本專案旨在探索和實作人工智能演算法及模型在邊緣器材上的有效部署與套用。透過將邊緣器材采集到的數據進行本地分析，並把分析結果反饋至雲端，本專案致力於推動AI演算法和模型的持續最佳化與叠代訓練。這一過程不僅能夠提升邊緣器材的智能化水平，也能夠促進雲端演算法的精準度和效率。
為了滿足「邊雲協同智能計算」在實驗教學和科研工作中的套用需求，同時增強重慶郵電大學電腦學院在邊緣計算技術領域的實驗與教學能力，並進一步提升教學實驗的效率，啟動了邊緣計算智能服務系統的建設專案。此專案為學生和研究人員提供實際操作和研究的平台。
專案挑戰
AI雲管理平台的可靠性與支持能力：
提供一個穩定且高效的AI雲管理平台，該平台需能夠支持Tensorflow、Caffe、MXNet等多種主流的機器學習框架，以實作訓練集群任務的高效執行。此外，平台應具備模型托管功能，能夠統一管理CPU、GPU及FPGA等不同計算資源，以滿足多樣化的計算需求。同時，為了支持實驗教學，平台還需提供完整的實驗環境、數據集、教學材料等資源。
智能分析與數據處理功能：
平台應整合智能分析、數據處理和任務排程功能，以支持復雜的數據分析工作。使用者介面應設計友好，具備直觀的圖表展示和大屏展示能力，以便使用者能夠輕松地監控和管理AI任務的執行情況。
邊緣智能計算器材的相容性：
提供與AI雲平台相容的邊緣智能計算器材，這些器材應能夠無縫地與雲平台進行數據互動，實作邊緣數據的采集、處理和分析，從而提高整體的計算效率和響應速度。
需要高效能加速卡：
為了進一步提升人工智能演算法及模型的推理速度，平台應配備先進的FPGA加速卡。這些加速卡專門設計用於最佳化AI推理過程，能夠顯著提高計算效率，降低延遲，特別是在處理大規模數據和復雜模型時，能夠提供顯著的效能優勢。
解決方案：
本次專案包括邊雲協同智能計算平台、人工智能加速卡以及配套的邊緣計算智能終端器材。平台將CPU、GPU、FPGA三種計算資源統一管理和排程，透過典型演算法展示，結合人工智能的套用場景、案例以及智能終端器材，對學生進行人工智能方面的綜合訓練，達到專業實驗教學由點及面、理論到套用、涵蓋原理驗證/綜合套用/自主設計及創新的多層次實驗體系。
方案效果：
「邊-雲協同」，教學研一體化實驗平台
智能終端與人工智能雲端運算平台無縫對接，打通了A演算法、模型訓練的軟件層與智能終端的硬件層壁壘，學習軟件編程的學生，也能透過軟件來驅動智能終端硬件。
提科研轉化能力，助力產業套用創新
構建校企人才培養、專案科研協同發展的新模式，實作高校產學研一體化協同發展，為高校教師橫向課題的研究帶來了更多支撐能力。
