异构智能嵌入式系统AI模型推理与部署优化——从模型轻量化到系统级加速的综述与展望
扫描二维码
随时随地手机看文章
深度神经网络模型轻量化技术是突破人工智能应用在嵌入式系统部署瓶颈的关键路径，其通过算法重构与参数压缩的双重优化，在可接受网络精度损失范围内构建高效推理模型。在算法层面，知识蒸馏技术实现复杂模型向轻量化架构的能力迁移，配合模块化网络设计降低结构冗余；参数剪枝(结构化/非结构化)、量化(二值化/混合精度)及低秩分解等方法系统性地减少模型计算量[1]。硬件适配层面则通过稀疏矩阵加速器、多分支网络架构等定制化设计，提升轻量化模型在嵌入式异构平台的能效表现，形成算法–硬件协同优化方法[2]。
面向大语言模型的嵌入式部署需求，轻量化技术呈现细粒度创新趋势：一方面，根据量化所应用的不同阶段，可以将量化方法分为三类：量化感知训练(QAT, Quantization-Aware Training)、量化感知微调(QAF, Quantization-Aware Fine-tuning)及训练后量化(PTQ, Post-Training Quantization) [3]。QAT在模型的训练过程中采用量化，QAF在预训练模型的微调阶段应用量化，PTQ在模型完成训练后对其进行量化，并结合硬件特性开发出极限低比特的整型(如INT4、INT8)压缩方案；另一方面，混合专家模型等异构架构革新了模型部署范式，通过大小模型动态协作实现推理效率的阶跃式提升[4]。此类技术使百亿参数级模型在嵌入式设备端的实时推理成为可能，推动嵌入式系统向智能认知层级跨越。
2. 嵌入式智能系统推理优化加速技术发展现状
当前嵌入式智能系统的网络模型部署主要集中在推理加速优化，其技术策略在保持模型精度的前提下提升运行效率。核心优化方向包括网络模型编译优化、异构资源调度以及存储计算优化。英伟达的TensorRT推理框架通过算子融合与内存优化技术有效提升了推理速度[5]。关于网络模型推理任务在异构计算单元上的分配方法，当前研究工作采用模型并行、数据并行和流水线并行等模型的推理加速方法，进一步提升了嵌入式系统上的模型推理性能[6]。
在大语言模型在嵌入式系统上优化部署方面，伊利诺伊大学针对大模型输出长度不确定导致的端到端推理时间不可预测问题，提出了一种推测性最短作业优先调度器。该方案利用轻量级代理模型预测大模型输出序列长度，有效解决了传统先到先服务调度的队首阻塞问题[7]。英伟达开发了动态内存压缩技术，通过在推理过程中在线压缩键值缓存，成功缓解因输入序列长度与批处理规模线性增长引发的缓存膨胀问题[8]。首尔大学提出的细粒度调度机制实现了迭代级连续批处理，可通过动态整合多个大模型请求显著提升推理效率[9]。针对Transformer架构的计算特性，学界提出了KV缓存复用、FlashAttention以及PageAttention等加速方法[10]，并结合投机采样与混合专家模型技术，在保证模型精度的前提下实现推理效率突破。
国内研究团队在模型推理加速领域取得显著进展。北京邮电大学在片上神经处理单元实现高效设备端大模型预填充加速的系统，该系统通过在提示供工程、张量和模型三个层次上优化了大模型在端侧设备上的推理，从而显著减少了推理延迟[11]。东北大学在边端系统推理加速方面积累了较多的系统部署优化基础，其中GPU并行加速方面研究了GPU内部异构计算核心的并行策略，提升了系统整理利用率和任务吞吐量[12]。国内人工智能团队DeepSeek通过创新的多头隐式注意力(MLA)设计，突破了现有优化方案的瓶颈，使得模型在存储和计算效率上达到了新的高度[13]。
3. 动态智能任务实时调度方法发展现状
动态神经网络通过运行时自适应调整模型结构或参数，成为实时系统应对计算资源约束的关键技术。其核心优势在于能够根据输入特征(如图像尺寸、批处理规模)及系统约束(如截止期限、资源限制)，如图1所示，动态神经网络通过灵活调整网络压缩率、分支路径或输出节点，实现负载的动态适配[14]-[16]。例如，通过动态调节输入图像分辨率或网络分支选择，模型可在保证模型精度的同时显著降低推理延迟，满足工业物联网、自动驾驶等场景的实时性需求。
Figure 1. Dynamic neural network-based workload adjustment method
在动态推理DNN任务方面，学术界提出了多维度的系统调度方法。美国得克萨斯大学所提出的近似网络，量化了计算负载缩减与精度/时延的关联模型，支持运行时动态负载调整[17] [18]。韩国庆熙大学研究者结合GPU最坏执行时间分析与自适应图像缩放技术，设计了动态路径切换机制，在任务截止期约束下将精度损失降至最低[19] [20]。工业界则聚焦轻量化动态架构创新，如三星公司提出的分支条件神经网络(BPNet)实现了系统化的时间与精度权衡[21]。苹果公司开发的UPSCALE通道剪枝策略通过权重重排序技术，实现了无显著时延代价的动态网络裁剪[22]。微软提出基于全局的大批量LLM推理优化前缀共享和面向吞吐量的令牌批处理方法，通过全局前缀识别与请求调度重组、内存中心的分批处理及水平融合注意力核优化，实现共享前缀的KV上下文高效复用、预填充与解码阶段的GPU负载均衡，显著提升工业场景下大批量LLM推理效率[23]。北卡罗莱纳大学提出的SubFlow框架从模型结构层面出发，利用动态诱导子图策略在运行时根据任务截止期自适应选择子网络路径，实现了可变时间预算下的低时延高精度推理，为网络任务动态推理提供了新思路[24]。韩国汉阳大学提出的Exegpt系统则从系统层面出发，引入约束感知资源调度机制，通过联合优化批量大小与GPU分配，在延迟约束下实现高吞吐并发推理，体现了动态推理在资源调度与QoS保障方面的潜力[25]。
国内学者在动态自适应负载建模与部署优化方面取得显著进展。清华大学团队系统阐述了动态神经网络的理论框架[16]。上海交通大学通过扩展深度学习编译器实现了动态网络的高效推理支持[26]。上海科技大学进一步提出带时间约束的自适应任务模型，构建了兼顾服务质量与实时性的调度优化框架[1]。西北工业大学则聚焦环境自适应技术，通过动态调整模型参数降低资源消耗，为智能物联网系统提供高效解决方案[27]。香港中文大学利用深度学习编译技术在GPU上实现多DNN推理任务调度，在不损失网络精度的情况下，通过神经网络图和内核优化，提高GPU并行性，减少多任务之间的资源争用[28]。东北大学在异构CPU-GPU平台上的多DNN调度方面[29]，采用有效的CUDA流优先级管理方法实现了不同优先级多DNN任务在共享GPU上的实时调度策略。
4. 发展趋势与展望
随着大模型逐步渗透至边缘端，主流技术的发展推动了模型轻量化和压缩技术的突破。通过模型压缩、量化和知识蒸馏等手段，使得模型在资源受限的嵌入式设备(如手机和机器人)上实现高效推理和实时响应，同时配合实时调度技术，确保动态任务处理能力。2025年被视为“具身智能元年”，嵌入式系统借助轻量化和压缩技术，助力人形机器人在工业、医疗、家庭和自动驾驶等场景中完成复杂操作与实时决策，体现了主流技术在物理交互领域的应用优势和调度能力。原生多模态大模型整合视觉、音频、文本及3D数据，通过端到端训练实现数据对齐，并借助低功耗AI芯片和边缘计算平台降低推理延迟。此过程中，模型轻量化与实时调度技术是实现综合感知与实时处理的关键支撑。未来嵌入式智能系统将向垂直领域定制化发展，例如医疗诊断、农业机器人和消费电子。主流技术的发展促使模型更轻量、压缩更高效，同时借助实时调度实现自主智能体的动态任务管理，推动“All-in-One”超级应用的崛起，实现多场景智能服务。总之，嵌入式智能系统的发展正依托主流技术的模型轻量化、压缩技术及实时调度能力，实现高效推理、多模态融合和精细化物理交互。未来，这些技术将在垂类应用与自主智能体领域发挥核心作用。
基金项目
本文受山东省自然科学基金资助项目ZR2024QF052。
下载文档
