Machines that know they are aging: a framework for hardware-aware autonomous intelligence
arXiv 论文 2607.28451v1 提出 Aging-Aware Autonomous Intelligence (AAAI) 框架，将硬件健康直接整合到推理、规划和任务执行中。框架基于三个支柱：硬件自我意识（使用物理失效模型持续估计电源、传感、内存和计算子系统的健康）、自适应推理（根据剩余硬件能力调整推理复杂度、规划范围和任务优先级）和以生存为中心的智能（通过性能优化、资源节约和优雅降级在任务目标间分配剩余运行寿命）。论文指出自主系统会老化，但 AI 通常假设硬件保持原始状态，导致电池退化、传感器漂移、处理器时序错误和内存可靠性下降，造成假设能力与实际能力不匹配，可能引发“不可知崩溃”。
发展脉络
- 首次出现Machines that know they are aging: a framework for hardware-aware autonomous intelligencearXiv cs.AI
- 当前判断该框架反映了自主系统（如机器人、自动驾驶、无人机）在长期部署中面临的可靠性挑战。当前 AI 系统通常假设硬件恒定，但实际部署中硬件退化不可避免。AAAI 将硬件健康与 AI 推理结合，可能推动预测性维护与 AI 决策的融合，影响自主系统的生命周期管理。这可能导致行业从“故障后修复”转向“健康感知的自主决策”，对机器人、自动驾驶、工业自动化等领域有潜在影响。Agent Pulse · 分析
arXiv 论文 2607.28451v1 提出 Aging-Aware Autonomous Intelligence (AAAI) 框架，解决自主系统中硬件老化与 AI 假设硬件不变之间的不匹配。论文指出，电池退化、传感器漂移、处理器时序错误和内存可靠性下降会导致假设能力与实际能力差距扩大，可能引发“不可知崩溃”——即任务失败源于累积硬件退化而非单一组件故障。AAAI 框架通过三个支柱整合硬件健康：硬件自我意识（利用物理失效模型持续估计子系统健康）、自适应推理（根据剩余能力调整推理复杂度、规划范围和任务优先级）和以生存为中心的智能（在任务目标间分配剩余寿命，通过性能优化、资源节约和优雅降级）。框架不引入新硬件，而是统一预测、生命周期管理和任务执行。
AAAI 框架的核心创新是将硬件健康状态作为推理和规划的一等公民，而非事后诊断。硬件自我意识使用物理失效模型（如电池循环老化、传感器漂移模型）持续估计子系统健康，这比基于阈值的告警更精细。自适应推理根据剩余能力动态调整推理复杂度（如模型规模或推理深度）、规划范围（如时间跨度）和任务优先级，这要求系统在运行时权衡计算资源与任务价值。以生存为中心的智能通过优化分配剩余寿命，可能涉及多目标优化和降级策略。该框架的可行性依赖于硬件健康估计的准确性，以及推理系统能否实时响应健康变化。
该框架反映了自主系统（如机器人、自动驾驶、无人机）在长期部署中面临的可靠性挑战。当前 AI 系统通常假设硬件恒定，但实际部署中硬件退化不可避免。AAAI 将硬件健康与 AI 推理结合，可能推动预测性维护与 AI 决策的融合，影响自主系统的生命周期管理。这可能导致行业从“故障后修复”转向“健康感知的自主决策”，对机器人、自动驾驶、工业自动化等领域有潜在影响。
对于自主系统制造商和运营商，AAAI 框架可能降低长期维护成本并提高任务可靠性。通过健康感知的决策，系统可以在硬件退化时优雅降级，避免突然失效，从而延长设备寿命并减少停机时间。这可能导致预测性维护与 AI 决策的融合，影响自主系统的生命周期管理。
未来可验证的信号包括：AAAI 框架在真实自主系统（如无人机、机器人）上的部署测试，以及硬件健康估计与推理性能之间的量化关系。若框架有效，可能看到更多研究将硬件退化模型集成到强化学习或规划算法中。