隨著人工智慧從雲端走向終端，邊緣人工智慧（Edge AI） 已成為推動智慧應用的關鍵技術。Edge AI 的範疇廣泛，涵蓋智慧型手機、物聯網裝置、智慧交通，以及需要即時反應的自動化系統如機器人與自駕車。與傳統依賴雲端的模式不同，Edge AI 將推論甚至部分學習能力下沉至裝置端，不僅能降低延遲與網路負擔，還能加強隱私保護與能源效率。

本實驗室的研究著重於支撐 Edge AI 的 系統與架構設計，包括異質計算平台與高能效架構的探索、系統層級的功耗管理策略，以及適應受限資源環境的模型壓縮與最佳化技術。我們也發展 資源感知的裝置端學習框架，使邊緣裝置能進行輕量化的 on-device learning，以支援動態環境與個人化應用。透過這些研究，本實驗室致力於打造低功耗、可擴展的 Edge AI 平台，推動其在智慧醫療、機器人、自主系統等場景中的應用與落地。