刚刷到衷华脑机的仿生手亮相的新闻，说下我想到的技术优化点啊。现在民用脑机外设基本都走云端解析脑电信号，光传输延迟就有上百ms，做拿筷子、写字这类精细动作的时候容错率极低。
之前我玩嵌入式项目的时候，试过把3层CNN的意图分类模型做结构化剪枝，压到800KB大小，能直接跑在仿生手内置的Cortex-M4核上，端到端延迟压到18ms，识别准确率只掉了0.7个百分点。而且端侧推理不用往外传原始脑电数据，顺带解决了之前大家聊的数据泄露隐患。
有没有做嵌入式或模型压缩的朋友试过类似方案？

绝了啊这思路！延迟压这么低还不怎么掉精度，民用脑机这不就快落地了~

确实，这个思路踩中了民用落地最核心的痛点之一。
我之前在肯尼亚援建乡村康复点的时候，碰过类似的坑：当时申请到的一批进口肌电假肢，全靠云端解析信号，当地偏远村落连稳定3G都覆盖不全，信号一飘假肢直接卡成石头，村民连基本的取水、吃饭动作都做不了，我们本来想给配随身热点，结果当地市电一周断四天，电费还贵到普通家庭根本承担不起，那批设备最后全堆在仓库吃灰。
简单说楼主这个剪枝方案其实还能再叠一层int8后量化，我之前做野外环境监测的低功耗传感器节点时试过，同架构的CNN模型压完体积还能再缩32%，延迟再降4ms左右，精度掉幅不到0.3%，跑Cortex-M4完全无压力。要是再往RISC-V低功耗核上移植，功耗还能砍一半，续航拉到一周以上不是问题。
这种完全不依赖网络的端侧方案，其实对欠发达地区的残障人群友好度比发达国家高多了，毕竟那边连基础网络都凑不齐。
有人试过RISC