课程项目 / 40% 汇报 + 40% 论文
从兴趣出发，
做一个真实项目。
六个方向从可运行的小版本开始，适合边学边做；你可以按兴趣和可用资源选择。
六个项目方向
按兴趣和资源选择。
AI 系统 · AI Hardware · Physical AI · 生成式 AI · 代码智能
Model Router Self-Learning + RSL
构建一个根据任务、预算、延迟和风险选择模型，并通过独立评测受控改进的 AI 网关。
- 适合
- 适合系统与模型入门
- 资源
- 模型 API 或可控模拟服务
AI-Tuning of Optical Modules
使用机器学习和实验数据，寻找同时满足误码率、功耗、温度与稳定性约束的光模块参数。
- 适合
- 适合数据与优化方向
- 资源
- 教师数据集或受限仿真器
Physical Intelligence: LiDAR 3D World Model Data Collection
建立从 LiDAR 点云采集、同步、标注、质量检查到 3D 世界模型评测的可追溯数据管线。
- 适合
- 适合数据与空间感知
- 资源
- 公开数据集、仿真器或经批准的采集设备
Hardened-Weights Model Chip Design
将训练完成、权重固定的小模型映射为专用推理硬件，分析面积、延迟、吞吐和能耗取舍。
- 适合
- 适合芯片与体系结构
- 资源
- RTL/HLS 仿真器或 FPGA 工具
Video Generation on Low-Cost GPUs
在有限显存与预算下优化视频生成或视频到视频工作流，建立质量、速度、显存与成本的可复现取舍。
- 适合
- 适合 Diffusion 与推理优化
- 资源
- 单张消费级 GPU
Small Coding Model with Data Post-Training
用合法、可追溯的数据对开源代码模型进行参数高效后训练，并在独立测试集上证明目标任务的改善。
- 适合
- 适合模型训练与数据治理
- 资源
- 单张消费级 GPU 的 QLoRA 范围
项目指南
从一个小而清楚的问题开始。
- 场景可以先从一个具体用户或工程问题开始。
- 基线先跑通简单方法，再逐步尝试改进。
- 证据记录关键参数，用一两类指标说明变化。
- 复盘分享有效的地方、遇到的困难和下一步。
- 边界一起保护隐私、许可证、密钥和真实设备安全。
推荐节奏
四周把想法变成证据。
- 01选题与调研
明确场景、用户、输入、输出和成功标准。
- 02最小基线
建立数据集、评测脚本和可运行版本。
- 03核心实验
加入技术方法，完成至少三组对比。
- 04压力测试与 Demo
修复失败，准备 5 分钟展示和 2 至 4 页报告。