Meta 可穿戴设备端侧 AI 工程实践分享

完整中文导读

Meta Reality Labs 机器学习工程团队软件工程经理 Christine Long 将在纽约 AI for Work Summit（12 月 2–3 日）分享为可穿戴系统构建端侧 AI 的经验。她带领团队开发更快、更省算力、能在同一设备共存的模型，需应对可用算力、模型功耗预算及跨硬件适配等问题。

她有 10 余年机器学习、深度学习、嵌入式系统与 LLM 相关经验。

中文整理

作者 / 来源：ODSC (Open Data Science Conference) AI (@_odsc) · 原文时间：2026年10月13日 04:49（北京时间）

原作者信息要点

ODSC AI 发布的信息称，在可穿戴设备上运行 AI，意味着每个模型决策都必须考虑速度、算力、功耗和硬件限制。

信息提到，在纽约举行的 AI for Work Summit 上，Meta Reality Labs 机器学习工程团队软件工程经理 Christine Long 将分享为可穿戴系统构建端侧 AI 的经验。

Christine 带领的团队负责的模型需要更快、更省算力，并能在同一设备上共存。

信息称，这类工作面对的问题与云端 AI 明显不同：可用算力有多少、模型能使用多少功耗，以及模型能否良好适配不同硬件系统。

信息称 Christine 在机器学习、深度学习、软件开发、嵌入式系统以及大语言模型相关工作方面有超过 10 年经验。

活动地点标注为纽约市，时间为 12 月 2 日至 3 日。

本站整理与观察

本站观察：该材料属于会议分享预告，核心信息集中在演讲者背景、团队职责和端侧 AI 的约束条件，未给出具体模型名称、性能数字或工程方案细节。

本站观察：材料将端侧可穿戴 AI 与云端 AI 的差异归纳为算力、功耗和硬件适配三类约束，但未说明这些约束如何量化或如何取舍。

本站观察：由于材料未提供演讲正文、技术指标或验证结果，无法据此判断 Meta 在可穿戴端侧 AI 上的实际进展或效果。

材料为社交媒体会议预告，仅包含演讲者身份、活动时间地点和端侧 AI 约束的概括性描述，缺少具体技术方案、模型名称、性能数据与验证结果；文中作者声称与已验证事实无法进一步区分。