嵌入式AI的定义、发展历程、与传统AI的区别、典型应用场景（智能家居、工业视觉、自动驾驶）。
模型训练→模型转换→量化压缩→部署推理的完整链路，各环节关键挑战。
主流嵌入式AI芯片（NVIDIA Jetson、Rockchip RK3588、算能BM1684、地平线征程系列）架构对比与选型。
轻量化模型设计原则（MobileNet、ShuffleNet、EfficientNet-Lite），训练时如何为部署做准备。
PyTorch/TensorFlow模型导出为ONNX格式，算子兼容性排查，动态轴与静态轴处理。
TensorRT的安装与配置，模型解析与Engine构建，FP16/INT8量化，动态batch处理。
Rockchip NPU的RKNN模型转换流程，量化校准数据集准备，性能调优技巧。
地平线征程系列模型转换（OE包与hb_perf工具），模型精度与速度的平衡策略。
算能BM1684/BM1684X的模型转换（BMNet→BModel），多核调度与流水线优化。
FP32→FP16→INT8→INT4的量化原理，对称量化与非对称量化，量化误差来源。
PTQ的流程与工具（TensorRT PTQ、RKNN PTQ），校准数据集的选择策略。
QAT的原理与实现（PyTorch的torch.quantization），模拟量化与伪量化节点。
结构化剪枝与非结构化剪枝，通道剪枝实现（基于L1范数），剪枝后的微调策略。
教师-学生模型架构，软标签与硬标签，温度系数调节，蒸馏在嵌入式场景的实践。
Conv+BN+ReLU融合，常量折叠，死节点消除，TensorRT/ONNX Runtime的图优化机制。
内存池管理，张量复用，就地操作（in-place），减少显存碎片的技巧。
生产者-消费者模型，异步推理与预处理并行，CPU-GPU/NPU协同工作。
模型加密方案（AES/RSA），硬件安全模块（HSM）集成，防止模型窃取。
TensorRT Profiler、RKNN Toolkit Profiling、perf工具的使用，瓶颈定位方法。
逐层输出对比（余弦相似度、欧氏距离），量化敏感层分析，混合精度部署。
ONNX Runtime C++ API调用，TensorRT C++ API封装，内存管理与异常处理。
Python推理脚本编写，Flask/FastAPI封装推理服务，WebSocket实时推流。
V4L2摄像头采集，OpenCV图像预处理（Resize、Normalize、Color Convert），零拷贝优化。
ARM Compute Library（ACL）与NCNN框架，NEON指令集加速，CPU推理优化。
TinyML与TensorFlow Lite Micro，CMSIS-NN优化，资源受限场景的模型设计。
目标检测+跟踪+识别的多模型串联，共享内存与事件同步机制。
远程模型升级方案，差分更新减少带宽，版本管理与回滚机制。
端侧推理+云端训练，边缘节点管理，联邦学习在嵌入式场景的探索。
基于RK3588的智能门禁系统（人脸检测+识别），从模型训练到部署的全流程。
基于Jetson Orin的工业缺陷检测，TensorRT加速与多路视频流处理。