【從模型到晶片】打造高效節能的邊緣 AI 系統

在半導體邁向 AIoT 與行動運算的浪潮中，單純追求運算速度已不足夠，這門課程由陳紀翰老師主講，直擊半導體產業在 AI 時代最核心的挑戰：「如何在極限的功耗下發揮最強的算力」。他將深度剖析裝置端最佳化（On-Device Optimization）的核心技術，涵蓋權重剪枝、量化與知識蒸餾等模型壓縮策略。對於從事行動裝置晶片設計、邊緣運算開發的半導體從業人員，這是掌握軟硬體協同優化（Hardware-Software Co-design）的關鍵進階課程。

課程重點探討「節能化 AI 加速」的硬體架構差異，解構如何透過稀疏性運算與資料流優化，降低記憶體存取帶來的巨大功耗。學員將實踐業界主流推論框架（TFLite/ONNX/CMSIS-NN）的部署，並學習在現實嘈雜環境下評估系統可靠度，平衡「正確率、運算效能（FPS）與功耗（Watt）」的黃金三角，打造具備國際競爭力的低功耗 AI 解決方案。

課程規劃

第一日課程：裝置端模型壓縮與架構輕量化

當日學習主軸： 掌握神經網路壓縮策略與輕量化模型設計實務

第二日課程：節能硬體加速與系統可靠度評估

當日學習主軸： 軟硬體協同設計與節能推論效能優化評鑑

講師介紹

陳紀翰博士

逢甲大學通訊系助理教授

畢業於國立陽明交通大學資訊工程研究所，曾任僑光科技大學資訊科技系擔任助理教授，研究專長包括類神經網路、嵌入式系統、FPGA 及 AI 導入企業解方，執行專案經驗包含工研院、中科院、數發部以及經濟部，目前擔任多所中小企業及新創企業執行顧問，專注於企業數位轉型與智慧轉型之導入議題。

本身是個熱愛藝術的資訊工程研究員，熱衷於探索在『研究、應用與啟發教學』之間平衡而產生的美感。