2023面向6G物联网的端侧计算白皮书-中移智库_29页_1mb

面向6G物联网的端侧计算白皮书（2023年8月）总结

6G技术将实现更高速率、更广连接与更优网络覆盖，以支持高度动态环境下的多样化应用需求。其“万物智联，数字孪生”的愿景对终端处理时延、功耗和数据隐私保护提出更高要求。端侧计算作为云-边-端立体计算架构的关键环节，正面临概念、技术架构及发展趋势不明确的挑战。中国移动联合产业合作伙伴致力于推动端侧计算整体架构与关键技术的成熟，加速6G物联网立体计算架构的落地应用。

背景与意义
物联网终端实时数据呈现爆炸式增长，且新型应用（如人工智能、XR场景）对低时延计算需求强烈。例如，智能视频监控、自动驾驶、隐私保护及离线自治等场景均需端侧高效处理能力。同时，算力成本持续下降（如7nm芯片单位算力成本仅为16nm的194%），算法性能提升（如OpenAI统计显示，深度学习模型训练效率每16个月提升2倍），为端侧计算发展提供了机遇。

应用场景

1. 大流量场景：如智慧城市视频监控，单一视频数据日均产生约128GB，需端侧预处理以减少网络带宽压力。
2. 实时计算场景：自动驾驶（L2级时延要求100ms，L3级需20-100ms）、工业控制（诊断时延10ms，运动控制需25-100微秒）等依赖低时延端侧计算。
3. 隐私保护场景：用户数据（如人脸识别、语音）上传云端存在泄露风险，端侧预处理与脱敏可提升隐私安全性。
4. 离线自治场景：智能家居等应用需在断网时维持服务，端侧部署关键功能可保障系统稳定性与远程控制能力。

关键技术挑战

• 算力受限：摩尔定律放缓，登纳德缩放失效导致芯片性能提升受限。冯·诺依曼架构存在存储与计算分离的瓶颈，数据搬运耗能远高于计算本身。
• 功耗敏感：终端电池容量增长远低于算力需求，需优化硬件设计（如FPGA、ASIC）或采用低功耗类脑算法。
• 信息孤岛：端侧数据分散，难以汇聚用于模型训练，且复杂任务需多阶段协同（数据采集、处理、交互等），终端功能受限。

新兴技术方向

1. 存算一体：通过存储介质直接计算（如SRAM、ReRAM、PCM等）突破冯·诺依曼架构瓶颈，但面临器件成熟度低、设计工具不足等产业化挑战。
2. 类脑智能：借鉴生物神经机制，发展脉冲神经网络（SNN）等低功耗计算模型。SNN通过积分-发放机制与自适应脉冲频率降低功耗，但需解决时空动力学建模及脉冲信号获取的难题。
3. 端边云协同：形成“以算为中心”的分布式架构，分为纵向（端-边-云资源调配）与横向（端端协作）协同。纵向需优化模型训练与推理部署；横向则通过D2D技术实现数据共享、任务卸载及群体智能协作，但存在激励机制设计、通信协议优化与数据安全等挑战。

未来展望与建议

• 工程化与产业化：推动存算一体技术发展，构建自主可控的计算芯片生态；加速低功耗类脑智能算法成熟，提升端侧处理能力。
• 跨学科协同：整合脑科学、材料学与计算技术，攻克神经形态算法与仿生器件瓶颈。
• 标准体系构建：完善端边云协同技术架构，制定通用软件运行环境与行业标准，促进技术落地。
• 生态合作：需产学研联合突破技术碎片化问题，优化硬件兼容性与软件工具链，实现6G物联网高效、安全、灵活的端侧计算支持。

本白皮书强调，端侧计算将在6G时代成为核心驱动力，但需克服芯片算力瓶颈、功耗限制及协同效率问题，通过技术创新与产业协作实现全面赋能。