人工智能与物联网融合：迈向高效、韧性与可持续的智能系统新范式
——马德里自治大学学者提出故障检测创新方案，大幅降低能耗
随着人工智能（AI）技术的迅猛发展，其在提升系统智能水平的同时，也带来了日益严峻的运营可靠性挑战与能耗压力，尤其是在物联网（IoT）等互联设备和安全关键型系统中。针对这一现实问题，马德里理工大学（Universidad Politécnica de Madrid, UPM）电信工程高级学院（ETSIT）的研究团队提出了两项重要创新成果：一种高效的错误检测方法，以及一种面向能源效率的新型计算方案。
该研究团队来自该校新一代互联网研究组（Grupo de Internet de Nueva Generación），并与天津大学、电子科技大学以及美国东北大学的学者合作完成。相关成果已在国际学术期刊发表，展现了跨国际合作在推动智能系统底层架构进步方面的巨大潜力。
首个创新成果名为“语言错误并行检测法”（Concurrent Language Error Detection, CLED），其核心逻辑简洁而巧妙：大型语言模型（LLM）生成的文本通常具备连贯的语法结构和语义逻辑，而当硬件发生故障时，模型输出的文本往往会呈现出异常的语言模式。CLED方法正是通过捕捉这些异常，实现对系统错误的实时检测。实验表明，该方法能够成功识别超过87%的硬件故障，而其额外计算开销却不足整体运算资源的1%。研究合著者佩德罗·雷维里耶戈（Pedro Reviriego）教授指出：“CLED的一大优势在于，它甚至能够在仅能通过应用程序编程接口（API）访问商业语言模型的情况下稳定运行，极大拓展了其应用场景和实用价值。”
第二项成果是“可调序列长度”（Adjustable Sequence Length, ASL）方案，旨在降低基于随机计算的神经网络能耗问题。随机计算是一种利用随机比特流替代传统二进制精确数值进行信息处理的技术，因其极低的硬件开销，被广泛适用于资源受限的物联网设备。ASL技术通过智能调节神经网络各层的计算精度，优化处理流程：在敏感度较高的初期层保持较高精度，以保证特征提取质量；而在后续层适当降低精度，在不显著影响整体识别性能的前提下，大幅降低运算量和功耗。实验结果显示，该方案在几乎不影响模型准确率的情况下，实现了超过60%的能耗降低与时延缩减。
同为论文作者的哈维尔·孔德（Javier Conde）教授表示：“这些研究成果充分说明，我们完全可以在不牺牲性能的前提下，同时提升人工智能系统的安全性与能效。”他进一步指出，这些进展进一步巩固了马德里理工大学“在新一代智能与可持续系统计算架构研究中的前沿地位”，并为未来AIoT（人工智能+物联网）融合发展提供了有力的技术支撑。
随着物联网设备数量和AI应用场景的爆发式增长，系统可靠性与能耗效率已成为制约技术落地的关键瓶颈。UPM团队的上述成果，从计算架构与算法协同优化的角度切入，提出具备高实用性的解决方案，不仅为学术研究提供了新思路，也为工业界实现更安全、更绿色的智能部署奠定了基础。
