传感器功率损耗是IOT的祸害。
如果设备不断运行电源，部署数百万个传感器几乎是无用的努力。IOT传感器无法收集或发送数据而无需电源。
这是研究人员正在探索的一个原因环境能量收获。许多项目表明，可以通过在环境中转换环境中的环境能量来产生少量力量 - 来自杂散磁场，湿度，浪费热，甚至不需要的无线无线电噪声例如 - 进入可用的电能来为IOT供电。
但是，虽然可以收获环境能量，但这不是电池电量的可靠替代品。
来自匹兹堡大学的科学家们提出了一种系统，该系统应用人工智能来削减物联网的能耗和减轻电池寿命问题。该项目使用肩扛传感器，由环境收获的能量供电，以触发主传感器。肩扛传感器将使用AI算法运行无人看管，并训练，以便仅在满足特定事件条件时才能启用主设备。
“从环境中收获的能量运行AI算法的主要挑战之一是环境中的能量是间歇性的，”大学斯旺森学院电气计算机工程研究和副教授的主导研究员工程，在一个大学网站上的文章。“...如果传感器失去电源，则会失去数据，因此我们希望帮助AI算法达到准确的决定，即使是间歇性的电源。”
主要数据收集传感器及其无线电仍需要电池供电，但如果它们仅在特定事件期间啮合，则会减少电源使用。
“主设备被编程为完成所有佣工，”胡锦涛在文章中说。“较小的传感器是看门狗，可以监控环境并在必要时唤醒更大的传感器。”
虽然概念声音直截了当，但它不会很容易执行。
8月份国家科学基金会（NSF）授予匹兹堡大学项目的250,000美元的补助金。一个NSF网站上的摘要描述团队的努力：
“该项目旨在在这种无限设备中实现人工智能（AI）。然而，有两个主要挑战：1。大多数现有的深度神经网络（DNN）难以适应资源受限的微控制器。2. DNN通常需要多个执行剧集以获得一次推理结果，并且由于弱和不可预测的电力可能需要无限期的时间。为了解决这些挑战，该项目正在开发多出口DNN，其可以在每个执行集中输出逐步准确的推断结果。“
研究人员概述了三个任务，他们计划解决，为由能量收集技术提供动力的IOT设备进行间歇性增量推理的基础：
“首先，将开发新颖的电力跟踪感知压缩，在线修剪和适应算法，以确保在间歇供电设备上有效地部署多出口DNN。第二，新的多退出统计和增量神经网络（Mesi-Nn）将是开发以进一步降低延迟并提高准确性和能效。第三，将开发出新的神经结构搜索算法，以自动搜索最佳的Mesi-Nn架构。该项目将用真实的系统和应用程序进行评估，如图像分类，关键字等实际系统和应用程序。发现和活动识别。“
据摘要，最终结果将是“复杂的无电力计算系统”。