具身智能在走向边缘设备时，常面临高能耗与低可靠性的矛盾。一项名为 CREATE 的系统级框架为此提供了解决方案，它通过跨层协同设计，在不牺牲任务成功率的前提下，显著提升了AI系统的能效和稳定性，为AI在真实硬件上的长期运行铺平了道路。
智能速览
具身智能在边缘设备上运行面临高能耗与低可靠性的核心矛盾。
CREATE框架旨在实现能效与可靠性的协同优化。
其核心思路是跨层协同设计，整合电路、模型和应用三层。
电路层通过异常检测机制，让硬件可在更低电压下安全运行。
该方法在几乎不影响任务成功率的情况下，平均降低40%的整体能耗。
精华内容
如何在降低电压以节省能源的同时，避免硬件错误导致任务失败？CREATE框架给出了一个系统性的回答，其智慧在于协同而非单点优化。
功耗与稳定之困
具身智能系统，如机器人和无人设备，通常由大语言模型（LLM）负责高层规划，强化学习（RL）控制器执行底层动作。当部署在电池供电的边缘设备时，巨大的计算需求带来了能耗挑战。工程上常用的降压节能手段，会引入位错误，这可能导致AI规划出错或控制失灵，最终造成任务失败。如何在节能与可靠之间取得平衡，成了一个亟待解决的难题。
CREATE的协同之道
CREATE框架的创新之处在于跳出单点优化的局限，提出跨层协同设计的思想。它发现，AI系统在不同层级对硬件错误的容忍度是异构的。基于这一洞察，CREATE在电路、模型和应用三个层面同时着手，让每一层都发挥其“抗错”优势，共同实现能效和可靠性的最优解，而非让各层孤军奋战。
三层联动机制
在电路层，CREATE设计了异常检测与清理机制，过滤掉因降压产生的极端错误，保障硬件在低电压下的基础稳定。
在模型层，它为LLM规划器引入了权重旋转增强策略，提升了模型本身对硬件错误的鲁棒性，降低了任务失败的概率。
在应用层，系统会根据任务执行的不同阶段和系统实时状态，自主地动态调整控制器的供电电压，实现可靠性与能耗之间的实时精细化权衡。
实测效果显著
通过在完整系统上进行实验，CREATE的效果得到了验证。数据显示，该框架相比标称电压基线，平均降低了40.6%的计算能耗；相较于已有的优化技术，还能额外节省约35%的能耗。这直接带来了29.5%至37.3%的芯片级能耗节省，并使设备电池寿命延长了15%到30%。最重要的是，这些收益几乎未以牺牲任务成功率为代价，展现了极高的实用价值。
CREATE框架为具身智能的落地提供了关键的系统级优化思路，证明了节能与稳定可以兼得。随着AI与物理世界的融合日益加深，这类兼顾效率与鲁棒性的技术将成为推动其发展的核心动力。未来，我们还能在哪些层面挖掘AI系统的潜力？
