运行如何配置的设计变量，能量约束因此影响测量性能、时延、可靠性与系统自治，须在节点与网络两个层面考虑。3.1节"能量约束的来源与特征"指出，能量约束性质很大程度上取决于电源：电池供电系统受有限存储容量限制，需审慎管理可用能量预算以维持长期运行；能量采集系统可支持延长自主运行，但采集功率常具间歇性并随环境条件变化，太阳能采集依赖光照条件，振动采集需机械活动，射频能量采集通常与低可用功率密度相关。因此系统设计不仅须考虑平均功耗，还须考虑能量可用性的时间变化、峰值负载、存储容量及采集能量不足的时段，当感知、处理与通信负载动态变化时这些约束尤为重要。紧凑自主平台中局限可能很严重，例如微型机器人系统中致动与控制之后剩余用于感知的功率可能仅约10–30 mW，限制可支持的感知架构复杂度。3.2节"传感器节点中的能耗分布"指出，节点层面可用能量主要在感知、计算、内存访问与通信间共享，其相对贡献取决于传感机制、处理架构、通信技术、采样策略与应用需求。在许多无线传感器网络架构中，通信占能量预算的主要部分，因为无线电收发须在运行中反复进行，减少传输数据量或频率可带来显著节能；本地计算可通过在节点提取特征、压缩数据或直接决策降低通信需求，但算法执行与内存访问也消耗能量，因此将处理从通信链路移至传感器节点并不保证总能耗降低，相关平衡取决于本地计算所需能量相对于无线传输所需能量。传感机制本身也可能带来大量能量成本，主动感知、高采样率、热激活换能器与多模态架构可能需要连续或周期性功率输入；气体传感器清楚说明该约束：电化学气体传感器通常低功耗运行且灵敏度高，但可能存在对干扰气体的交叉敏感性；固态气体传感器可提供高灵敏度与快速响应，但其工作温度常导致较高功耗，响应也可能受干扰物种影响。微机电系统（MEMS）提供降低该需求的一条途径，小型化传感结构与局部微加热器可在保持紧凑尺寸与快速响应的同时以较低能量消耗维持所需感知温度。压电设备代表不同途径，因为传感元件可直接从机械变形产生电信号，减少或就传感元件本身而言可消除主动激励需求；例如基于聚偏二氟乙烯（PVDF）的圆柱阵列已被用于从纵向与周向传感元件产生的信号确定宽角度范围内施加力的方向，响应幅度对施加载荷的依赖也为估计力大小提供基础，此类架构适用于低功耗运行须与多方向机械感知相结合的场景。无源或近无源调谐机制也可降低连续功率需求，液态金属元件已被用于在无连续外部功率下调谐谐振频率，为低能耗可调谐微波感知系统提供可能途径。对于须在变化运行条件下长期自主的应用，结合能量采集、存储与受控能量分配可比仅依赖单一来源提供更大鲁棒性，混合电源架构允许根据运行条件管理采集能量、存储能量与瞬时负载，这反映了节点级更广泛约束，即感知与信号处理的每一阶段都对总能量预算有贡献。资源共享提供减少不必要硬件活动的另一方式：在车联网（IoV）系统中，传感器虚拟化允许一个物理传感器通过虚拟感知实例服务多个应用请求，IoV-Cloud架构按需通过动态选择可用车辆传感器创建此类虚拟传感器，采用强化学习（RL）依据位置、可用性与配置成本选择传感器，尽管能耗并非主要优化目标，物理传感器的共享使用与自适应选择可减少冗余传感器激活及相关感知、处理与通信负载。消除本地电池需求的更直接途径是无源无线感知：在一项报告的架构中，超高频射频识别（UHF RFID）标签与电容传感元件及天线集成，被测参数变化在RFID标签发射的射频信号中产生相移，水level、洪水与湿度感知在无本地电池或独立主动测量电路情况下得到演示，此类系统尤其适用于电池更换不理想的分布式与难以接近部署。通信性能引入额外能量约束：对于一般无线传感链路，信号与干扰加噪声比（SINR）可表示为式（1），其中_Ps为接收有用信号功率，_Pi为干扰功率，_Pn为噪声功率，均以瓦特（W）表示；可达数据率可近似为R = Blog₂(1 + SINR)（式2），其中R为可达数据率，单位为比特每秒（bit/s），B为信道带宽，单位为赫兹（Hz），该表达式假设理想化高斯信道，干扰被视为附加高斯噪声且SINR在所考虑带宽上恒定；信噪比（SNR）仅考虑期望信号功率与噪声功率，当干扰可忽略_Pi ≈ 0时SINR趋近SNR，因此式（2）在这些假设下代表理想容量界，实际数据率可能因衰落、协议开销与硬件限制而较低。能效可表示为式（3），其中EE为通信能效，单位为比特每焦耳（bit/J），R为可达数据率（bit/s），P为通信子系统消耗的平均功率（W）；该表述中P包括用于无线电发射或接收的功率（取决于所评估的通信操作），但不包括感知、数据处理与AI推理能耗，所得指标因此描述通信级能效而非完整感知平台的能效；这些关系说明通信质量、可达数据率与无线电功耗如何相互关联。3.3节"资源感知设计策略"指出，能量限制可在传感器架构多个层面应对：最成熟的途径之一是占空比控制，节点在活动与低功耗状态间交替，在无需连续测量或通信时降低平均能耗，但须选择睡眠间隔时长与时机以免漏检相关事件。自适应采样在感知层提供相关机制，被监测信号快速变化时可提高测量频率，相对稳定时段则降低，从而使能量支出与测量信息内容而非固定采样计划相联系。数据缩减可进一步降低通信负载，本地预处理、特征提取、压缩与事件检测允许节点仅传输选定信息而非原始测量；边缘计算与嵌入式人工智能通过在感知节点直接执行推理扩展该概念，其收益取决于通信能量减少是否补偿计算与内存访问所需额外能量。须区分传统节能技术与基于AI的方法：占空比控制、固定传输计划、阈值采样与标准数据压缩未必需要AI，其计算开销相对较低，在感知条件可预测时往往足够；基于AI的方法则使用学习模型解释传感器数据、检测模式、预测变化或调整系统运行，例如机器学习可支持事件检测与自适应感知，强化学习可帮助在变化条件下选择感知或通信策略，但这些收益伴随额外处理、内存与能量需求，因此当AI改善感知决策或减少不必要操作的能力超过运行模型成本时最为有用。硬件级优化包括低功耗微控制器、优化模拟前端、专用集成电路、改进换能机制与降低寄生损耗，材料与器件工程因此可直接贡献于系统能量预算而非独立于电子架构考虑。传感硬件与信号重建的协同优化提供低功耗运行的另一途径，结合无源传感结构与功率感知重建方法的系统已被报告在约10 mW功率水平运行，同时重建空间信息的结构相似性值保持在80%以上。图2依据能量来源、运行模式、处理模型与通信策略四个架构维度组织这些方法。该分类体系将感知架构分为四个维度：能量来源导向架构在能量供应与管理方式上不同；运行导向方法侧重通过周期、占空比、事件触发或自适应运行降低消耗；处理导向架构描述传感器数据处理的位置与方式；通信导向方法侧重数据传输需求与通信效率。这些方法并非互斥，可在同一感知系统内组合。所提架构分类体系映射到代表性研究以突出反复出现的设计模式、关键架构特征与现有研究空白，如表3总结。表3显示四个架构维度如何反映于所综述研究中：与能量来源和运行模式相关的方法主要侧重管理可用能量与控制传感器运行时机，而处理模型与通信策略则涉及数据处理位置与传输方式；实践中这些方法常被组合，例如能量采集供电的传感器节点可采用自适应占空比控制、本地推理与低功耗通信，在保持感知性能的同时降低能耗。比较还突出若干研究空白：许多研究分别考察能效、感知性能、AI处理或通信，而非评估其在变化运行条件下的联合效应；由于研究使用不同硬件平台、工作负载与评价指标，方法间直接比较也较困难；此外，需更多研究理解自适应感知系统在能量可用性与网络条件变化时长期运行的表现，所提分类体系有助于组织这些发现并为比较架构方法与识别主要权衡提供共同基础。嵌入式AI的日益使用为该能量分配问题增加计算负载，AI赋能节点除感知与通信外还须支持推理、内存访问与模型执行，其能效因此取决于数据质量、本地处理与通信间的平衡而非仅处理器效率。表4显示低功耗传感器系统不仅在绝对功耗上不同，也在降低该消耗的后果上不同。"所提框架在代表性感知架构中的应用"部分说明，为说明所提框架如何实践应用，使用分类体系四个维度考察三个代表性感知架构，这些研究因代表能量管理、数据处理与通信的不同方法（包括AI赋能与传统传感器系统）而被选中。文献[64]的系统结合太阳能采集、自适应占空比控制、设备端TinyML推理与LoRaWAN/BLE通信，该途径集成多种节能策略并减少频繁数据传输需求，但所报告性能基于仿真，留下实际条件下长期运行的问题。相比之下，文献[66]使用电池供电传感器节点、同步睡眠周期与网关数据分析，该途径无需节点上AI处理即可降低能耗，但相对较长的上报间隔限制响应性；类似地，文献[70]结合低功耗运行与多跳通信用于结构监测，虽支持扩展通信覆盖，但转发引入额外通信开销与时延。将框架应用于这些研究显示不同架构选择应对不同系统约束：对于需频繁测量与本地决策的应用，[64]中嵌入式推理与自适应运行的组合提供潜在有用设计途径；若周期性测量足够，[66]所示传统占空比控制可提供更简单替代；对于需在较大区域分布式监测的应用，[70]所用多跳通信可能更合适，但须考虑相关能量与时延成本。该比较还突出两个研究空白：第一，AI赋能与传统架构常在不同条件下评估，难以确定AI额外计算成本何时合理；第二，能量可用性、感知频率、处理位置与通信策略的联合效应很少用一致的系统级指标评估，所提框架有助于识别这些局限并为依据应用需求选择与评估感知架构提供结构化基础。能量采集架构改善自治性但仍依赖可变能量输入；周期与占空比运行模式以增加时延或可能事件丢失为代价降低平均功率，而超低功耗本地架构可能牺牲远程可访问性与网络集成；因此仅功耗不足以评估能量感知感知系统，测量连续性、响应性、通信能力与自治性也须考虑。这些约束可归为三个相互关联层面：电源层面，容量、可用性与间歇性界定可供应能量；节点层面，感知、计算与通信竞争该能量；网络层面，路由、调度、安全与分布式处理决定可用资源使用效率。3.4节"网络级权衡与多目标优化"指出，网络级能量管理引入额外权衡，因为旨在降低通信成本的变化可影响时延、可靠性、吞吐量、安全性或网络稳定性；对AI赋能感知系统而言，这些网络级机制尤其相关，因为其决定可传输数据量、处理执行位置以及可供本地或分布式推理使用的剩余能量。路由与分簇广泛用于在节点间分配通信负载，簇头可代表邻近节点聚合或转发数据从而减少冗余传输，但其选择须考虑剩余能量、通信距离与本地网络条件，能量感知簇头选择已被报告相比传统选择策略改善网络寿命与稳定性。改进幅度强烈取决于协议与运行条件：在文献[74]报告中，所提功率感知方法相比对比的传统方法产生显著更长网络寿命并降低平均能耗；其他多目标路由研究报告在其优化配置下节能高达70%，这些结果应结合各自网络架构与仿真条件解释而非视为普遍性能增益。路由协议更广泛比较说明为何单一能量指标不足：协议性能可同时取决于能耗、时延、吞吐量、分组投递率、可扩展性与计算复杂度，一个指标的改善可能伴随另一指标的恶化；已提出综合评估方法跨多个准则对算法排序，但所得排序仍取决于所选指标及其权重。物理网络拓扑引入另一低效来源：一个逻辑路由步可能对应多个物理跳，增加分组传输、能耗与端到端时延，当通信占节点能量预算较大比例时该效应尤为重要。安全需求增加进一步计算与通信负载，轻量级协议可将该开销保持在嵌入式节点资源限制内，报告实现已达成约4–5 ms计算时间、低于10 KB内存需求及每事务几百字节通信开销；优化的安全接入协议也已报告低于30 ms握手时延与每次授权几毫焦耳能耗，这些实例说明安全须纳入资源预算而非视为独立层。网络效率与安全的相互作用也体现于路由设计：反应式路由可降低部分资源需求但可能引入安全局限，而更主动的机制可增加计算与通信开销，适当选择因此取决于威胁需求与可用能量预算。隐私引入相关系统级约束：分布式感知系统可能收集敏感数据，而隐私保护机制可能需要额外计算、内存与通信；限制原始数据传输的方法可减少暴露，但可能将部分处理负担转移至边缘设备，选择系统架构时隐私应与能量、时延及计算约束共同考虑。能量行为也可能非线性：增加处理单元或活动资源数量可能提高瞬时功率却减少执行时间，因此最低功率配置未必产生最低总能耗，尽管该关系也在较大计算系统中考察，功率与总能量的区分在评估分布式感知工作负载时同样相关。多参数分簇提供此类优化实例：在无人机（UAV）辅助无线传感器网络中，基于剩余能量、通信距离与天线增益的簇头选择被报告相比低能耗自适应分簇层次（LEACH）降低能耗高达22.4%、相比混合能量高效分布式分簇（HEED）降低15.8%，同一研究报告更长网络寿命、更高分组投递率、改善吞吐量、降低时延与更少丢包；该结果相关是因为优化同时影响多个系统指标而非仅能耗。应用特定物理约束可进一步修改优化目标：在无线体域网中，连续通信可提高传感器节点及周围组织温度，所引研究报告传统与热感知路由策略间显著不同的热行为，此类应用中路由决策须同时考虑热极限、能耗与通信性能。其他分簇方法纳入剩余能量、通信距离、节点密度与先前簇头选择历史，所报告机制相比对比的基于LEACH方法将网络寿命提高约4–8%、吞吐量提高16–24%；改进幅度研究间不同，但底层设计问题相同，即网络运行须跨多个耦合目标优化。3.5节"迈向集成能量感知系统设计"指出，能量感知传感器设计因此可表述为多目标问题，其中感知性能、计算工作量、通信需求、可靠性与能量可用性在变化运行条件下优化，优选配置依应用而定并可在运行中随环境条件、工作负载、网络质量与可用能量变化而改变。分布式信息物理系统日益跨边缘与云资源协调感知、计算与通信，此类架构中能耗成为运行策略的一部分而非固定硬件特性，实时测量与预测模型可用于确定数据处理位置、传感器运行频率及信息传输时机。强化学习提供使这些决策适应变化资源可用性的一种机制，传感器节点可根据可用能量预算调整感知与传输速率，文献[67]报告的自适应策略在不耗尽电池情况下将传输数据量增加高达23%，说明运行可调整为更有效利用可用能量而非简单最小化活动。当安全纳入优化时同样适用该原则：在信息物理传感器系统中，分簇可降低通信能耗，而基于深度学习的入侵检测以额外计算为代价改善安全，这些功能的协调优化已被报告在保持约99%检测精度的同时将能耗降低两倍以上。因此能量感知智能感知应视为跨越电源、传感机制、嵌入式计算、通信架构与运行策略的协调设计问题，完整系统可达性能取决于能量在这些功能间的分配方式及该分配如何响应运行条件变化，这一系统级观点为后续章节考察混合感知架构与基于AI的处理及其功能收益与额外资源需求提供基础。总体而言，所综述方法表明没有单一节能机制在所有感知系统中始终更优：占空比控制、自适应采样、路由与本地处理可降低能耗，但其收益取决于工作负载、通信成本、能量可用性与时延需求；更激进的节能可能降低响应性或测量连续性，而额外协调可引入计算与通信开销；由于硬件、网络配置与评估条件差异，研究间直接比较也仍困难。

第4节"新兴智能感知架构"中，4.1节"混合与多模态感知架构"指出，传感技术已从单功能器件演变为能够采集与处理多种类型信号的集成系统，许多现代平台将传感元件与信号处理及通信模块结合，使测得信号可在本地处理或传输至更高系统层进一步分析与控制；闭环架构通过利用所获信息修改后续系统运行扩展该功能，这与IoT平台、可穿戴电子与人机接口相关。在此背景下，混合感知超越不同传感材料的组合，混合架构可将光学、电学、电化学、机械或其他换能机制集成于同一器件或系统；结合互补模态可增加用于信号解释的信息量，并依应用改善变化运行条件下的鲁棒性。在多物理过程相互作用的系统中，多模态感知需求尤为明显，机械、声学、光学、电学或电磁信号可提供关于同一被监测对象或过程的互补信息，其联合分析可减少单一测量模态相关的模糊性并改善变化环境或运行条件下的性能。混合感知架构可在三个层次考察：材料与感知层混合、器件级集成与系统级集成；第一层次组合不同材料或换能机制以改善传感响应，器件级集成将多种感知功能组合于共同平台，系统级集成则将异构传感器与数据处理、通信及决策相联系。MXenes、碳纳米管、石墨烯衍生物、半导体异质结构及相关材料的进展促进了灵敏度、选择性与稳定性的改善；在本综述系统级范围内，这些材料被视为使能组件，其实际价值取决于与处理电子、通信及能量管理的集成。从AI赋能感知角度，传感器特性相关不仅因其决定测量质量，也因其影响采样要求、数据量、预处理需求及呈现给嵌入式AI模型的计算工作负载。表5实例表明混合与多模态架构的主要优势在于不同传感机制提供的互补信息，其相关性因此超越单个传感器响应的改善；系统层面，额外信息可支持更可靠信号解释、更宽测量范围及单一感知模态可能不足条件下的运行。混合感知也可在分布式架构中实现，基于IoT的系统可结合固定传感器节点、移动感知平台、无线通信与远程处理以增加空间覆盖并支持针对性测量，所得架构允许依据测量任务使用不同感知资源，而非要求每个节点连续执行相同功能。多模态数据融合直接说明互补测量的益处：在所报告系统中，惯性测量单元（IMU）与视觉数据的结合将平均每关节位置误差（MPJPE）降至约1.21 cm，而仅视觉感知为15.21 cm、仅惯性感知为5.48 cm，该结果说明独立感知模态融合如何降低位置估计不确定性。这些优势伴随额外资源需求：多感知通道可增加数据量、处理需求、同步复杂度与功耗，异构传感器还可能以不同采样率运行并产生具有不同时间与统计特性的数据，因此须将额外感知模态所得收益与采集和处理其输出所需计算、通信及能量资源权衡。网络层面，不同通信技术也可依据数据需求组合，对集中式、层次式与分布式感知系统的比较分析表明架构选择影响能耗、空间覆盖与韧性；工业IoT应用中，基于低功耗长距离通信（LoRa）与第五代移动网络（5G）的混合通信提供该途径一例，低速率或基于条件的信息可经LoRa传输，而较大或时间关键的数据流可经5G传输，通信路径因此可依据数据量、时延需求与可用资源选择（图3）。混合平台日益纳入机器学习方法用于多模态测量的特征提取、分类与解释，但其使用引入额外计算需求，本地智能的收益须连同相关处理、内存、通信与能量成本评估。集成结构设计通过将多种换能机制纳入单一平台提供多模态感知另一途径，此类设计可扩展可测参数范围并为后续分析提供互补输入信号；因此混合感知不仅应依据灵敏度或选择性评估，还应依据相对于采集和处理所需资源所获额外信息评估。4.2节"分布式智能感知架构"指出，混合与多模态感知的使用增加所生成数据的数量与多样性，在中心位置处理所有信息可引入通信与时延约束，尤其在大规模或资源受限传感器网络中；分布式架构通过在传感器节点、边缘设备与云资源间分配计算任务应对该问题。传统云中心架构将传感器数据传输至远程服务器存储与处理，云基础设施提供远大于嵌入式传感器节点的计算与存储能力，因而适合复杂分析、长期数据管理与模型训练，但原始测量的连续传输增加通信流量、时延与无线数据传输所需能量。图4说明从集中式处理向分布式架构的转变，虽原始示例在农业AIoT背景下给出，但感知、边缘处理与云资源的底层分配适用于其他分布式感知系统。分布式架构中，计算任务可依据时延、资源与数据需求分配：传感器节点可执行初始信号调理或简单事件检测，边缘设备可支持更接近数据源的更 demanding 处理，云资源仍可用于计算密集型分析、长期存储与模型管理，该分工减少将所有原始传感器数据传输至远程服务器的需求。适当分配取决于应用：时间关键功能受益于靠近传感器的处理，而需要大量计算或存储资源的任务可保留在边缘或云层；可用能量、通信带宽、模型复杂度与响应时间需求因此影响处理执行位置。表6给出传感器–边缘–云架构中计算任务放置准则。每种处理途径各有优势与局限：本地处理减少传输原始传感器数据的需求并可提供更快响应，但受设备可用内存、计算能力与能量限制；边缘处理允许更 demanding 任务在传感器附近执行，减轻其计算负担并避免部分云通信相关延迟，但仍依赖网络连通性与可用边缘资源；云处理支持更复杂模型与大规模数据分析，但将传感器数据传输至远程服务器可增加通信能耗与时延。最合适途径取决于应用及计算与通信的相对成本：例如大数据量的连续监测可能受益于本地过滤或推理，尤其当无线传输能耗密集时；相反，需要复杂分析或模型训练的应用可能受益于边缘或云资源，前提是通信成本与时延保持可接受。因此本地处理未必总是最节能选项，尤其当计算工作负载高或仅需传输少量数据时；处理放置应依据数据量、模型复杂度、网络条件、可用能量与应用需求选择。低功耗嵌入式处理器、高能效通信与多模态感知的进展扩展了可在测量点附近执行的操作范围，分布式感知架构因此提供依据系统约束调整计算位置的手段，而非将所有处理永久分配给传感器节点或云。4.3节"现代传感器系统的嵌入式智能"指出，嵌入式智能指直接在感知平台内或附近执行数据处理与决策功能，这些功能可从信号预处理与特征提取到本地推理与自适应控制，其实现受嵌入式设备可用处理能力、内存与能量约束。本地处理可减少须经网络传输的信息量，传感器节点可不连续发送原始测量，而在通信前提取相关特征、识别事件或生成推理结果，这可降低带宽需求与通信时延，但所得能量收益取决于本地处理自身的计算与内存成本。嵌入式硬件的改进使在资源受限设备上执行日益复杂的模型成为可能，依应用不同，这允许传感器平台执行上下文相关处理、本地分类、异常检测或控制而无需持续依赖云资源；这些功能应在多大程度上本地执行仍是受模型复杂度、时延需求、通信成本与可用能量支配的架构决策。表7总结本综述考察的嵌入式智能主要功能。TinyML为其中多项功能提供重要实现途径，通过减小模型尺寸与计算需求，TinyML使低功耗微控制器能够执行原本无法执行传统机器学习模型的推理；因此TinyML应被视为资源受限嵌入式智能的一种实现方式而非独立感知功能。嵌入式智能并不消除前述资源约束：本地推理仅在传输前可提取有用信息时减少通信，日益复杂的模型需要额外计算、内存访问与能量，其系统级价值因此取决于本地所获信息与产生该信息所需资源间的平衡。下一节更详细考察这些计算约束，尤其侧重资源感知人工智能及模型复杂度、推理性能、内存需求与能耗间的关系。总体而言，混合感知、分布式处理与嵌入式智能可改善信息质量并减少对集中式处理的依赖，但也增加数据量、同步需求、计算负载与能耗，其实际收益因此取决于这些增加成本是否由更好感知性能或更低通信需求补偿；关键剩余挑战是使感知与处理策略随网络条件、工作负载与可用能量变化而调整。

第5节"面向智能传感器系统的资源感知AI"中，5.1节"面向资源受限智能感知的TinyML"指出，感知平台的架构演进使AI从集中式云平台向在严重资源约束下运行的嵌入式与边缘设备迁移，因此现代AI算法不仅须最大化预测精度，还须最小化计算复杂度、内存使用、推理时延与能耗；传统卷积神经网络虽精度高，但通常模型尺寸大、计算复杂度高，限制其在边缘设备、可穿戴传感器与分布式监测系统等能量受限环境中的适用性。TinyML已成为在超低功耗微控制器与嵌入式感知平台上部署机器学习模型的实用途径，模型压缩、量化、剪枝与硬件感知优化等技术有助于在保持可接受推理性能的同时降低内存使用、计算需求与能耗，使TinyML适合计算资源与通信预算均有限的电池供电与能量采集传感器系统；本地执行推理还可减少须传输的数据量，但这将部分能量与内存负担转移至传感器节点本身，因此模型选择不仅应考虑模型尺寸，还应考虑预测性能、内存需求、推理时延、通信需求与整体能耗。近期综述已考察TinyML的软件工程、软硬件协同设计、优化方法与更广泛研究趋势；资源受限实现通常依赖紧凑模型与模型优化技术，因为微控制器提供的内存、处理能力与能量远少于传统计算平台，常见模型类别包括紧凑卷积神经网络、全连接网络、决策树与自编码器，其适用性取决于感知模态与目标任务，例如卷积网络可处理图像、音频与时间序列信号，而自编码器常用于代表性异常数据有限时的异常检测。模型尺寸本身不足以充分描述部署需求：推理期间产生的中间激活可能需要比存储的模型权重更多静态随机存取存储器（SRAM），因此参数相对较少的模型仍可能超出微控制器可用内存；类似地，算术运算数量的减少若处理器或推理运行时支持效率低下，未必产生更低时延，模型架构与执行软件因此须共同考虑。MCUNet通过结合TinyNAS与TinyEngine说明该硬件感知途径：TinyNAS搜索满足设备特定内存、时延与能量约束的神经网络架构，TinyEngine则设计用于降低内存需求并改善微控制器上的执行效率，该方法不同于先独立优化网络、训练后再适配目标硬件的传统模型开发方式。深度可分离卷积提供降低计算需求的另一常用机制，MobileNetV2使用深度卷积与倒残差块减少相对于传统卷积架构的运算数量，然而最初为移动处理器设计的模型仍可能超出微控制器可用资源，可能需要进一步调整网络深度、宽度或输入分辨率。神经架构搜索可系统执行该调整，例如MicroNets将架构搜索应用于资源受限图像分类、关键词 spotting 与异常检测任务；输入分辨率也是重要设计变量，较小输入减少运算数量、中间激活所需内存与推理时延，但过度降低可能降低预测精度。峰值SRAM消耗在卷积模型中尤为重要，因为早期网络层可生成大特征图；MCUNetV2通过基于分块的推理应对该局限，一次仅处理特征图的一部分，降低峰值内存需求，这表明资源优化可涉及执行调度以及神经网络架构。MCUNet、MCUNetV2与MicroNets主要在部署优先项上不同：MCUNet结合神经架构搜索与TinyEngine运行时以降低内存需求与推理时延，但所报告效率与协同设计的执行引擎紧密相关；MCUNetV2通过基于分块的推理进一步降低峰值SRAM需求，但当执行策略未与网络架构联合优化时该方法可增加计算与时延开销；MicroNets使用TensorFlow Lite Micro并面向商用Cortex-M微控制器，改善部署可移植性但保留框架与内存管理开销。总体而言，MCUNet侧重软硬件协同设计，MCUNetV2侧重峰值内存降低，MicroNets侧重在显式内存与时延约束下的可移植部署。5.2节"硬件感知模型评估"指出，同一AI模型的性能在嵌入式平台间可显著变化，因为执行取决于处理器架构、可用内存、支持的算子与推理库，因此在台式计算机上评估不足以确定模型是否适合部署于传感器节点。资源感知评估应包括预测精度以及模型尺寸、峰值SRAM使用、推理时延与每次推理能耗；MLPerf Tiny提供基于TinyML系统精度、时延与能量测量的基准测试程序，这些指标允许依据可部署性而非仅预测性能比较模型。因此不存在普遍最优的轻量模型，模型选择取决于输入模态、所需精度、可用内存、推理频率、通信策略与硬件支持；某些情况下稍大模型若其改善的预测质量减少不必要感知事件或无线传输可能更可取，若所选架构仍超出设备限制，可应用量化、剪枝或其他压缩方法降低其内存与计算需求。硬件运行条件也影响推理能量成本：在互补金属氧化物半导体（CMOS）数字电路中，动态功率取决于开关活动、电容、电源电压与工作频率，通过更高时钟频率提高计算吞吐量因此可增加功率需求，尤其当更高频率需要相应改变工作电压时；推理所需能量因此不仅由时钟频率决定，而由运行条件、执行时间与计算工作负载间的相互作用决定。算法层面，推理可表示为加权操作与非线性变换序列（式4），简化形式中y为神经元输出，_xi为第i个输入，_wi为相应权重，b为偏置项，N为输入数量，σ(?)表示非线性激活函数；尽管单个操作可在嵌入式硬件上高效实现，完整神经网络推理可涉及大量此类操作以及内存访问与数据移动，训练通常需要远大于推理的计算与内存资源，因此常在高度受限传感器节点之外执行。5.3节"信息感知资源分配"指出，资源感知AI还须考虑所处理或传输的信息对应用是否仍有用，信息紧迫性（UoI）提供纳入感知数据新鲜度与任务相关重要性的一个框架，基于UoI的表述为过时或不准确信息分配成本，允许依据信息当前价值而非仅其年龄分配感知、计算与通信资源。该视角与智能感知相关，因为以相同模型复杂度处理每次测量或以相同速率传输每次观测可能使用有限资源而未带来决策质量的成比例改善，因此当需要自适应运行时，任务相关信息价值可补充时延、精度与能耗等传统度量。传统模型选择程序的相关局限是假设预测精度最高的模型必然最适合部署，仅基于精度的超参数优化可产生内存需求或推理时延超出嵌入式硬件能力的模型，因此资源感知优化须将精度、计算成本、内存需求与时延视为同时约束。5.4节"分布式传感器架构内的资源感知AI"指出，资源感知AI在前述更广泛分布式架构内运行，在物联网人工智能（AIoT）系统中，传感器节点采集数据，嵌入式或边缘设备执行时间敏感预处理与推理，云资源可支持计算需求更高的分析、模型训练与长期优化，因此每个计算任务的位置可依据时延、通信成本、可用硬件资源与能量约束选择。此类系统中AI的作用不限于解释传感器测量，AI模型还可通过影响感知执行时机、哪些数据本地处理、传输何种信息以及何时将计算任务转移至边缘或云资源参与自适应资源分配，资源感知AI因此将模型设计与完整平台的感知、计算、通信及能量管理约束相联系。AI的能源收益还应相对于传统方法考虑：简单阈值方法、固定计划与基于规则的控制通常需要较少计算资源，在稳定环境中可提供足够性能；基于AI的方法可通过从传感器数据学习模式并使决策适应变化条件提供更大灵活性，例如本地推理可通过仅传输相关结果减少通信，基于学习的资源管理可根据可用能量与工作负载调整感知或传输活动。然而这些优势并非必然：AI模型引入与计算、内存访问及某些情况下模型更新或训练相关的额外成本，更复杂模型可改善预测精度而未产生总能耗的相应降低，AI的价值因此取决于感知质量、响应性或资源分配的改善是否证明这些额外成本合理；对于运行条件简单且可预测的应用，传统技术可能仍是更实用且节能的选择。5.5节"分布式与新兴AI范式"指出，联邦学习允许多个边缘或IoT设备训练共享模型而无需将原始数据发送至中央服务器，这可改善隐私并减少直接数据共享，但也引入新资源需求：本地训练需要计算与内存，频繁交换模型更新可增加通信与能耗；设备能力差异、不稳定连接与不均衡能量可用性也可影响参与，其实际价值因此取决于模型尺寸、更新频率、本地工作负载与网络条件。拆分计算将神经网络分布于设备与能力更强的边缘或云平台，模型第一部分本地运行，中间特征发送以进一步处理，拆分点选择影响本地计算、通信量、时延与能耗；某些情况下中间特征图可能大于原始输入而增加通信成本，合适拆分反而可减轻受限设备处理负担，当带宽与设备资源随时间变化时动态划分可有用。神经形态计算为低功耗边缘智能提供另一选项，脉冲神经网络与事件驱动硬件仅在事件发生时处理信息，可减少不必要计算与数据移动，这对需要低时延与低能耗的常开与事件驱动感知应用具吸引力；然而神经形态系统仍面临训练工具、硬件依赖与跨平台评估相关局限，其收益因此强烈取决于目标应用与硬件。系统层面，三种途径应对同一资源分配问题的不同部分：联邦学习平衡本地训练与通信成本，拆分计算平衡本地计算与卸载及时延，神经形态计算旨在降低计算与内存访问能耗。总体而言，更高效的AI模型在系统层面未必总是最佳选择：压缩、量化与硬件感知优化可降低内存使用、时延与能耗，但可能影响模型性能或依赖特定硬件；将推理移至更靠近传感器可减少通信，但增加本地处理需求，关键挑战因此是依据可用硬件、工作负载与能量预算选择模型复杂度与处理位置。

第6节"挑战与未来方向"指出，智能与高能效感知系统已取得显著进展，但其实际应用部署仍涉及若干未解决挑战，最持久之一是在混合与能量感知架构中平衡感知性能、计算需求与长期能量自治，这些需求紧密耦合，系统某部分的改善可对另一部分施加额外需求。可扩展性在分布式传感器网络中构成相关挑战，随着感知节点数量增加，协调、通信与资源分配变得更复杂；分簇与自适应路由可降低通信开销并改善能效，但未解决异构与动态感知环境相关的所有约束，传感器特性差异、变化运行条件、校准需求、测量可靠性与可用能量均可影响网络行为并使资源管理复杂化，因此进一步开发去中心化与自组织架构对大规模部署很重要。资源受限AI引入另一组局限：基于边缘的推理可减少传输至远程服务器的数据量，但将部分计算与能量负担转移至传感器节点，模型尺寸、内存需求、推理时延与能耗因此须共同考虑；此外，许多部署模型在相对稳定数据分布下训练，当感知条件随时间变化时可能失去性能，这产生对可适应非平稳环境而不施加过多计算或内存需求的轻量模型的需要。评估也仍高度依应用而定，传感器系统常使用灵敏度、检测限、时延或能耗等孤立指标评估，使跨架构比较困难；更具信息性的评估框架应将感知质量与计算成本、通信需求及能效结合，此类指标将为比较不同系统设计与识别适当运行权衡提供更一致基础。随着更多决策转移至嵌入式AI，可解释性与可信性变得日益重要，自主感知系统中可靠运行不仅取决于预测精度，还取决于对变化条件的鲁棒性、透明的模型行为及在延长运行期间保持性能的能力，当自适应算法影响感知、通信或资源分配决策时这些要求尤为重要。另一未解决问题是从实验室演示向长期部署的过渡，许多感知平台在受控条件下评估，而实际运行涉及温度、湿度、干扰、污染、机械应力与校准漂移的变化；应对这些效应不仅需关注传感材料与器件架构，还需关注校准稳定性、容错性、维护需求与长期资源管理。因此未来感知平台可能依赖感知、嵌入式计算、通信与能量管理间更紧密的协调，自适应采样、分布式推理、轻量AI与能量感知控制可允许系统运行随工作负载、环境条件与可用资源变化；低功耗电子、神经形态处理与分布式AI可进一步扩展本地可执行功能范围，但其实际价值将取决于能耗、时延、可靠性与信息质量的可测量改善。这些挑战强化了系统级设计而非单个组件独立优化的需要，智能感知平台的性能最终取决于感知、计算、通信与能量资源在预期应用运行条件下如何平衡。由本综述所考察系统级框架可引出若干更具体的研究问题：第一，感知频率与AI模型复杂度应依据变化能量可用性联合调整而非分别优化，未来系统应确定更高采样或更复杂推理何时提供足够额外信息以证明其能量成本合理；第二，跨传感器、边缘与云资源的协同推理需要基于设备剩余能量、网络质量、时延需求与模型复杂度的自适应任务放置；第三，跨平台评估仍困难，因为能耗与时延结果常针对不同硬件、工作负载与通信条件报告，因此需要通用评估程序以比较异构平台间的能效、推理性能与系统寿命；最后，长期部署需要自适应模型与资源管理策略，在传感器漂移、变化环境条件与可变能量可用性下保持有效。

第7节"结论"指出，本综述从系统级视角考察智能感知系统，特别关注感知、计算、通信与能量管理间的相互作用；分析表明这些要素不能独立优化，因为系统某部分变化影响其他部分的资源使用与性能，这反映于测量精度与能耗、时延与节能、本地计算与通信负载、模型保真度与计算效率间的权衡。本综述的一个重要区别是能效相对于整个感知系统的运行而非通过单项节能技术考察，先前综述主要集中于无线传感器网络寿命、能量采集、通信协议或边缘AI与TinyML的计算需求，虽为传感器运行特定方面提供有价值见解，但不总是涉及感知性能、数据处理、通信与可用能量资源间的关系；本工作通过四类反复出现的系统级权衡及基于能量来源、运行模式、处理模型与通信策略的分类体系考察这些关系，为比较不同感知架构提供共同基础并有助于解释为何改善单个组件效率未必降低完整系统能耗。混合与多模态感知、分布式云–边架构、嵌入式智能与资源感知AI的近期发展为管理这些权衡提供若干方式：将计算移至更靠近传感器节点可降低通信需求与时延，而TinyML与其他轻量AI方法使本地推理在受限硬件上更实用；然而这些收益取决于内存可用性、计算成本、通信需求与完整系统能量预算，处理架构选择因此应考虑本地计算所消耗资源与通过减少数据传输所实现潜在节省。分析还揭示评估现有智能感知平台时应考虑的若干局限：所报告能耗、推理精度或通信效率的改善常在不同运行条件下获得，使系统间直接比较困难；尤其从仿真或短期实验室实验获得的结果可能未完全反映长期运行中传感器漂移、变化环境条件、电池退化与网络质量变化的影响，未来研究因此应更重视在可比条件下评估感知质量、处理需求、通信能耗与运行寿命，此类评估将有助于确定嵌入式智能与自适应资源管理的优势能否在受控实验环境之外保持。综上，这些发现表明传感技术、处理架构、通信策略与能量资源应在系统设计时共同考虑，这对运行条件与可用资源可能随时间变化的分布式与自主平台尤为重要；未来进展不仅取决于单个传感或计算技术的改进，还取决于识别在信息质量、响应性、计算需求与长期自治间提供适当平衡的运行配置。