在现代 Windows 开发中，将 AI 功能集成到 WinUI 应用已成为提升用户体验的关键路径。Windows ML 作为内置的 AI 推理运行时，提供了一种高效方式来加载和执行 ONNX 模型，实现低延迟的本地推理，而无需依赖云服务或外部运行时。这不仅确保了数据隐私，还能利用设备硬件如 GPU 进行加速，适用于图像分类、对象检测等场景。通过 DirectML 的硬件抽象层，开发者可以轻松跨不同 Windows 设备部署模型，避免了复杂的硬件适配问题。
要开始集成，首先确保开发环境支持 Windows 11 24H2 或更高版本，并使用 Windows App SDK 1.8.1+。在 Visual Studio 中创建 WinUI 3 项目后，添加 Microsoft.Windows.AI.MachineLearning NuGet 包（预发布版），这是一个核心依赖，用于访问 Windows ML API。该包封装了 ONNX Runtime 的功能，并自动处理执行提供程序（EP）的下载和管理。安装后，导入命名空间：using Microsoft.Windows.AI.MachineLearning; 和 using Microsoft.ML.OnnxRuntime;。接下来，准备 ONNX 模型文件，例如从 Hugging Face 下载的 ResNet50-v2-7.onnx，用于图像分类。将模型文件置于项目 Assets 文件夹中，设置生成操作为“内容”，并复制到输出目录。
集成流程的核心是初始化基础设施和加载模型。创建 Infrastructure 实例：var infrastructure = new Infrastructure(); 然后异步下载 EP 包：await infrastructure.DownloadPackagesAsync(); 这会根据设备硬件自动获取 AMD、Intel、NVIDIA 或 Qualcomm 的 EP，确保兼容性。注册 EP 到 ONNX Runtime：await infrastructure.RegisterExecutionProviderLibrariesAsync();。加载模型时，使用 LearningModelProvider：var modelProvider = new LocalModelFileProvider(modelPath); var learningModel = await modelProvider.LoadModelFromUriAsync();。输入数据需转换为 Tensor 格式，例如对于图像分类，将输入图像 resize 到 224x224，归一化到 [0,1] 范围，并转换为 float32 张量。执行推理：var inputTensor = new DenseTensor(inputData, new[] { 1, 3, 224, 224 }); var input = new ModelInput { Image = inputTensor }; var output = learningModel.Evaluate(input); 输出结果为分类概率，可通过 Softmax 处理得到置信度。
DirectML 是 Windows ML 的 GPU 加速后端，提供低级 API 来优化推理性能。在 SessionOptions 中追加 DirectML EP：var sessionOptions = new SessionOptions(); sessionOptions.AppendExecutionProvider_DML(deviceId); deviceId 可通过 SharpDX.DXGI 获取首选适配器 ID，通常为 0（集成 GPU）或 1（独立 GPU）。为实现跨设备兼容，设置设备策略：如优先 NPU 以降低功耗（适用于 Copilot+ PC），或 GPU 以追求高性能。参数示例：sessionOptions.GraphOptimizationLevel = GraphOptimizationLevel.ORT_ENABLE_EXTENDED; 这启用扩展优化，包括常量折叠和节点融合，潜在提升 20-30% 性能。针对大模型，启用 AOT（Ahead-of-Time）预编译：使用 AI Toolkit for VS Code 工具量化模型到 INT8，减少内存占用 50%，推理速度提升 2-4 倍。监控 GPU 利用率时，建议阈值 <80% 以避免热节流；若超过，使用 CPU 回退策略。
在实际落地中，以图像分类为例，构建一个简单的 WinUI 页面：包含 FilePicker 选择图像、Image 控件显示预览，以及 ListView 输出 top-5 分类结果。处理图像输入时，使用 SixLabors.ImageSharp 库：var image = Image.Load(filePath); image.Mutate(x => x.Resize(224, 224)); 然后提取像素数据构建 Tensor。推理后，解析输出：var probabilities = output.Features[0] as float[]; 使用 ArgMax 和 Softmax 计算置信度。错误处理至关重要：捕获 OrtException，检查模型兼容性（ONNX opset 版本 ≤18），并提供用户友好提示如“设备不支持 NPU，切换到 GPU”。
性能优化清单包括：1. 模型量化：使用 ONNX Runtime Tools 转换为 INT8，参数 --input_model model.onnx --output_model quantized.onnx；2. 批处理：若多输入，设置 batch_size=4，监控内存峰值 <4GB；3. 异步执行：使用 Task.Run 避免 UI 阻塞，超时阈值 5s 回滚到 CPU；4. 缓存：预加载模型到内存，重复推理时复用 Session。风险点：旧设备无 NPU 时，GPU 负载高可能导致电池消耗 20% 以上，建议添加电源模式检查：if (SystemInformation.PowerLineStatus == PowerLineStatus.Offline) 使用 CPU。引用官方文档，Windows ML 通过 EP 桥接运行时与硅生态，确保模型准确性一致1。
部署时，应用大小控制在 50MB 内，无需捆绑 EP（Windows 自动管理），适用于 Store 发布。测试跨设备：Surface Laptop（Intel NPU）、RTX 笔记本（NVIDIA GPU），基准延迟 <100ms for 224x224 输入。回滚策略：若推理失败，fallback 到云 API 如 Azure Cognitive Services，阈值基于网络延迟 <200ms。
此集成方案使 WinUI 应用具备生产级 AI 能力，推动本地智能体验的普及。