1，大模型本地部署
慢慢的，1-2B的小模型也发展起来。
在消费显卡上面的显存也足够运行了。让设备在终端运行速度更快了。
服务端虽然也可以解决智能化，但是本地的优势是速度快，离线。
市面上大部分的都是基于 arm 做android 应用开发。
有个局限性就是算力不够。
但是使用x86 和消费显卡，可以解决这个问题。相对的功耗也增加了。
这些智能设备可以固定使用电源供电。
并不是要解决所有问题，只解决特殊的需要离线的速度快的智能计算场景上。
2，基于大模型的语言交互方案
基于大模型的语言处理
3，在边缘端持函数调用的模型chatglm3，qwen7b
目前有两个模型支持函数调用，chatglm3 qwen7b 都可以在本地部署。
使用 8bit 量化版本部署内存占用在 8G 左右。
之前的技术调研研究过：
使用Xinference框架，部署Qwen和ChatGLM3的大模型，支持函数调用：
https://yanghuaiyuan.blog.csdn.net/article/details/135964461
函数调用是 OpenAI GPT-4 和 GPT-3.5 Turbo 模型的高级特性，它使得模型能够根据用户指令决定是否调用相应的函数，以结构化的格式返回信息，而不是仅提供普通的文本回答。 这种整合了大型语言模型与外部工具及API的能力，显著增强了模型的应用潜力。
例如，要获取实时天气信息，ChatGPT 本身不具备实时数据；函数调用则开辟了一条通道，使得 AI 能够与外部系统互动，如接入信息检索系统、查询实时天气、执行代码等。 这使得基于大型语言模型的智能代理能够执行更为复杂的任务，大幅提升了模型的实用性和应用领域的广度。
在接下来的内容中，我们将演示如何利用 Xinference 在本地部署大语言模型 Qwen，并实现类似 OpenAI 的函数调用。此外，我们将评估 ChatGLM3 和 Qwen 在特定数据集上，函数调用的准确性， 并分析其出错的潜在原因。这些评估将帮助我们更深入地理解这些模型的能力和限制，为实际应用提供洞见。
然后就可以根据相关的，天气预报，开发特定函数接口实现了。
使用 xinference 启动成：
4，硬件设备MX3060 有12G显存
并不需要去自己制作设备，有现成的使用游戏小主机就可以。
然后再配合触摸屏实现。
还真的有这么小的MX3060显卡设备：
https://item.jd.com/10094149248405.html
再配合电容屏 10英寸1024*600触摸屏：
https://item.jd.com/44632987581.html#crumb-wrap
5，创新就是利用现有的技术创新
组合创新，对现有技术进行理解思考。
能不能有新的方案，带来不一样的体验。
为啥要在设备端部署大模型。
因为模型的运行需要大量的资源消耗，同时也存在热点问题，高峰问题。
需要海量的资源，去提高吞吐量。
但是要是模型在边缘端完成了主要的运行，就可以降低服务端的负载。
同时在边缘端也可以降低延迟，提高响应速度，也可以进行离线计算。
6，设备外形
外形设计成这样，可以使用现成的壳子，因为没有人帮忙设计外壳。
https://item.jd.com/10077452549041.html#crumb-wrap
