| 課程與核心能力關聯配比(%) |
課程目標之教學方法與評量方法 |
| 課程目標 |
核心能力 |
配比(%) |
教學方法 |
評量方法 |
1. 解釋 LLM 生命週期各階段的能耗特性與碳足跡。
2. 比較主流 LLM 在能效指標上的差異，並說明量測方法與常見偏誤。
3. 說明量化（Quantization）、剪枝（Pruning）、蒸餾（Distillation）、PEFT/LoRA 等技術的節能原理與適用情境。
4. 描述碳感知排程（Carbon-Aware Scheduling）的基本概念與實作機制，包含時序位移（Temporal Shifting）與地理位移（Geographic Shifting）。 |
| 1.具備資訊科學素養、資訊理論與數學分析之能力 |
| 3.具備分析、設計與實作資訊軟體系統之能力 |
| 6.具備自我學習、溝通協調與團隊合作之能力 |
|
|
|
|
| 授課內容(單元名稱與內容、習作/每週授課、考試進度-共16週加自主學習) |
| 週次 |
授課內容 |
| 第1週 |
課程導論，AI 能源危機 |
| 第2週 |
Green Computing 基礎概念 |
| 第3週 |
LLM 架構與能耗剖析 |
| 第4週 |
能耗量測工具實作 |
| 第5週 |
LLM 能效排行榜分析 |
| 第6週 |
綠色預訓練 & Carbon-Aware 排程 |
| 第7週 |
PEFT / LoRA / QLoRA vs. RAG |
| 第8週 |
期中分組專題計劃書報告 |
| 第9週 |
模型壓縮（量化 & 剪枝 & 知識蒸餾 & SLM） |
| 第10週 |
推論最佳化技術 |
| 第11週 |
本地 vs. 雲端部署決策框架 |
| 第12週 |
Green LLMOps & Carbon-Aware 實作 |
| 第13週 |
Green Prompting（Token 效率優化） |
| 第14週 |
Agentic AI 能耗設計 |
| 第15週 |
AI4Green 應用案例 |
| 第16週 |
期末分組專題口頭發表 |
自主學習
內容 |
01.參與專業論壇、講座、企業分享等產官學研相關交流活動
02.閱覽產業及學術相關多媒體資料
|
|
| 學習評量方式 |
| 本課程採多元評量，涵蓋至少五份作業（50%）、課堂參與（10%）及期末專題（40%） |
| 教科書＆參考書目(書名、作者、書局、代理商、說明) |
| 本課程以自製講義為主要教材，期間搭配指定閱讀學術論文、開放取用書籍與線上資源 |
| 課程教材（教師個人網址請列在本校內之網址） |
| iLearning 3.0 Platform |
| 課程輔導時間 |
來信預約
email for an appointment |