深度分析
AdaHome：以小語言模型實現地端智慧家庭助手，兼顧效率與隱私
智慧家庭助手常依賴大型語言模型與雲端部署，帶來延遲與隱私疑慮。AdaHome 針對在地端小語言模型設計，引入意圖感知規劃框架，依指令類型動態選擇輕量推理或直接執行，並以思路草稿策略提升決策效率。實驗顯示，直接指令準確率達 86.7%，延遲降低最多 3 倍，多輪偏好一致性達 88%，證明小模型也能實現高效個人化控制。
邊緣運算
深度分析
安杜里爾與Meta研發軍用擴增實境眼鏡：Lattice整合大型語言模型、眼動與語音操控無人機
安杜里爾與Meta合作試製軍用擴增實境眼鏡，規畫以眼動追蹤、語音與大型語言模型操控無人機與指揮流程，並以Lattice整合多源感測。若量產將改變前線決策與採購格局，但也帶來誤判、續航與供應鏈等重大挑戰。且需在無5G環境下本地運算、抗塵抗爆與長時間續航。
深度分析
PQC感知的線性複雜度NOMA功率分配與Lyapunov卸載策略於ICE系統
在量子計算威脅與行動裝置運算壓力下，本文提出一套輕量量子感知代理AI，將PQC模組的恆定功耗直接納入NOMA多用戶ICE的多階段MINLP建模，透過Lyapunov分解化為逐時子問題，並提出線性複雜度的反向貪婪功率分配法，兼顧排隊穩定與能耗約束，有效提升實時決策與系統吞吐。
AI 硬體
2026 Q1 AI 硬體回顧：推論晶片崛起、NVIDIA 市佔與 Apple M4 本地推論進展
2026 年第一季 AI 硬體市場呈現「訓練到推理」的結構性轉變：NVIDIA 市佔仍高達約 80%，但專為推理優化的 LPU/ASIC 正快速竄起。本文分析推理專用晶片受矚目的原因、對雲端與邊緣部署的影響，並針對個人開發者提出具體採購建議。
Local LLM
Local LLM 與雲端 API 的權衡：建立可觀測、可測試的 AI Agent 運維架構
從資深系統架構師角度，說明為何把 AI Agent 建基於 Local LLM（如 Ryzen AI NPU、Apple Silicon 的 Unified Memory）更能滿足資料主權、離線韌性與長期成本效益。文章同時提供工程實務建議：端到端驗證、可觀測性設計、錯誤分級與升級策略，幫助團隊將半自動化轉為可靠自動化。
深度分析
ConfigSpec：基於效能分析的分散式邊緣雲推測式大型語言模型服務配置選擇
本研究聚焦於分散式邊緣‑雲推測式 LLM 服務的配置挑戰。提出 ConfigSpec 框架，透過效能與功耗剖析，選出草稿模型、量化層級與推測長度的最佳組合。實驗顯示效能、成本與能源效率存在結構性衝突，需動態配置以平衡各目標。
深度分析
HearthNet：邊緣多代理協調平台實現智慧家庭語音控制
隨著使用者期待以自然語言控制智慧家庭，現有方案易因裝置失效而中斷。研究提出 HearthNet，於家庭中樞部署角色專精 LLM 代理，透過 MQTT、Git 共享狀態與授權租約協調裝置。系統實證顯示可解決語意模糊、衝突追蹤與未授權指令問題，提升本地化可靠性。
KD-MARL
KD-MARL：透過結構化知識蒸餾實現多代理人強化學習的邊緣設備部署
面對多代理人強化學習（MARL）部署時的運算瓶頸，新研究 KD-MARL 提出一種資源感知知識蒸餾框架，能將複雜的專家策略轉移至輕量級學生模型。在 SMAC 與 MPE 基準測試中，KD-MARL 成功降低高達 28.6 倍的運算成本，且性能保持率超過 90%，讓 AI 協作能真正進入邊緣設備。