能量预测的核心目标是提升预测精度，从而通过减少能源浪费来提升整体能效，这一点在面向任务关键的边缘环境（如军用系统）的设备端预测中同样适用。本文指出了一个被称为准确性‑效率悖论的现象：高精度的能量预测模型往往会导致净能量赤字。其根本原因在于两方面的能耗——边缘 AI 推理过程本身的能耗以及电池老化导致的容量衰减。电池老化实际上是一种物理能量的耗散，等同于系统未来可用能量的损失。为此，本文提出了一套总体拥有成本（TCO）框架，将推理能耗和电池老化统一视作能量损失的两大来源，旨在最小化净能量损失。实验表明，在热敏感的边缘环境中，复杂模型带来的精度提升所节约的能量，往往被其高运行强度导致的总能量损失所抵消。
博主点评：本文通过将电池老化纳入能耗模型，提供了更全面的能效评估视角，对边缘 AI 系统的设计具有重要的参考价值。