《面向边缘智能应用的AI模型优化技术研究》139页

人工智能（AI）作为成功范式已广泛应用于多领域，但在偏远地区部署或弱连通场景下实施时，常需在数据采集源头就近完成推理计算。本研究致力于探索AI模型优化路径，推动智能算法向边缘端部署。聚焦农业等领域的便携式设备应用场景（如气培容器、无人机、移动机器人），核心目标是通过开发定制化模型并实现"模型尺寸压缩"与"推理时延优化"。为此系统探索了多维度优化方案：包括样本数据"相关特征"提取技术、网络剪枝及量化压缩等方法。本论文提出涵盖开发-实现-优化的全栈式框架，重点解决边缘设备部署所需的轻量化与高效能需求。

研究目标通过三重递进步骤实现：验证至少存在一种AI模型可为目标应用提供有效预测；探索并实施模型优化方法；最终在资源受限硬件平台完成部署。核心创新点在于建立定制模型通用优化流程，并首创基于"模型可解释性"的特征选择框架——该方案在农业科技领域尚属首次系统性实践。优化体系以特征选择为主体，辅以剪枝与量化技术形成完整闭环。通过在准边缘设备部署验证，实证了本方案的工程可行性。

尽管本文构建了从模型设计到边缘部署的完整研究链，仍需指出若干可深化方向：AI领域与边缘计算技术持续迭代，硬件加速架构及软件工具链的革新为后续研究开辟广阔空间。本工作旨在填补现有研究空白并提供方法论参考，寄望所提思想能为未来边缘智能技术发展提供有效范式支撑。