邱彦和沈瑞都是一副果然如此的样子，他们记得当初他们第一次汇报的时候虽然有着新手保护期，但也被邓老师问的死去活来的。
不过当他们看向周昀时，却发现他脸上没有一丝的紧张。
事实也确实如此，三年下来，周昀都不知道经历过多少组会了，紧张？那是不存在的。
等邓老师话音落下，周昀一脸从容的回答：“这是我想要研究的课题，根据我的调研，暂时还没有以这篇文章命名的论文。”
“哦？这个题目是你自己想的？”周昀的回答让他有些意外，就算是他手下那几个要读博的研三的学生，也没有谁的研究课题是完全独立想出来的。
这对于一个研零的学生来说已经是非常不错了。
“你继续。”
周昀翻到下一页PPT，没有文字，PPT上是一些著名的AI公司的LOGO：“这些都是现在比较著名的AI公司，
GPT，claude，gemini这都是现在世界上顶尖的大模型，不可否认的是，这些大模型的性能都非常强，但相对应的，训练他们所耗费的资源也是海量。
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。”