第5章 不好意思，我打断一下。 (第3/3页)
一个先进的图像识别模型可能需要几十甚至上百兆的内存，数以亿计的计算量。
它们就像高性能的跑车，必须在云端数据中心这样的大跑道上才能发挥实力，但是现实生活中，大家的设备都是电脑，手机，摄像头等等。”
说到这里周昀停了一下，将PPT翻到下一页。
老师没有提问，那他就继续讲。
“这种情况下，我们面临一个巨大的挑战：如何让庞大、复杂的AI模型，在这些资源有限的“小设备”上，也能跑得又快又好，还能实时响应？
以下四点是我认为的需要解决的几个痛点：
1.尺寸不符：大模型在小设备上跑不动，或直接装不下。
2.速度滞后：即使勉强能跑，响应速度也慢，用户体验差。
3.能耗巨大：小设备电池续航有限，大模型会迅速耗尽电量。
4.网络依赖：依赖云端意味着有延迟，且断网就失效，隐私也难以保障。”
“不好意思，我打断一下。”
“老师您说。”
“你刚才提到了这些大模型性能虽强，但资源消耗巨大，而现在你想把这些大模型塞进小设备里，其中的难点我理解，
但是，既然这些顶尖大模型在云端表现如此出色，为什么我们非要执着于把它们硬塞进边缘设备？
云端计算的便捷性和可扩展性难道不更符合AI发展的趋势吗？边缘部署的必要性到底有多强？”
这个问题问的非常刁钻，如果周昀不能回答，那就算是从根本上否定了研究的必要性。
“老师的问题确实非常关键，如您所言，云端大模型在性能和可扩展性上确实有无可比拟的优势，
但是大模型的基石是数据！
在金融、医疗、国家安全等高度敏感的行业，数据“不出境”或“不出厂区”是严格的法律法规要求。
这种情况下，任何云端的数据传输都是具有一定风险的，虽然其有强大的安全措施，但其本身就是一个巨大的‘靶心’，
一旦云服务遭受网络攻击，影响范围可能是灾难性的，这一点相信老师肯定是有所了解的。”