边缘 AI 研究如何把模型部署到手机、摄像头、传感器、浏览器和微控制器上，在设备算力、内存、电量和网络受限的条件下完成实时推理。
云端模型可以依赖大显卡和稳定网络，端侧模型面对的是手机、电池、摄像头、传感器和 MCU。一个模型即使准确率很高，如果内存超限、延迟太高或耗电太快，也不能算端侧项目成功。
学生做这个方向时，要把模型效果和工程指标一起展示：原模型与压缩模型对比、端侧推理耗时、模型大小、峰值内存、功耗或离线可用性。这样项目才不像普通分类实验。
中文链路图：把方向拆成输入、模型、任务和成果
一个方向能不能做成项目，关键看它能不能落到明确任务、评价指标和实验数据。
任务地图：适合小白先判断项目切入点
让模型直接在手机、摄像头或浏览器端运行。
降低模型大小、内存和能耗。
把模型部署到微控制器或超低功耗设备。
决定哪些任务本地做，哪些交给云端。
在低算力条件下保持帧率和准确率。
证明端侧部署不只是能跑，还要值得跑。
技术路线不是模型名清单，而是看这个方向的问题意识如何一步步变化。
技术路线图：帮助学生看懂方法演进
用深度可分离卷积和小模型降低计算量。
把模型压进 MCU，靠近传感器本地判断。
一次训练多个子网，按设备约束选模型。
用量化、缓存和本地推理部署个人 AI。
这不是让你背论文名，而是按时间线建立路线感：先看每篇论文解决了什么问题，再看图里哪一块最关键，最后知道它适合放进什么项目里。
为什么重要：MobileNet 用深度可分离卷积降低计算量，是移动端视觉模型最经典的入门论文。
新手读法：重点看 depthwise separable convolution、宽度倍率和分辨率倍率如何影响延迟与精度。
打开论文 / 来源为什么重要：TinyML 把模型压进微控制器和低功耗传感器，是边缘 AI 最有辨识度的分支。
新手读法：重点看 MCU 约束、量化部署、低功耗推理和 TinyML 应用场景。
打开论文 / 来源为什么重要：Once-for-All 解决不同设备需要不同模型的问题，一次训练超网，再按硬件约束选择子网。
新手读法：重点看 supernet、progressive shrinking 和硬件感知子网搜索。
打开论文 / 来源为什么重要：端侧大模型把边缘 AI 从视觉/传感器扩展到个人设备上的本地助手，核心是压缩、缓存、隐私和能耗。
新手读法：重点看量化、KV cache、推理加速、本地检索和隐私保护如何共同决定可用性。
打开论文 / 来源不同任务不能只看 Accuracy。论文和项目都要说明指标为什么适合当前问题。
端侧推理响应时间。
模型文件大小和参数量。
运行时内存或显存峰值。
设备功耗和电池消耗。
压缩部署后保留原模型效果的比例。
断网、弱网和低算力条件下是否可用。
小白选题时先确认数据、代码和 benchmark 是否可获得，否则方向再热也很难落地。
学生看老师主页最难的是不知道关键词背后对应什么任务和能力要求。
通常对应轻量 CNN、移动端视觉、模型大小和推理延迟优化。
通常对应传感器本地识别、低功耗推理、TFLite Micro 和嵌入式部署。
通常对应不同设备约束下的弹性网络、超网训练和硬件感知搜索。
通常对应端侧大模型量化、KV cache、离线推理和隐私保护。
真正适合学生的路线，是先跑通最小闭环，再逐步加难度。
明确手机、浏览器、摄像头或 MCU 的算力限制。
做量化、剪枝或轻量网络替换。
用 ONNX、TensorRT、TFLite 或 WebGPU 跑起来。
输出延迟、功耗、内存和准确率报告。
下面这些题目不是空泛口号，而是可以沉淀代码、实验结果、图表和论文雏形的方向。
把轻量模型部署到浏览器或手机上。
比较 INT8/INT4 的延迟、大小和准确率。
在低功耗设备上做动作或声音识别。
展示数据不出端的本地 AI 应用。
这部分覆盖搜索和咨询时最高频的问题。
不一定。可以先用浏览器、手机、ONNX Runtime 或 TFLite 模拟端侧约束。
必须报告模型大小、延迟、内存、功耗或离线可用性。
可以和语音识别、视觉检测、端侧大模型、隐私保护和物联网数据结合。
这个方向只是计算机科研路线中的一个入口。你也可以继续查看多模态学习、世界模型、推荐系统、可信 AI 等方向，再结合自己的专业基础、目标导师和时间周期选择更合适的切入点。