Badacze zidentyfikowali paradoks, który podważa podstawowe założenia optymalizacji energii w systemach AI na krawędzi sieci: modele prognozowania energii osiągające wyższą dokładność mogą faktycznie powodować większą stratę energii netto niż mniej zaawansowane alternatywy. Problem ten dotyczy zarówno klasycznych systemów militarnych, jak i nowoczesnych rozwiązań IoT, gdzie efektywność energetyczna jest kluczowa.
Jądro problemu leży w tym, że bardziej zaawansowane modele wymagają znacznie więcej mocy obliczeniowej do wnioskowania. Chociaż mogą lepiej prognozować zapotrzebowanie energetyczne i teoretycznie zmniejszać marnowanie energii, energia zużyta przez samo uruchamianie tych kompleksowych architektur może przewyższać oszczędności z ulepszonej dokładności. Ponadto intensywna praca computacyjna generuje ciepło, które przyspiesza degradację baterii, co stanowi dodatkową, często ignorowaną stratę energii. Autorzy zaproponowali ramy Total Cost of Ownership, które uwzględniają zarówno bezpośrednie zużycie energii wnioskowania, jak i długoterminowe skutki starzenia się baterii.
To odkrycie ma znaczące implikacje dla projektowania systemów AI na urządzeniach brzegowych, szczególnie w wrażliwych termicznie środowiskach. Oznacza, że tradycyjne podejście - maksymalizacja dokładności modelu - może być kontrproduktywne. Instytucje opracowujące systemy dla aplikacji misji krytycznych, takie jak systemy militarne, muszą teraz przeformułować swoje cele optymalizacji, skupiając się na minimalnym netto oszacowaniu straty energii zamiast samej dokładności.