> **来源：[研报客](https://pc.yanbaoke.cn)** # AI Edge 需求、愿景与潜在关键技术白皮书 # Requirements, Vision, and Potential Key Technologies for AI Edge White Paper AI Edge 联盟 2026.01 # 目录 # 前言 4 # 1. 背景与需求 4 1.1 DOICT 融合的产业与技术背景 4 1.2.全球研发现状 5 1.2.1 ITU-R 6G“通智融合”愿景 5 1.2.2 产业界研发现状 1.2.3学术界研发现状 7 1.3 需求与驱动力 10 # 2.AI EDGE的技术内涵 11 2.1 AI EDGE 的定义与关键特征 11 2.1.1 定义 11 2.1.2 AI Edge 的三大关键特征 ..... 11 2.2 AI EDGE的技术优势 12 2.3 AI EDGE 的创新理念 13 # 3.AI EDGE的典型应用场景和潜在价值 14 3.1工业机器人与智能制造 14 3.1.1 场景描述 14 3.1.2 潜在价值分析 15 3.2 智慧能源与电网调度 15 3.2.1 场景描述 15 3.2.2 潜在价值分析 16 3.3 智慧农业与无人农机 16 3.3.1 场景描述 16 3.3.2 潜在价值分析 17 3.4 低空无人机通信与监管 17 3.4.1 场景描述 17 3.4.2 潜在价值分析 18 3.5 具身机器人训练场 19 3.5.1 场景描述 19 3.5.2 潜在价值分析 19 3.6 EDGE 增强的沉浸式 XR 20 3.6.1 场景描述 20 3.6.2 潜在价值分析 21 3.7智能驾驶与车路协同 22 3.7.1 场景描述 22 3.7.2 潜在价值分析 22 # 3.8应急通信与保障 23 3.8.1 场景描述 23 3.8.2 潜在价值分析 23 # 3.9 智慧体育 24 3.9.1 场景描述 24 3.9.2 潜在价值分析 25 # 4.AI EDGE的技术方向与主要挑战 27 # 4.1 系统架构 27 # 4.2 AI for Edge 技术 ..... 29 4.2.1 AI for Edge 的兴起 29 4.2.2 AI for Edge 的核心价值 ..... 29 4.2.3 边缘网络对AI的核心需求 30 4.2.4 AI for Edge 性能提升的关键路径 31 4.2.5 AI for Edge 技术的测试验证方法论 33 # 4.3 AI over Edge 技术 ..... 34 4.3.1 多模态感知与融合处理 35 4.3.2 模型轻量化与低时延推理技术 35 4.3.3 云边端大中小模型协同技术 36 4.3.4 AI Agent 技术 ..... 38 4.3.5 面向具身智能的端到端信息服务技术 40 4.3.6 数据安全与隐私 41 # 4.4芯片与算力底座 43 4.4.1 通感智算控融合的芯片架构创新 44 4.4.2 全域异构算力智能调度引擎 45 4.4.3 智能算力开放生态体系 47 # 4.5 AI Edge系统、平台与测试 49 4.5.1 AI Edge 系统与平台 49 4.5.2 AI Edge 测试 ..... 50 # 5.总结 52 # 参考文献 52 # 缩略词列表 56 # 白皮书贡献者列表 58 # 前言 移动通信网络正突破传统的单一连接服务，加速向通信、感知、智能、计算、控制一体化的综合信息服务升级演进。通信网络的功能将进一步下沉，形成通感智算控超融合的超级边缘网络节点，通过网络连接资源、算力资源、存储资源的平台化和开放化，为用户提供低时延、智能化、定制化的服务，满足5G和6G多场景业务开放的发展需求。在这一背景下，AI Edge应运而生。AI Edge是一种综合移动信息服务基础设施，它基于网络内置的异构开放性可编程共享算力基座，在感知信道环境和用户需求的基础上，实现数据技术、运营技术、信息技术、通信技术(data technology, operation technology, information technology, communication technology, DOICT)的深度融合，并对移动边缘信息服务、网络功能虚拟化、网络内生AI与自治等功能进行按需编排。本白皮书对AI Edge的背景、发展驱动力、国内外研究现状、基本技术内涵与核心特征、典型应用场景与潜在价值等进行了系统性阐述，并围绕AI Edge系统架构，AI for Edge技术，AI over Edge技术，芯片与算力底座，AI Edge系统、平台与测试等技术方向进行了深入探讨，指出了AI Edge可能的研究方向与技术挑战。 # 1. 背景与需求 # 1.1 DOICT 融合的产业与技术背景 在数字化浪潮的席卷下，DT（数据技术）、OT（运营技术）、IT（信息技术）、CT（通信技术）正以前所未有的态势深度融合，这一融合趋势是产业变革与技术创新双轮驱动的必然结果。 从产业角度看，全球各行业正加速数字化转型进程。制造业期望借由技术融合实现智能制造升级，提升生产效率、降低成本、提高产品质量与定制化水平。例如汽车制造企业，利用DT对生产线上海量数据进行挖掘分析，借助OT精准控制生产流程，依靠IT搭建智能化管理系统，通过CT实现设备间及工厂与外部的高效通信，构建起高度自动化与智能化的生产体系。能源行业同样如此，在智能电网建设中，DT用于分析电力供需数据，OT保障电力系统稳定运行，IT实现能源管理信息化，CT支持电力数据实时传输与远程控制，提升能源利用效率与供电可靠性。从技术角度看，各技术自身发展遭遇瓶颈，亟待融合突破。CT领域，5G虽带来显著性能提升，但面对工业互联网、自动驾驶等场景对低时延、高可靠、海量连接的严苛要求，仍显不足，需与其他技术协同；IT领域，云计算发展促使计算资源集中化，但数据传输时延与隐私安全问题制约其在部分场景应用，需借助边缘计算等融合手段优化；OT长期专注工业特定场景，在数字化转型中，其系统封闭性、数据处理能力局限凸显，急需引入DT与IT技术实现开放互联与智能升级。DT则需依托CT、OT、IT获取多源数据，并借助它们实现数据价值落地。 # 技术趋势1：智能化协同演进 AI作为DT核心，将深度嵌入OT、IT、CT。在OT中，AI助力工业机器人实现更精准灵活操作，基于实时感知数据做出智能决策；IT领域，云计算平台借助AI实现资源智能调度，提升服务质量；CT方面，通信网络利用AI优化网络规划、故障诊断与流量管理，实现网络自优化、自愈合。多技术融合下的智能化，正朝着端到端智能协同方向 发展，从设备层、网络层到应用层，形成统一智能决策体系，如智能工厂中设备运行状态实时感知、网络传输自动优化、生产计划动态调整的协同闭环。 # 技术趋势：2：边缘融合增强 边缘计算成为DOICT融合关键枢纽。在网络边缘，CT提供网络连接，OT设备产生数据，IT提供计算与存储资源，DT进行数据分析处理。通过边缘融合，数据无需全部上传至云端，可在本地快速处理，降低时延、减轻网络负担、保障数据安全。例如在智能交通中，路侧边缘节点实时处理摄像头采集的交通流量数据（DT），结合交通信号灯控制（OT），通过无线通信（CT）反馈至车辆与交通管理中心，同时利用边缘计算（IT）能力实现实时决策，优化交通信号配时。 # 技术趋势3：统一标准与开源生态构建 随着融合深入，建立统一标准与开源生态至关重要。目前各行业技术标准不一，阻碍DOICT融合大规模推广。例如工业通信协议众多，不同厂商设备难以互联互通。为此，产业界正积极推进标准化工作，如制定统一的数据接口、通信协议、安全规范等。开源项目也不断涌现，促进技术共享与创新，降低企业技术研发门槛与成本，吸引更多参与者构建融合技术生态。 # 产业价值1：提升产业效率与创新能力 DOICT融合打破行业信息孤岛，实现数据自由流通与深度挖掘，催生新业务模式与应用。以医疗行业为例，通过CT实现医疗设备远程通信，IT搭建医疗信息系统，DT分析患者病历、影像等数据，OT保障医疗设备精准运行，可开展远程医疗、智能诊断等创新服务，提升医疗效率与质量，为患者提供更便捷、精准医疗服务。制造业通过融合实现供应链协同优化、生产过程实时监控与智能排产，大幅提升生产效率与资源利用率。 # $\succ$ 产业价值2：优化用户体验与服务质量 在消费领域，融合技术为用户带来更智能、便捷体验。智能家居借助DOICT，用户可通过手机远程控制家电（CT通信），设备自动感知环境与用户习惯（OT感知、DT分析），并智能调节运行状态（IT控制），营造舒适、节能居住环境。智能出行中，基于CT通信与DT数据分析，导航系统实时规划最优路线，车辆自动驾驶辅助系统（OT与IT结合）保障行车安全，提升出行效率与舒适度。 # 产业价值3：促进产业升级与经济增长 DOICT融合推动传统产业向数字化、智能化转型，培育新兴产业，成为经济增长新引擎。传统农业借助融合技术发展智慧农业，实现精准种植、养殖，提高农业生产效益，推动农业现代化。同时，催生工业互联网、智能物流、数字金融等新兴产业，创造新就业岗位与经济增长点，提升国家整体产业竞争力，促进经济可持续发展。 # 1.2. 全球研发现状 # 1.2.1ITU-R6G“通智融合”愿景 在信息技术飞速发展的当下，通信与AI的融合已成为6G发展的关键趋势。2023年6月，国际电信联盟无线电通信部门（ITU-R）发布的《IMT面向2030及未来发展的框架和总体目标建议书》，明确将“人工智能与通信的融合”列为6G的六大应用场景之一，为全球6G发展锚定方向。 从ITU-R相关工作组的输出看，在未来6G网络中，AI不再是通信的辅助，而是深度嵌入通信系统的各个环节。一方面，通信系统为AI提供无处不在的连接，使AI服务 能触达各类设备与用户，实现普惠智能。比如在分布式AI模型训练中，6G网络可凭借其高容量、低时延、高可靠的通信能力，助力智能终端间高效交互数据与模型，保护用户隐私的同时提升训练效率。 另一方面，AI赋能通信系统，实现智能化运维与性能优化。借助AI算法，6G网络能对海量数据实时分析，智能调配通信资源，快速响应网络拥塞、信号干扰等问题，提升网络的灵活性与自适应性。以协作机器人在6G场景中的应用为例，通过网络原生智能提供的实时模型推理能力，可满足其对低时延、高推理精度AI服务的严苛需求。 此外，ITU-R识别的面向IMT-2030（6G）的新兴技术趋势中，原生AI（AI空口设计和AI无线网络）是重要一项，这意味着从空口设计、网络架构搭建等底层环节，AI与通信将深度协同，构建全新通信范式，6G不仅需要承担通信连接型基础设施的角色，还需要在体系结构中原生引入对AI的支持。6G承载的AI应用将具备AI需求碎片化、覆盖立体化、交互多样化、AI业务开放与定制化、以及能力一体化的特征。通过在连接、算力、数据和算法等多维度资源上的深度融合与优化，6G能够有效保障AI服务质量，这也将成为推动服务层面变革的重要驱动力。 # 1.2.2 产业界研发现状 # AI-RAN 联盟 AI-RAN联盟（AI-RAN Alliance）是一个专注于推动人工智能（AI）与无线接入网络（RAN）深度融合的国际合作组织，成立于2024年2月26日，在西班牙巴塞罗那的GSMA世界移动通信大会（MWC2024）上正式宣布成立。AI-RAN联盟的成立旨在通过将AI技术融入蜂窝通信网络，提升无线接入网络的性能、效率与灵活性，推动5G和即将到来的6G网络发展。其核心使命包括：提高移动网络效率，降低功耗，改造现有基础设施，为电信公司在5G与6G时代利用AI创造新商机。AI-RAN联盟将研究和创新重点聚焦于以下三大领域：1）AI for RAN：利用AI提升无线接入网络的频谱效率、能效和成本效益；2）AI and RAN：将AI与RAN流程深度融合，实现资源高效利用和AI驱动的收入模式创新；3）AI on RAN：在RAN边缘部署AI服务，提升运营效率，并为终端用户提供新型智能服务。在2025MWC巴塞罗那展会上，AI-RAN联盟展示了涵盖AI-for-RAN、AI-and-RAN及AI-on-RAN等多项演示，内容涉及空口技术、节能措施、频谱感知以及网络编排等多个关键领域。 # Next G Alliance（美国下一代移动网络联盟） Next G Alliance 将 AI 定义 6G 网络“能力倍增器”，在其发布的《6G 技术路线图》中提出“AI 驱动的网络自治”体系。该体系包含三级智能架构：边缘层聚焦实时决策（如毫秒级干扰抑制），区域层负责协同优化（如跨基站资源调度），核心层承担全局策略（如业务负载预测）。联盟重点验证了 AI 在动态频谱共享中的应用，通过强化学习算法实现授权与非授权频谱的自适应分配，使频谱利用率提升 $40\%$ 以上。其观点认为，通信与 AI 的融合需构建“硬件-算法-数据”协同生态，目前正推动芯片级 AI 加速单元标准化，并联合高校开展联邦学习在网络优化中的安全性研究。 # $\succ$ 欧盟 $\mathrm{HeXa - X}$ 项目 HeXa-X 作为欧盟 6G 旗舰项目，提出“AI 原生网络架构”理念，将 AI 深度嵌入从空口到核心网的全栈设计。其发布的第二阶段技术报告明确三大方向：一是 AI 驱动的通感算融合，通过多任务学习模型实现通信、感知、计算资源的联合调度；二是网络智能编排，基于数字孪生与强化学习实现端到端业务质量保障，在工业场景验证中使服务可用性达 $99.999\%$ ；三是可信 AI 框架，通过联邦学习与差分隐私技术解决数据安 全与模型鲁棒性问题。项目强调，6G需建立“AI即服务”（AIaaS）平台，目前已完成跨厂商AI模型接口规范，为产业链协同提供技术基准。 # > 6GANA（6G Network AI 联盟） 6GANA 成员包括运营商、设备制造商、互联网服务提供商和高校等 31 个组织，其的使命和目标是从技术和生态系统的角度积极推动 6G 网络的 AIaaS 化。具体而言，6GANA 旨在通过在整个生态系统内开展联合研究，凝聚网络 AI 共识，涵盖信息和通信技术（ICT）设备制造商（例如芯片制造商、网络基础设施提供商和移动网络运营商）、垂直行业、AI 服务提供商、AI 解决方案提供商、AI 学术界和其他利益相关方，推动 AI 成为 6G 网络的一项新能力和服务，加速泛在智能时代的到来。6GANA 以“网络与 AI 双向赋能”为核心命题，构建了“三横三纵”技术体系：横向覆盖网络架构、数据治理、安全可信三大领域，纵向贯穿需求定义、技术研发、产业落地三个阶段。其发布的《6G 内生智能白皮书》系统提出 AI4NET（AI 增强网络）与 NET4AI（网络支撑 AI）协同范式：在 AI4NET 方面，验证了基于图神经网络的网络故障自愈方案，恢复速度提升 $50\%$ ；在 NET4AI 方面，设计边缘 - 云端协同的模型训练框架，使分布式训练效率提升 3 倍。联盟通过跨行业工作组推动技术落地，目前已在车联网、工业控制等场景形成 12 项技术规范，推动通信与 AI 融合从概念走向产业化。 # > IMT-2030（6G）推进组 IMT-2030推进组将“智联万物”作为6G核心愿景，在《6G总体愿景与潜在关键技术》中明确通信与AI融合的“双螺旋”发展路径。一方面，推动AI重构通信系统，在空口设计中引入深度学习辅助的波形优化，使复杂环境下通信速率提升 $25\%$ ；另一方面，构建支撑AI服务的通信基础设施，提出“智能体通信网络”（ACN）概念，通过超低时延通信保障边缘AI实时推理。推进组联合产学研单位建立了6G AI测试床，完成智能超表面与AI协同传输等关键技术验证，并形成《6G AI技术白皮书》，为全球6G标准制定提供中国方案。其强调，融合发展需平衡技术创新与产业成熟度，目前正推动AI模型轻量化与通信协议简化的协同优化。 # 1.2.3 学术界研发现状 通感智算融合不仅是产业界的共识，也是学术界关注的前沿方向。在通信与AI融合领域，前期已有大量研究工作基于AI赋能通信系统性能优化，在物理层增强、频谱效率提升、网络故障诊断、能效优化等方面取得丰硕成果，近一两年来，研究主要聚焦于生成式AI技术在通信网络中的应用；在通信与感知融合领域，目前研究的焦点已由通感频率共享共存、通感射频硬件与软件资源共享互惠逐步迈向多站协同无线通感、多模态网络通感融合等全新阶段，并将应用场景由车联网车辆目标感知、低空无人机目标监测等拓展至智能交通、安防监控等；在通信与计算融合领域，学术界主要是沿着四条路径开展研究工作：外挂式算力（如移动边缘计算MEC）、网络化算力（将算力信息嵌入路由协议）、内生算力（如C-RAN、O-RAN）和智能算力（如AI-RAN）。下面对若干主要研究方向的最新进展做一简要介绍。 # $\succ$ 电信基础大模型 大语言模型（LLMs）有望彻底改变第六代移动通信网络（6G）的设计范式，然而当前主流的LLMs普遍缺乏电信领域的专业知识。在此背景下，来自阿布扎比科学创新研究所以及哈利法大学的研究团队首次提出了一种将通用LLMs应用于电信领域的设计框架[1]。评估结果显示，微调后的LLM TelecomGPT在电信数学建模基线测试中显著超越了最先进的LLMs，包括GPT-4、Llama-3和Mistral，并在TeleQnA、3GPP技术文档分类、电信代码摘要与生成及代码补全等各种评估基线中表现出色。 # $\succ$ AI辅助的物理层设计 在物理层通信方面，第一个典型的用例是波束成形。AI模型经过大量波束成形场景数据集的预训练，能够预测可最大化信号强度并最小化干扰的最佳波束。这可以通过利用多模态来提供有关阻塞概率以及用户状态和活动的附加信息来实现。第二，AI模型可用于上行链路和下行链路传输之间的信道状态信息（CSI）估计目的。通过自注意力机制和AI模型的生成能力，设想模型将能够捕捉上行链路和下行链路传输之间的固有关系，并利用3D多模态环境数据（包括摄像头、雷达、激光雷达和GPS）以选择最佳的上行链路和下行链路波束对，在特定用户位置处，使到达角和离开角完美对齐。第三，在毫米波波束预测方面，东南大学团队将毫米波（mmWave）波束预测问题转化为时间序列预测任务，通过跨变量注意力机制聚合历史观察数据，并使用可训练的分词器将其转化为基于文本的表示，借助Prompt-as-Prefix（PaP）技术进行上下文增强，利用LLM的强大能力来预测未来最优波束[2]。第四，在信源信道联合编码领域，目前已经研究将信道和信源编码集成到语义感知的JSCC中，生成式AI模型有助于实现高效的JSCC方案，以改善无线通信性能[3]。 此外，生成式AI也被用于增强接收机性能。扩散模型(Diffusion Models，DM)可以逐步学习去除噪声，近年来在人工智能生成内容(AIGC)中得到了广泛的应用。为了验证DM是否可以应用于无线通信，以帮助接收机消除信道噪声，上海交通大学研究团队在GLOBECOM 2023上提出了无线通信的信道去噪扩散模型(CDDM)[4]。CDDM可以作为信道均衡后的一个新的物理层模块来学习信道输入信号的分布，然后利用所学到的知识来去除信道噪声。实验结果表明，CDDM可以进一步降低均方误差(MSE)，具有更好的性能。 为实现对无线信道的高效表征，鹏城实验室团队提出多任务无线基础模型WirelessGPT，该模型采用基于类BERT的Transformer架构，并通过三轴注意力机制、多尺度数据编码等技术以适配无线应用，可赋能信道估计、信道预测、定位、行为识别等多种通感任务[5]。北京邮电大学团队基于大语言模型微调的思路构建了无线信道基础模型ChannelGPT和ChannelDS，在信道预测等下游任务上性能优异[6]。北京大学团队提出“机器联觉”概念，基于任务驱动的AI原生思想，实现通信与多模态感知智能融合。其研发的基于预训练大语言模型的信道预测方案LLM4CP、无线物理层多任务方案LLM4WM，以及无线基座模型WiFi，为6G网络通信感知融合提供新思路[7]。 # AI赋能无线感知 深度学习(DL)模型从根本上促进了无线感知方案的发展，其中射频数据可以被获取并映射到二维图像，用于感知应用，包括定位、遥感和资源分配；生成式AI模型可以实现高效的多模态定位方案。这些AI模型的通用性和自注意力性质，可以成为检测网络用户和节点的上下文和情境信息的关键，捕获多个图像之间的相互位移，并将这些图像及其变化与无线信号的相应电磁行为相互关联。 射频信号生成技术对于无线感知系统有着重要的意义。为了填补目前高质量时序RF信号生成模型的缺失，文献[8]建立了一种新型的时频域扩散理论（Time-Frequency Diffusion Theory），提出了首个针对射频信号的生成式扩散模型RF-Diffusion，实现了时间序列射频信号的多样化、大规模、高精度自动生成，并成功将其应用于Wi-Fi感知数据增广、FDD信道估计等一系列关键任务中。 # 生成式AI辅助的语义通信 语义通信(SemCom)在构建背景知识库用于训练语义编码模型的过程中面临诸多挑战，最近出现的生成式人工智能(GAI)技术有望协助SemCom中的背景知识构建，增强语义编码模型的推理能力。在此背景下，文献[9]提出了一种GAI辅助的SemCom框架，通过使用GAI根据用户上下文信息来辅助生成用于训练语义编码模型的样本。与传统 SemCom 相比，Gen-SC 在原始训练样本不足的情况下具有更高的语义精度。文献[10]提出了一个专用于图像数据的基于 AI 大模型的语义通信框架(LAM-SC)。设计了基于 SAM 的知识库(SKB)，并提出了一种基于注意力的语义集成(attention-based semantic integration, ASI)方法和一种自适应语义压缩(adaptive semantic compression, ASC)编码方法。文献[11]提出了一种基于预训练基础 AI 模型（Foundation Model）的通用生成式语义通信框架。该框架包括三大核心模块：多模态语义分解与合成、语义感知的多流传输和低延迟的语义功率分配。 # $\succ$ 基于大模型的多智能体 大语言模型（LLM）的快速发展为6G通信带来了巨大的机遇，例如允许用户通过自然语言向LLM输入任务要求来进行网络优化和管理。然而，直接将原生LLM应用到6G会遇到各种挑战，例如缺乏专业的通信数据和知识，模型逻辑推理、评估和优化能力有限。为了解决上述挑战，文献[12]设计了一个用于6G通信的LLM增强型多智能体系统，该系统构建了面向6G通信的专业知识库和工具，并拥有超越原始LLM的规划、记忆、工具利用和反省能力。 # $\succ$ 基于云边端协同的AIGC服务 为了提供低时延与定制化的AIGC服务，采用协作式的云边端AIGC框架十分必要。部分高性能终端设备可以直接运行AIGC模型来为自身提供服务，相比于边缘计算，响应实时性以及安全性进一步提高。同时，移动终端设备可以将AIGC任务卸载到边缘或者云端服务器，实现灵活的服务配置。考虑到终端设备的轻量性，通常在设备上运行的模型需要进行压缩量化处理以降低计算、存储资源开销。文献[13]提出了一种边缘适配器模型，通过该模型可以实现推断准确性、时延以及资源消耗三者之间的折衷关系。在架构设计方面，文献[14]提出了一种自下而上的BAIM架构，最大化用户数据与边缘专家模型提取的知识利用。该架构有效结合Pathways和混合专家模型（MoE），通过云端大模型与边缘小模型的协同工作，提升了生成式AI服务的效率和用户体验。 # $\succ$ 面向AI任务的无线网络架构设计 当前的无线网络设计为“数据管道”，不适宜容纳和利用GenAI的能力。为此，文献[15]提出了一种网络架构，整合GenAI能力以管理网络协议和应用程序。通过构建基于语义的GenAINet，从多模态原始数据中提取语义概念，构建表示它们语义关系的知识库，然后由GenAI模型用于规划和推理。在此模式下，代理能够从其他代理的经验中迅速学习，以便更好地决策并更高效地通信。文献[16]提出了内生智能网络架构NetGPT，利用云边计算中的资源不均衡，实现了云端和边缘之间不同规模LLM的高效协同。与具有解耦通信和计算资源的AI外生网络相反，NetGPT可以利用融合通信和计算为边缘部署较小的LLM，为云端部署较大的LLM，并有意地实现云边协同计算，以提供个性化的内容生成服务。 # $\succ$ 基于大模型的无线资源管理与优化 由于用户需求的范围不断扩大，优化各种无线用户任务对网络系统提出了重大挑战。尽管深度强化学习(DRL)取得了进步，但需要为个人用户定制优化任务，这使得开发和应用大量的DRL模型变得复杂，导致大量的计算资源和能源消耗，并可能导致不一致的结果。为了解决这个问题，文献[17]提出了一种新的方法，利用混合专家(MoE)框架，辅以大型语言模型(LLM)，有效地分析用户目标和约束，选择专业的DRL专家，并权衡参与专家的每个决策。论文提出的方法减少了为每个独特的优化问题训练新的DRL模型的需要，降低了能耗和人工智能模型的实现成本。 # $\succ$ 面向个性化需求的服务质量保障技术 个性化服务应当成为未来6G网络的重要能力之一。文献[18]提出了多维指标融合的概念来量化和满足高度差异化的用户需求。该工作提出了“服务需求区域”（Service Requirement Zone，SRZ）的概念，用于在用户侧刻画和可视化个人任务的综合服务需求。SRZ通过一个八维雷达图来定义，涵盖了时延、能耗、存储、速率、安全隐私、可靠性、知识和成本八个关键性能指标，为用户的个性化体验质量（QoE）设定了明确的边界。在此基础上，该工作进一步引入了“用户满意度”（User Satisfaction Ratio，USR）作为系统侧的评估指标，用以衡量系统在满足不同SRZ任务上的整体服务能力。这些概念为实现以每个人为中心的定制化服务提供了理论基础和评估框架，对AI下沉至边缘，实现精细化、个性化的资源调度与服务保障具有重要的参考价值。 为推进通信与AI大模型融合领域的研究和全球合作，IEEE通信学会于2024年初成立了通信大模型新兴技术委员会（GenAINETI）。该ETI是一个由全球学者和工业界专家参与的学术组织，主要目标是为探讨通信网络大模型技术搭建一个开放的研究平台，去年5月，GenAINETI发布了学术界首个通信网络大模型研究论文集，对相关领域的最新研究成果进行了汇总[19]。 # 1.3需求与驱动力 跨界融合、不断拓展应用边界是移动通信发展的重要趋势。5G技术的多场景应用需求，带动了网络功能虚拟化与切片化的发展以及ICT技术的深度融合。未来6G垂直行业应用，特别是工业互联网应用，将进一步促进DT、OT、IT及CT的技术超融合。基于网络内置的异构开放性可编程共享算力基座，为垂直行业用户提供智能化、确定性、定制化以及低时延的通感智算控综合移动信息服务将成为可能。作为DOICT技术超融合的重要载体，边缘(Edge)网络凭借其靠近用户所带来的低时延优势体现出独特的价值。 一方面，随着人工智能技术的快速发展，催生了对算力的强烈需求。当前，算力资源已不再局限于云计算中心所提供的集中式、规模化处理能力，更广泛的分布于网络边缘侧及各类终端设备中。在这一背景下，如何高效整合利用分布式算力资源，实现算力的“随取随用”，并延伸算力的触角为垂直行业的智能应用提供低延迟、高可靠的算力服务，实现“compute anywhere”的泛在智能愿景，是人工智能发展迫切需要解决的挑战。边缘网络内部集成的分布式算力可以作为一种新型网络资源，通过对碎片化算力的聚合利用，能够提供“最后一公里”的算力送达服务，构建算力资源不可或缺的网络化延伸。 另一方面，自动驾驶、数字低空、机器人、智慧工厂等新兴业务场景对端到端时延、抖动和可靠性提出了极为严格的要求。为实现更贴近用户的高质量服务能力，网络功能正在持续向边缘侧下沉，构建起分布式、层次化的智能服务新范式。通过对移动边缘网络资源的灵活高效共享，能够实现移动网络功能及智能信息服务在网络边缘的就近部署，并借助边缘网络的连接和感知能力与物理世界充分交互，实现感知、推理与执行的快速闭环，赋能新型AI智能体终端，如低空无人机、机器人、自动驾驶等多种低时延具身应用。 # 2.1 AI EDGE的定义与关键特征 # 2.1.1 定义 AI Edge是面向智能应用的综合移动信息服务基础设施，基于开放性可编程统一算力构架，同时实现三大功能： - 移动边缘信息服务 $\bullet$ 网络功能虚拟化 $\bullet$ 网络内生AI与自治。 AI Edge：面向智能应用的综合移动信息服务基础设施 图1 AI Edge的定义 # 2.1.2 AI Edge 的三大关键特征 AI Edge具备共享化、可扩展、层级化等关键特征，具体论述如下。 共享化：AI Edge 高度兼容 CPU、GPU、NPU、FPGA、SoC 等异构算力，并通过软件可编程的方式实现通信、AI、感知、网络控制与计算服务在同一硬件底座上的功能集成和能力共享。具体的，CPU、GPU、NPU、FPGA、SoC 等多种异构计算硬件构建成统一的算力底座，通过虚拟化与池化技术，将不同硬件的计算资源整合为统一的虚拟算力资源池。该资源池通过设计标准化的统一软件接口，实现对异构算力的集中调用与灵活调度，从而促进算力资源的共享与按需使用。通信信号处理、AI 服务、边缘感知、网络控制等功能无需关注底层硬件差异，可直接从虚拟算力池中获取所需计算资源。借助统一的调度器与协同管理机制，系统能够动态响应业务需求，实现资源的弹性分配与高效管理，提升整体算力利用效率和业务部署的灵活性。 可扩展：AI Edge 不仅在横向维度上跨域整合相邻基站的算力资源，构建弹性可拓展的边缘算力网，也在纵向维度上通过云边端的高效协作，实现跨层级的分布式智能， 支撑移动信息服务在全域网络上的可扩展性。具体的，一方面，AI Edge构建了支持多节点高速互联的边缘算力网络，依托算力感知、算力路由、算力调度等机制，通过计算任务分解与迁移、模型跨域协同推理、数据并行训练等方法，跨域整合多个边缘节点的算力资源，从而在横向上拓展了AI Edge的协同计算能力。另一方面，AI Edge也在纵向上贯通云、边、端层次化网络的异构算力资源，通过大小模型在云侧、边缘侧、终端侧的自适应部署，实现多尺度算力的动态配置与高效利用。进一步的，通过大小模型的在网协同推理、双向更新、协同进化等机制，有效促进了集中式规模化算力与分布式碎片化算力之间的深度协作，全面提升包括推理时延和设备能耗在内的多维度服务质量。 (a) 共享化 （b）可扩展 （c）层级化 图2 AI Edge的核心特征 层级化：AI Edge 充分融合 AI 领域的最新理念和技术，通过信道基础模型（如 WirelessGPT）表征复杂无线环境，有效利用共享底座，并基于 Agentic AI 技术将用户需求直接映射为通信网络的基础能力，进而调用相应功能，按需实现从毫秒级到秒级的实时、近实时、非实时的分层次网络自主管控。具体的，AI Edge 基于信道基础模型，对无线信道及信号的时间域、空间域、频率域等多维度之间的关系进行刻画表征，并在此基础上，通过内生于无线接入单元和基带处理单元的多种下游任务模型完成信道估计、信道预测、波束管理、干扰抑制、解码优化等通信子任务，实现对于射频及基带信号的毫秒级的实时优化处理。同时，AI Edge 借助部署于边缘节点中的智能优化器，实时感知并解析用户需求，动态生成近实时的网络智能调控策略，从而显著提升用户体验。此外，AI Edge 通过边缘算力网络的协同计算，生成面向跨节点通信、感知与计算资源的非实时、高性能全局管理方案，实现多边缘节点资源的高效协同与统一编排。 # 2.2 AI EDGE 的技术优势 基于以上特征，AI Edge展现出显著的优势与价值，具体如下所述。 首先，AI Edge基于共享底座，实现DOICT技术能力互通和算力资源共享，并原生支持感知、控制、转发、路由、数据管理等新的网络功能，从而显著地提升网络资源的利用效率。基于通信、感知、计算、控制、智能五位一体深度融合与高效协作，实现了环境感知、数据传输、智能分析到精准控制的全链路闭环支撑，为智能应用提供了端到端的融合服务支持。 图3 AI Edge的重要优势 其次，通过将云、基站与终端在内的海量分布式算力汇集，不仅实现了算力的“开源”，更是将众多终端由单纯的算力消耗者转变为算力的供给者，从而实现可用算力和智能服务能力随网络规模扩大而同步递增，使能大规模AI应用。在AI Edge中，人工智能能力不再局限于某个遥远的“云端大脑”的集中化处理，而是通过深度嵌入亿万终端与网络设备，构建起一个与物理世界紧密耦合、持续感知与计算的泛在神经网络，构建了无处不在、无缝衔接的普适智能服务新范式。 再次，通过原生AI能力的构筑，主动感知复杂无线环境和差异化用户服务需求，促进通信网络的服务范式由“被动响应”向“主动预测”转变，从而实现从“尽力而为”到“按需保障”的跨越，为传统“管道”注入新的价值增长点。通信网络不再局限于传统的数据传输与连接功能，而是通过嵌入感知、认知与决策能力，基于对业务意图、用户行为及环境状态的超前预测与智能编排，自主调配算力、存储及通信资源，动态优化服务路径与质量，为用户提供精准、自适应、个性化的智能服务体验。 # 2.3 AI EDGE的创新理念 AI Edge 的创新理念将体现在四个方面，具体如下所述。 第一，革新网络技术：AI Edge 打破了传统 5G 系统中无线接入网（RAN）、用户面功能（UPF）、网络控制、移动边缘计算（MEC）分立实施的模式，支持 RAN、AI 推理、边缘感知与控制执行的 DOICT 技术深度集成，推动 RAN 发展成 RCN（Radio Computing Network），从而赋予移动通信网络新的内涵。此外，AI Edge 还有望通过对全域环境的认知获得对于物理环境、业务特性、网络负载、用户习惯等的精准刻画，从而实现网络的自学习、自优化、自演进。 第二，拓展边缘概念：在传统移动网络中，Edge是单一边缘网络功能实体，而AI Edge将构建分布式、云边端协同的共享算力底座，实现AI服务能力的分布式部署和跨层跨域扩展。在AI Edge中，终端设备不再视为孤立的数据采集点或单纯的服务消费端，而是内生为Edge的一部分，增强了边缘层的感知、计算与响应能力，构建了协同化、智能化、全域联动的泛在边缘节点网络。 第三，增强AI能力：AI Edge所支持的AI应用并非单纯的信息检索、内容生成、任务规划等，而是借助网络的连接和感知能力与物理世界充分交互，实现“感知、推理与执行”的快速闭环，促进网络内生AI的实际应用落地；通过实际数据反哺AI模型，推动AI发展范式迈向可实时感知与推理的AI。AI模型不再是固定的神经网络参数集合，而是成为具备主动感知、动态适应、持续更新、自主进化的新一代智能体，为构建下一代可持续、自适应人工智能奠定了关键技术基础。 第四，重构交互范式：AI Edge基于Agent技术实现用户意图理解和自动化的编排调度，从而打破了传统的基于固定协议和流程的交互方式，实现基于意图的智能交互。具体的，通过对用户语音、文字输入的分析理解，识别用户对于网络服务质量的个性化 需求，自动生成动态的网络配置策略，驱动底层物理功能单元进行高效配置，从而实现“用户表达”到“系统响应”的闭环智能服务。 # 3.AI EDGE的典型应用场景和潜在价值 AI Edge 通过“通感智算控”一体化能力，正在重塑产业数字化的底层逻辑。从技术层面看，其突破了传统通信网络“连接为本”的局限，将通信（泛在互联）、感知（环境洞察）、智能（实时决策）、计算（边缘算力）、控制（精准执行）深度耦合，形成闭环协同的技术体系。这种融合不仅带来性能跃升——如工业场景中设备响应时延从秒级压缩至毫秒级，低空场景中空域管控精度提升至米级，更重构了产业价值分配模式。 在商业维度，AI Edge 催生了“能力即服务”的新范式：硬件厂商从销售设备转向提供“终端 + 边缘节点”的长期服务，算法企业通过模型订阅实现持续收益，行业客户则按实际价值付费（如按每降低 $1\%$ 故障率结算）。这种模式推动产业链从“一次性交易”向“共生增值”转型，预计到2030年，仅在智能制造、智能交通、低空经济三大领域，AI Edge相关市场规模将突破5000亿美元，成为数字经济增长的核心引擎。 # 3.1 工业机器人与智能制造 # 3.1.1 场景描述 在工业生产环境中，AI Edge 的“通感智算控”技术体系为工业机器人打造了“精准感知－智能决策－高效执行”的工作闭环。工业机器人配备多种传感器，如视觉相机、力传感器、激光雷达等，通过5G或工业以太网等通信技术，与边缘计算节点实时交互数据，对周围环境中的物料位置、形状、装配精度要求，以及自身关节状态、运行轨迹等信息进行全方位感知（通感）。 车间内边缘节点通过工业无线（如5G-Advanced）与物联网传感器，实时采集设备振动、温度、能耗等数据（通感）；边缘AI模型（如基于联邦学习的电机故障诊断算法）在本地化算力支撑下（算），实现设备异常的毫秒级识别与根因分析（智）；进而联动PLC控制系统自动调整机床参数、触发停机预警或调度维修机器人（控），构建无人化生产体系。 边缘AI算法利用本地化的算力资源，对感知数据进行快速分析与处理。例如，基于深度学习的视觉识别算法，能精准识别流水线上不同型号的零部件，确定其抓取位置与姿态；通过对力传感器数据的实时解析，调整机器人抓取力度，避免损坏精密部件。同时，边缘系统结合生产任务与实时工况，运用智能调度算法生成机器人最优行动策略，如在多机器人协同作业场景中，规划各机器人的作业顺序与路径，避免碰撞冲突（智算）。最终，将控制指令快速传输至机器人的电机驱动、关节控制等执行单元，实现对机器人动作的精准控制，完成物料搬运、零件装配、产品检测等复杂生产任务（控）。该场景广泛应用于汽车制造、电子加工、物流仓储等行业，如汽车总装车间中，机器人借助AI Edge技术高效完成车门安装、零部件焊接等工序；3C产品生产线上，实现芯片的高精度贴装与检测。 # 3.1.2 潜在价值分析 AI Edge 通过“通感智算控”的深度协同，为工业机器人赋予了更强的环境适应性、任务执行能力与智能决策水平，其核心价值不仅在于提升生产效率与产品质量，更通过创新商业模式，为制造业带来显著经济效益与社会效益，推动行业迈向智能化、柔性化生产新时代。 # 技术价值 突破传统工业机器人“感知局限、响应迟缓”的困境：AI Edge技术体系使工业机器人的感知精度提升至亚毫米级，相较于传统方案，对微小零部件的识别准确率从 $85\%$ 提高到 $98\%$ ；边缘AI的实时决策能力将机器人响应延迟从传统云端处理的200-300ms缩短至50ms以内，满足高速生产线上对“即时响应、精准操作”的严苛要求，大幅减少生产误差与次品率。 实现“复杂工况适应－柔性生产”的技术飞跃：通过多模态感知数据融合与边缘智能算法，工业机器人能够在复杂光照、振动等恶劣环境下稳定作业，且可快速切换生产任务，适应小批量、多品种的柔性生产需求。例如，在电子制造中，能在短时间内重新编程并调整操作流程，生产不同型号电子产品，产线切换时间从数小时缩短至半小时以内。 # 商业价值 设备升级与服务订阅模式：制造企业可采购搭载AI Edge技术的新型工业机器人，或对现有设备进行升级改造，设备供应商收取一次性升级费用。同时，企业还可按需订阅边缘AI算法服务，如针对特定工艺的优化算法，按使用时长或调用次数计费，为供应商创造持续收入流，也降低了企业技术研发成本。 生产效率提升与成本节约：AI Edge 赋能的工业机器人可使企业生产效率提升 $30\% - 50\%$ ，人力成本减少 $20\% - 40\%$ ，同时降低原材料浪费与设备损耗。例如，汽车制造企业通过引入相关技术，单车生产时间缩短 2-3 小时，年节约成本数千万元，增强了企业市场竞争力。 # 社会价值 推动制造业高端化转型：助力传统制造业向智能制造升级，提升国家制造业整体水平，增强国际竞争力，吸引高端制造业回流，促进产业结构优化。 缓解劳动力短缺与技能鸿沟：在劳动力成本上升与专业技术工人短缺背景下，工业机器人智能化升级可降低企业对大量重复性劳动人力的依赖，同时减少新员工培训周期与难度，从3-6个月缩短至1-2个月，促进制造业可持续发展。 # 3.2 智慧能源与电网调度 # 3.2.1 场景描述 智慧能源与电网调度场景中，AI Edge的“通感智算控”技术体系构建“全域感知-智能决策-动态调控”的能源管理闭环。电网边缘节点集成物联网传感器（如智能电表、光伏逆变器、储能电池监测模块）与毫米波通信模块，实时采集分布式能源出力（光伏、风电）、用户负荷波动、输电线路状态（温度、电流）等多维数据（通感）；边缘AI引擎通过时空序列预测算法（如LSTM模型）预测新能源发电功率与用电负荷，结合边缘算力快速完成供需平衡计算、最优潮流分析（智算）；进而向储能系 统、可调负荷（如充电桩、工业电机）及变电站控制系统发送指令，动态调整充放电策略、负荷优先级与输电线路功率分配（控），实现源网荷储协同优化。 该场景覆盖多元能源场景：分布式光伏电站中，边缘系统实时调整逆变器输出，平抑功率波动；城市配电网中，通过AI Edge实现充电桩错峰充电调度，避免台区过载；工业园区内，边缘节点联动微电网与主网，优化自备电厂与外购电比例，降低能源成本。 # 3.2.2 潜在价值分析 AI Edge通过“通感智算控”的深度协同，将电网从“被动调度”升级为“主动感知、智能响应”的智慧能源网络，其核心价值不仅在于技术性能的跃升，更在于通过商业化模式创新，平衡新能源消纳、电网安全与用能成本，为构建新型电力系统提供关键技术支撑，推动能源行业向高效、清洁、可持续方向转型。 # 技术价值 突破传统电网“响应滞后、新能源消纳难”的瓶颈：AI Edge的毫秒级感知与决策能力，使电网对负荷波动的响应时间从秒级压缩至50ms以内，新能源发电预测精度提升至 $90\%$ （传统方法约 $70\%$ ），弃风弃光率降低15个百分点；通过边缘节点分布式调控，配电网线损率从 $8\%$ 降至 $5\%$ 以下，解决集中式调度“算力不足、时延高”的问题。 实现“复杂场景自适应-安全冗余”：边缘AI通过多源数据融合（如气象数据、历史负荷），在极端天气（如台风、寒潮）下提前12小时预判电网风险，自动启动负荷转供方案，使供电可靠性提升至 $99.99\%$ ，较传统模式减少 $50\%$ 的停电时长。 # 商业价值 “平台 + 增值服务”模式：电网企业搭建AI Edge能源管理平台，向新能源场站收取数据接入与调度服务费（按发电量比例计费）；向工业用户提供“负荷优化套餐”，按节能收益分成（如通过错峰用电降低电费，平台抽取 $10\% - 20\%$ 分成）。 设备厂商生态模式：储能设备厂商嵌入边缘AI控制模块，按“设备销售 $+$ 算法订阅”收费（如提供动态充放电策略，单套系统年服务费超万元）；新能源车企通过车网互动（V2G）技术，联合边缘平台为车主提供“低谷充电折扣 $+$ 电网辅助服务收益”，形成用户与电网的双赢闭环。 # 社会价值 推动能源结构绿色转型：AI Edge技术可支撑高比例新能源并网（如风电、光伏占比提升至 $40\%$ 以上），年减少碳排放超亿吨，助力“双碳”目标落地；分布式能源消纳率提升 $20\%$ ，相当于新增1000万千瓦装机容量的清洁电力供给。 降低社会用能成本：工业用户通过边缘优化可降低 $10\% - 15\%$ 的电费支出，年节约成本超百亿元；居民用户通过智慧电表与边缘调度，享受分时电价优惠，年均电费减少 $8\% - 10\%$ ，同时提升极端天气下的供电韧性，减少灾害导致的社会经济损失。 # 3.3 智慧农业与无人农机 # 3.3.1 场景描述 智慧农业场景中，AI Edge的“通感智算控”技术体系构建“全域监测-智能决策-精准执行”的农业生产闭环。田间部署的边缘节点集成土壤传感器、无人机遥感设备与LoRa/5G通信模块，实时采集土壤墒情、作物长势、病虫害迹象及气象数据（通感）；边缘AI引擎通过图像识别（如叶片病害分类）、生长模型预测（如作物需 水量计算)等算法,结合本地化算力快速生成灌溉、施肥、植保等精准管理策略(智算);随后通过边缘系统控制水肥一体机、无人播种机、无人机喷雾器等设备,实现变量灌溉、定向施肥与病虫害精准防治(控)。 该场景可覆盖多类农业生产需求：如大田种植中，边缘节点根据小麦生长阶段动态调整灌溉量；设施农业（温室大棚）中，通过感知温湿度、光照强度，自动调控遮阳网与通风设备；畜牧养殖中，通过穿戴设备采集牲畜健康数据，边缘AI实时预警疫病风险并触发隔离指令。 # 3.3.2 潜在价值分析 AI Edge通过“通感智算控”的深度融合，将农业生产从经验驱动转向数据驱动，其核心价值不仅在于产量与效率的提升，更在于通过技术普惠性缩小城乡数字鸿沟，同时实现农业绿色可持续发展，为保障粮食安全、推动乡村振兴提供了可落地的技术路径。 # 技术价值 突破传统农业“粗放管理、靠天吃饭”的局限：AI Edge的分布式感知能力使土壤、作物、环境数据采集精度提升至 $90\%$ 以上，较传统人工巡检效率提升50倍；边缘AI的智能决策将灌溉量、施肥量控制误差缩小至 $5\%$ ，解决“过量投入”问题，同时通过病虫害早期识别（准确率达 $95\%$ ），减少农药使用量。 实现“小农户-规模化”的技术普惠：轻量化边缘设备（如低成本土壤传感器）适配小农户生产场景，边缘算力下沉使单地块管理成本降低 $60\%$ ，打破智慧农业“高门槛”壁垒，推动技术向散户渗透。 # 商业价值 “硬件 + SaaS” 服务模式：农业科技企业提供边缘感知设备（如智能传感器）与云端管理平台，农户按亩数订阅 AI 种植方案（如小麦精准灌溉模型），单亩年服务费仅需数十元，降低使用门槛。 产业链协同模式：农资企业（化肥、农药厂商）与AI Edge服务商合作，基于边缘采集的作物数据推送定制化农资套餐，按实际用量收费；电商平台通过边缘数据预判收成，提供“预售+物流”一体化服务，实现产销精准对接。 # 社会价值 提升农业生产效率与可持续性：在粮食种植中，AI Edge技术可使水资源利用率提升 $40\%$ 、化肥农药使用量减少 $30\%$ ，亩产增加 $10\% -15\%$ ；在设施农业中，通过精准环境调控，使蔬菜采收周期缩短 $20\%$ ，年增产超2000万吨。 助力乡村振兴与食品安全：小农户通过技术赋能提升收益（如某试点村农户年均增收超3000元）；边缘系统记录的生产数据可追溯，为农产品质量认证提供依据，推动“从田间到餐桌”的安全管控，增强消费者信任。 # 3.4 低空无人机通信与监管 # 3.4.1 场景描述 基于无人机的低空应用中，AI Edge 的“通感智算控”技术体系构建“全域监管－智能协同－精准作业”的低空服务闭环。地面边缘节点与无人机搭载的多模态传感器（毫米波雷达、高清摄像头、北斗定位）协同，实时感知无人机位置、飞行状态、空域障碍物及地面目标（如物流包裹、巡检设备）（通感）；边缘 AI 引擎通过空域冲突预测算法、路径规划模型（智），结合边缘节点本地化算力（算），动态生成无人机 避障指令、任务调度方案（如多机协同配送路线）；最终通过空地一体化通信（如5G-Advanced、LTE-M）控制无人机起降、航迹修正及作业执行（如精准投送、设备巡检）（控）。 该场景覆盖多元低空需求：物流领域，边缘系统调度无人机群完成“3公里半径15分钟达”的即时配送；电力巡检中，无人机通过边缘AI识别输电线路缺陷（如绝缘子破损），同步生成维修坐标；应急救援时，边缘节点快速规划无人机搜救路径，结合热成像感知锁定受困人员位置。 # 3.4.2 潜在价值分析 AI Edge 通过“通感智算控”的深度协同，为低空应用提供了“安全可控、高效经济”的技术底座，其核心价值不仅在于突破空域资源约束，更通过商业化模式创新推动低空经济从“单点试点”走向“规模化运营”，预计到2030年将带动相关产业创造超万亿级经济价值，成为数字经济的新增长极。 # 技术价值 突破低空应用“监管难、效率低”的瓶颈：AI Edge的空域感知精度达0.5米级，可实现每平方公里500架无人机的高密度协同管控，冲突预警准确率提升至 $99\%$ ，较传统人工调度效率提升10倍；边缘AI的实时决策使无人机应急响应时延从云端处理的300ms降至50ms，满足抢险救灾“秒级响应”需求。 实现“复杂环境适配-成本优化”：通过边缘算力分流无人机数据处理压力，单机传感器成本降低 $40\%$ （无需搭载高端芯片）；在雨雪、雾霾等恶劣天气下，多模态感知融合技术使目标识别准确率保持 $85\%$ 以上，解决传统无人机“看不远、辨不清”的问题。 # 商业价值 “基础设施 + 运营服务”模式：地方政府或企业建设边缘低空管控基站，向物流、巡检等企业收取无人机接入费（按飞行时长 / 架次计费）；第三方服务商提供 AI 算法订阅（如电力缺陷识别模型），单行业年均服务收入可达亿元级。 场景化解决方案模式：针对农业植保场景，提供“无人机 $+$ 边缘AI”的精准施药方案，按防治面积收费（每亩成本较人工降低 $60\%$ ）；在城市安防领域，通过边缘系统联动无人机与地面监控，为物业、园区提供“空中 $+$ 地面”一体化安防服务，年订阅费用超千万元。 构建“空域服务 $+$ 算力租赁”生态：物流企业按飞行里程付费使用边缘算力与通信资源，成本较传统卫星定位方案降低 $60\%$ ；地方政府通过低空管控系统实现合规化管理，可带动无人机物流、应急救援等产业规模突破万亿，创造超50万个就业岗位。 # 社会价值 激活低空经济潜力：支撑无人机物流规模化落地，使同城即时配送成本降低 $50\%$ 惠及生鲜、医药等民生领域；电力巡检效率提升 $80\%$ ，线路故障检出率从 $70\%$ 升至 $95\%$ 减少停电事故带来的社会损失。 提升应急响应能力：在森林火灾、洪涝灾害中，无人机群通过边缘协同实现全域监测，救援力量部署效率提升3倍，受困人员搜救时间缩短 $60\%$ ，显著降低生命财产损失。 # 3.5 具身机器人训练场 # 3.5.1 场景描述 具身机器人训练场依托AI Edge的“通感智算控”技术体系，构建“环境感知-智能决策-动作执行-反馈优化”的闭环训练生态。训练场内部署毫米波雷达、视觉传感器与5G/6G边缘节点，实时采集机器人的关节角度、运动轨迹、力反馈数据及周围环境的三维空间信息（通感）；边缘节点集成高算力AI芯片，通过强化学习、数字孪生等算法构建虚拟训练场景，模拟极端天气、复杂地形等真实世界挑战，同时实时优化机器人的运动控制策略(智算)；基于边缘系统的低时延特性，控制指令可在10ms内传输至机器人执行机构，实现虚拟训练与物理动作的精准映射，同时通过多机器人协同算法调度训练资源，避免设备冲突（控）。 该场景可支撑多类型具身机器人训练：如工业协作机器人通过边缘AI学习精密装配动作，家庭服务机器人在虚拟场景中模拟家具避障与人机交互，救援机器人则在边缘生成的地震、火灾等极端环境中训练应急响应能力。 # 3.5.2 潜在价值分析 具身机器人训练场通过AI Edge技术重构了机器人的“学习-进化”路径，其核心价值不仅在于训练效率与成本的优化，更在于通过“通感智算控”的深度协同，降低机器人技术的应用门槛，推动具身智能从实验室走向千行百业，成为智能制造、民生服务等领域的核心生产力工具。 # 技术价值 突破传统机器人训练的“高成本、高风险”瓶颈：通过边缘数字孪生技术，将物理样机损耗降低 $70\%$ ，极端场景训练成本减少 $60\%$ ；边缘AI的实时决策能力使机器人动作修正延迟从秒级压缩至毫秒级，训练效率提升3倍。 实现“数据闭环-泛化能力”的智能化提升：边缘系统聚合多机器人训练数据，通过联邦学习训练通用动作模型，使机器人在未知场景中的任务成功率从 $50\%$ 提升至 $85\%$ ，解决“场景迁移难”问题。 # 商业价值 B2B 订阅模式：机器人厂商按训练时长或场景复杂度付费使用边缘训练平台，单台机器人年均训练成本降低 2 万美元；第三方算法公司提供定制化训练模型（如精密操作强化学习算法），按模型调用次数分成。 能力输出模式：训练场运营方将边缘训练技术打包为“训练即服务（TaaS）”，向高校、科研机构开放API接口，支持机器人算法验证与人才培养，年服务收入可达千万级。 # 社会价值 加速具身机器人产业化落地：在工业领域，可使协作机器人部署周期从6个月缩短至1个月；在服务业，家庭机器人通过边缘训练实现 $90\%$ 以上的日常任务自主完成，推动老龄化社会的照护压力缓解。 构建机器人技术普惠生态：中小厂商无需自建昂贵训练设施，通过边缘平台即可获取尖端训练能力，促进行业技术均衡发展，预计到2030年可带动全球机器人市场规模增长超3000亿美元。 # 3.6 EDGE增强的沉浸式XR # 3.6.1 场景描述 沉浸式XR包括虚拟现实（Virtual Reality，VR）、增强现实（Augmented Reality，AR）和混合现实（Mixed Reality，MR）等。Edge增强的沉浸式XR被定位为能体现网络智能与业务协同价值的代表性场景之一。图4以AR/VR游戏场景的八个关键维度勾勒沉浸式体验所需的综合能力边界，可概括为时延与抖动、吞吐与分辨率、可靠性与连续性、存储、能效与终端热管理、安全与隐私、智能协同与个性化、成本与规模化相互制衡的指标簇。以VR为例，端到端交互需保持20ms级感知-渲染闭环、稳定的高帧率与视场角、精确的头手部追踪与多用户一致性，同时控制能耗与终端发热。这要求将渲染分片、注视点感知编码、场景语义压缩、资源预取与资产缓存等能力前移至边缘，配合链路层速率自适应与跨接入的无缝切换，按需扩展体验八边形的各个“顶点”。 图4 AR/VR游戏用户需求示意图 鉴于AR/VR体验受限于终端设备的计算能力、电池续航以及云端数据返回的延迟影响，AI Edge技术可以在边缘侧扩展原生支持AI和计算能力，通过将复杂的渲染、计算和AI处理任务从终端设备卸载到附近的边缘服务器，为用户提供轻量化、高保真和强交互沉浸式体验，如图5所示。 图5 Edge增强的AR/VR 一方面，诸如图像渲染、音视频流特征解析、视频编码等算力任务，可以将其部分或全部任务从云端卸载至边缘算力节点，通过云边协同处理降低传输时延并减少对带宽资源的占用。另一方面，将终端设备的计算任务（如视频解码、跟踪定位等）卸载至边 缘算力节点，实现端边协同处理，解决终端在图像渲染、移动性及互动体验方面的不足，降低对终端电池续航、体积及存储能力的要求，降低终端设备成本。再者，在AI Edge增强的AR/VR业务场景中，还可以利用AI应用分析用户的行为和偏好，根据用户在虚拟环境中的行为调整内容推荐，或者利用AI技术助力XR内容创作或动画与虚拟形象生成等场景，将部分AI增强能力卸载至边缘算力节点，高效协同端边算力，为用户提供更好的沉浸式业务体验。 在具体场景中，该技术可支撑工业AR远程运维（如工程师通过AR眼镜查看设备内部结构，边缘AI实时标注故障点并推送维修指引）、VR多人协同办公（如虚拟会议室中，边缘节点同步处理 $10+$ 用户的动作捕捉数据，确保虚拟形象交互延迟 $\langle 20\mathrm{ms}\rangle$ 沉浸式教育（如解剖学VR课程中，边缘系统根据学生手势实时渲染器官细节，AI算法动态调整讲解内容难度）等多样化需求。 # 3.6.2 潜在价值分析 Edge 增强的 AR/VR 通过 AI Edge 技术重构了“终端 - 边缘 - 云端”的协同范式，不仅解决了用户体验的核心痛点，更通过技术普惠性降低产业准入门槛，加速 AR/VR 从概念走向规模化商用，成为元宇宙基础设施的核心支撑。 # 技术价值 突破传统AR/VR的“算力瓶颈”与“延迟痛点”：边缘节点将终端算力需求降低 $60\%$ ，使轻量化AR眼镜（重量 $\langle 100\mathrm{g}\rangle$ ）可实现旗舰级体验；通过边缘AI的动态码率调整与预测性渲染，将端到端延迟控制在15ms以内，解决眩晕问题，用户体验满意度提升 $40\%$ 。 实现“环境感知－内容适配”的智能化：边缘系统通过多模态感知数据（如用户视线聚焦点、环境光照），自动优化渲染精度（如聚焦区域4K分辨率、边缘区域1080P），在带宽占用减少 $30\%$ 的同时，保证核心内容清晰度。 降本增效，促进产业生态发展：通过计算卸载，可使终端设备可以向“轻量化、长续航、低成本”方向演进，极大降低用户购置门槛和硬件迭代成本。同时，海量原始数据在本地边缘处理，可大幅节约回传带宽和中心云的计算成本，为大规模部署创造条件，从而推动产业生态健康发展。 # 商业价值 B2B2C服务模式：硬件厂商（如AR眼镜厂商）预装边缘适配模块，按设备激活量向边缘服务商付费；企业客户（如制造业、教育机构）订阅边缘算力与AI模型服务（如工业AR标注算法），按使用时长计费，单用户年均付费可达数百美元。 内容生态分成模式：边缘平台聚合AR/VR内容创作者，通过AI推荐算法提升内容曝光率，平台按流量分成（如 $10\% -20\%$ ），同时为创作者提供低代码开发工具（基于边缘AI的自动建模功能），降低内容生产门槛。 # 社会价值 推动AR/VR从“娱乐向”向“生产向”转型：在工业领域，可使设备维修效率提升 $50\%$ ，培训成本降低 $60\%$ ；在远程医疗领域，支持外科医生通过AR指导基层手术，优质医疗资源可及性提升 $30\%$ 。 拓展数字经济新场景：预计到2027年，Edge增强的AR/VR将带动虚拟办公、数字孪生城市等领域市场规模突破5000亿美元，创造超百万个新型就业岗位（如边缘AR内容设计师、虚拟空间运维师）。 # 3.7智能驾驶与车路协同 # 3.7.1 场景描述 在智能驾驶场景中，AI Edge的“通感智算控”技术体系构建起“环境感知-决策规划-精准控制”的行车闭环。车辆搭载的摄像头、毫米波雷达、激光雷达等传感器，借助5G/6G通信与边缘计算融合，实时采集车辆周边360度全方位环境数据，包括其他车辆位置、速度、行人动态、交通信号灯状态以及道路状况等（通感）。车辆边缘节点集成AI芯片，通过目标检测、语义分割、多目标跟踪等AI算法，结合本地化算力对海量感知数据进行快速处理，识别出各类物体、预测其运动轨迹，并根据交通规则和驾驶意图生成最优行驶路径与决策指令（智算）。最终，这些指令在毫秒级时间内传输至车辆动力、转向、制动等执行系统，精准控制车辆加减速、转弯、避让等动作（控）。 该场景能够覆盖多种驾驶场景：在高速公路场景下，边缘AI辅助车辆保持安全车距、自动变道；城市道路中，可实现路口智能通行、应对复杂交通状况；停车场场景中，助力车辆自主寻位泊车。此外，车路协同模式下，路侧边缘节点还可与车辆交互信息，进一步提升驾驶安全性与通行效率。 # 3.7.2 潜在价值分析 AI Edge 通过“通感智算控”的深度协同，将智能驾驶从概念逐步推向现实，其核心价值不仅体现在技术性能的飞跃，更在于通过全新的商业模式，创造显著的社会经济效益，推动交通出行领域的深刻变革。 # 技术价值 突破传统智能驾驶“感知局限、决策延迟”的难题：AI Edge的多传感器融合感知技术使车辆对目标物体的识别准确率提升至 $98\%$ 以上，较传统单一传感器方案大幅提高；边缘AI的实时决策能力将车辆决策延迟从云端处理的200-300ms压缩至50ms以内，满足智能驾驶对“低时延、高可靠”的严苛要求，有效避免碰撞事故。 实现“复杂场景适应-智能协同”的技术升级：通过边缘计算与AI结合，车辆能够在雨、雪、雾等恶劣天气及隧道、城市峡谷等复杂环境下，仍保持稳定可靠的感知与决策能力；车路协同场景下，边缘系统支持车辆与基础设施、其他车辆的实时信息交互，实现协同驾驶，提升道路整体通行效率 $30\%$ 以上。 # 商业价值 车企采购与服务订阅模式：汽车制造商采购AI Edge智能驾驶解决方案，按车辆搭载量向技术供应商付费，以提升车型智能化水平与市场竞争力；车主可按需订阅更高级别的智能驾驶功能服务（如特定场景下的全自动驾驶），增加车企售后收入来源。 数据服务与广告模式：基于AI Edge收集的驾驶数据（脱敏处理后），可向保险公司提供精准风险评估数据，实现差异化车险定价；同时，在合规前提下，根据用户驾驶习惯与偏好推送个性化广告服务，创造新的商业价值增长点。 # 社会价值 提升交通安全与出行效率：智能驾驶技术可减少人为驾驶失误导致的交通事故，预计可使交通事故死亡率降低 $80\%$ ；通过优化交通流，缓解城市拥堵，人们的日常通勤时间有望缩短 $20\% - 30\%$ 。 释放社会生产力：自动驾驶在物流运输领域的应用，可使货车司机劳动强度大幅降低，同时提升运输效率，降低物流成本 $15\% -20\%$ ；此外，为老年人、残障人士等特殊群体提供出行便利，拓展其社会活动范围。 # 3.8 应急通信与保障 # 3.8.1 场景描述 应急通信场景中，AI Edge的“通感智算控”技术体系构建“全域感知－智能组网－动态调度－精准响应”的应急保障闭环。当地震、洪水等灾害导致传统通信基础设施瘫痪时，可快速部署无人机基站、便携边缘节点等应急设备，通过多频段通信（如卫星窄带、5G专网）与环境感知（红外成像、振动传感器）融合，实时获取灾区人员位置、建筑损毁情况及信号覆盖盲区（通感）；边缘AI引擎基于实时数据生成最优组网策略（如自组织mesh网络拓扑），并通过边缘算力快速完成信道资源分配、负载均衡计算（智算）；同时，系统动态控制设备发射功率、切换通信频段，优先保障救援指令传输与生命探测信号，实现“救援人员－指挥中心－受灾群众”的低时延通信（控）。 该场景可支撑多样化应急需求：如地震救援中，边缘节点通过AI识别被困人员手机信号特征，引导救援队精准定位；洪水灾区通过无人机基站与地面边缘节点协同，构建临时通信覆盖网，保障救灾物资调度指令实时传达；疫情封控区通过边缘算力分流健康码核验数据，避免网络拥塞影响应急医疗通信。 # 3.8.2 潜在价值分析 AI Edge 通过“通感智算控”的深度协同，将应急通信从“被动抢修”升级为“主动感知、智能响应”的现代化体系，其核心价值不仅在于技术性能的突破，更在于通过高效通信保障挽救生命、减少损失，同时构建“政府主导、市场参与”的可持续运营模式，为国家应急管理体系现代化提供关键技术支撑。 # 技术价值 突破传统应急通信“响应慢、覆盖弱”的痛点：AI Edge的自组织网络技术使应急通信部署时间从数小时缩短至15分钟，信号覆盖半径扩展至5公里，在复杂地形下通信中断率降低 $80\%$ ；边缘AI的智能流量调度可将救援指令优先级提升至 $99\%$ ，确保关键信息零延迟传输。 实现“资源自适应-风险预判”的智能化：边缘系统通过分析环境感知数据（如余震频率、水位涨幅），提前调整通信参数（如增强抗干扰编码），使极端条件下通信可靠性提升至 $95\%$ ，解决传统应急通信“被动应对”的局限。 # 商业价值 政府采购 $+$ 服务外包模式：应急管理部门通过招标采购AI Edge应急设备及年度运维服务，按设备部署次数与通信时长付费；电信运营商提供“应急通信专网 $+$ 边缘算力”服务，承接政府与企业的定制化保障需求（如大型活动备用通信）。 设备租赁 + 技术授权模式：设备厂商向消防、武警等专业救援队伍出租便携式边缘基站，同时向行业客户授权 AI 组网算法，按设备型号与授权范围收费，单套系统年均收益可达数十万元。 # 社会价值 提升灾害救援效率与生存率：在地震救援中，AI Edge技术可使被困人员定位时间从平均6小时缩短至1小时，救援成功率提升 $40\%$ ；在突发公共卫生事件中，保障医疗物资调度通信畅通，使应急响应速度提升 $30\%$ 。 降低社会损失与治理成本：通过快速恢复关键通信，减少灾害导致的信息孤岛问题，间接降低经济损失（如2023年某省洪灾中，应急通信保障使农业损失减少超2亿元）；同时为基层政府提供“平急结合”的通信能力，平时可用于森林防火、地质监测等日常管理，提升资源利用率。 # 3.9 智慧体育 # 3.9.1 场景描述 近年来，智能穿戴设备、5G赛事直播、AI运动处方等新兴技术不断推动体育与科技的深度融合，“智慧体育”正逐步成为全民健身、竞技体育和体育产业发展的重要引擎。以篮球运动为例，场馆内的运动员、裁判、教练等智能体（Agent）需要在高速动态环境中进行实时互动和协同决策，这对网络的低时延传输和边缘AI的快速推理提出了极高要求。 在智慧体育场景中，传统云AI架构由于链路较长、端到端时延大，难以满足该场景实时性需求。例如，职业运动员的平均反应时间需控制在150ms以内，普通人约为250ms，如果采用云AI的架构，裁判的判罚、教练的战术调整或运动员的动作信息传递存在过大延迟，将直接影响比赛公平性和战术效果。 图6 AI edge 赋能智慧体育的一个示例 AI Edge 通过将 AI 推理与感知能力下沉至 RAN 侧，可以实现通信与计算的深度融合，是应对该类场景的一项有潜力的技术。RAN 不仅承担数据转发，还能够直接调用场馆环境中的实时感知信息，并与多个终端/Agent 进行高频交互，相当于一个集群决策“大脑”。如图 6 所示，运动员之间的传球、跑位信息可通过快速共享；裁判的判罚信 息可通过 AI edge 即时传递给运动员和教练；教练的战术调整可通过 AI Edge 在毫秒级时延上发至场上多个运动员。在此过程中，单次交互数据量可达数百 KB，而 RAN 与 MEC 或云端之间的传输往返延迟可能在数十至上百毫秒。通过 AI Edge 在 RAN 侧直接完成多 Agent 之间的交互，可避免信息多跳转发造成的额外延迟。 # 3.9.2 潜在价值分析 AI Edge 通过在 RAN 侧部署推理和控制能力，显著缩短了通信路径，降低端到端时延，实现比传统 MEC 和 Cloud AI 更快的响应速度。由于 AI 模型和计算资源更接近终端，通信链路更短，时延更低；同时将通信、AI 推理与控制逻辑一体化，有效降低了系统总时延。比如采用边缘计算架构可大幅减少传输延迟，在真实场景中可将体验延迟控制到几十毫秒以内，远优于云端或远端 MEC 的数百毫秒级延迟，能够满足智慧体育等场景对实时性的严格要求。运动员、教练、裁判之间可以在极低时延下共享场馆视图和状态信息，实现快速协同决策和精细化控制。例如，高速运动过程中可通过 AI edge 实时识别并预测动作轨迹，使裁判判罚和教练指令更加及时准确。 # 技术价值 AI Edge的技术价值主要体现在如下几个方面：1）端到端时延显著降低：云端往返延迟约80ms，RAN侧AI Edge可降至20ms，节省约60ms，满足运动员150ms反应阈值要求；2）带宽占用优化：以16个Agent、每秒10次交互、每次200KB计算，每秒流量约31.25MB/s（约250Mbps），单场比赛约88GB，通过RAN侧本地处理可将回传流量减少10-100倍；3）鲁棒性提升：减少对远端链路的依赖，提升关键判罚与控制功能在弱网环境下的可靠性；4）实时协同能力：RAN侧AI Edge能快速融合多Agent数据，实现毫秒级传球推荐、危险预警和裁判辅助判定。 # 商业价值 针对智慧体育场景，AI Edge可以从如下几个方面带来商业价值：1)赛事服务增值：观众付费观看低延迟战术视角，假设1000人付费2美元/场，每场可增收2000美元；2）成本优化：AI Edge可显著减少带宽和云计算支出；3）B2B订阅服务：为教练、裁判、俱乐部提供低延迟决策系统；4）广告与AR转播增值：低时延处理支持更丰富的可视化内容与广告嵌入；5）系统销售与运维服务：RAN/Edge软硬件部署及长期SLA可形成稳定收入。 # 社会价值 借助AI Edge，低延迟辅助裁判系统可减少 $40\% - 80\%$ 关键误判，从而实现比赛公平性提升；实时监测心率与轨迹，降低碰撞与伤害风险，运动安全性能够显著提高；智慧体育下沉公众场馆，提升运动体验与参与率，有利于全民健身普及；此外，通过本地化处理与差分隐私机制能有效保障数据安全。 # 3.10 机械导盲犬 # 3.10.1 场景描述 机械导盲犬应用场景依托AI Edge的“通感智算控”技术体系，构建“环境感知-智能规划-动作执行-反馈优化”的闭环控制，聚焦视障群体日常出行、跨场景导航等核心需求。 我国约有1700万名视障人士，却仅有约400只导盲犬，视障人士独立出行仍是亟待解决的社会课题之一。虽然机械导盲犬等设备在研究中展示出潜力，但是成本高、续航短以及在安全方面受到质疑。 得益于AI Edge的多维度环境感知，弹性可拓展的边缘算力网以及云边端的高效协作，可促进机械导盲犬设备本身的轻量化，经济性，延长终端电池寿命，提升安全性，使其大规模落地成为可能。具体来说，机械导盲犬终端集成摄像头、激光雷达与声感传感器，融合AI Edge以及5G-A/6G的环境感知技术，建立全方位多层次的环境感知，构建全景环境视野，远超单一设备的视觉局限，提高其安全可靠性。机械导盲犬终端动态向AI Edge边端卸载计算任务，持续对数据进行分析与风险判断，例如自动区分如静止护栏与移动的自行车、识别绿灯倒计时，边端的分析结果可快速回传至机械导盲犬执行机构（驱动轮、语音提示模块），实现精准转向、紧急制动与实时语音播报，如“前方3米有积水，建议绕行”。通过向AI Edge卸载这些数据和任务，大幅削减终端本地算力负载，从而降低终端的成本，有望使更多的残障人士能够以低廉的价格得到可靠的出行辅助；让设备更轻量化、低功耗，避免传统导盲设备因高功耗导致的续航短板。 AI Edge 可支撑机械导盲犬全场景出行需求：基础场景覆盖城市人行道行走、红绿灯识别与过街引导；进阶场景包括商超内货架定位、地铁无障碍电梯指引；特殊场景针对雨天积水、雾霾低光等恶劣环境优化感知能力，补充视觉识别盲区，全面适配视障群体日常出行场景。 # 3.10.2 潜在价值分析 AI Edge赋能机械导盲犬重构视障群体智慧出行服务路径，其核心价值不仅在于提升导盲设备的智能化与可靠性，更在于通过网络赋能终端的模式打破传统辅助工具在使用门槛，续航上的局限，推动智能服务走向大众普惠。 # 技术价值 突破传统导盲设备的算力瓶颈和高功耗痛点：通过向边缘算力网络侧动态卸载复杂计算任务，机械导盲犬终端本地算力负载削减超 $70\%$ 以上，从而避免在终端配备高昂的计算芯片，预计可将机械导盲犬成本降低 $30\%$ 以上。 续航时长从传统设备的1-2小时延长一倍，将一次充电的巡航距离从 $2\mathrm{km}$ 扩大到 $5\mathrm{km}$ ，活动半径扩大一倍，可以满足视障人士长时间外出需求，如购物，从家到地铁站、再到工作地点。 依托AI Edge的通感算协同能力，机械导盲犬可实时根据所处环境需求，实时分析并自动接入基站侧更新的AI模型，如新增的“共享单车道避让”“施工路段绕行”模型，无需用户手动升级终端硬件或软件，即可持续获得更全面的安全保障能力，让设备智慧水平随网络进化而提升。 # 商业价值 借鉴终端的商业模式，可形成以下两种商业模式：1）运营商向购买设备的用户交付机器人导盲犬并提供免费通信与计算套餐，模式类似于签约手机；2）用户直接从制造商购买机器人导盲犬，运营商提供设备运营支持，并向用户销售对应通信与计算服务。多样化的商业模式能够满足不同用户需求，同时降低终端用户的使用门槛，进一步提升方案的可扩展性。对运营商而言，通过AI模型运营、算力租用及增值服务，构建长期稳定的收益体系；对终端制造，可通过开放的网络能力降低终端成本，打破设备能力局限；对于公益机构，通过运营商和设备商的合作实现能力互补，可实现技术的快速迭代，可靠的身份认证等，促进落地公益帮扶项目。最终形成“运营商-终端厂商-公益机构”协同共赢的产业格局。 拓展多元化商业生态：基于开放架构，第三方服务商可开发增值功能，例如家人实时位置共享功能，通过运营商平台接入机械导盲犬服务，形成“基础服务+增值服务”的商业生态。 # 社会价值 探索视障群体借助科技手段实现独立出行的可能性：借助AI Edge能力实现低成本，高续航，轻量化的机械导盲犬，促进机械导盲犬能够真正意义上的落地和推广。AI Edge赋能机械导盲犬有望大幅度提高视障群体独立出行率，帮助他们自主完成购物、就医、通勤等日常活动，减少对家人、志愿者的依赖，显著增强社会参与感与个人自信心。 实现智能民生服务的普惠化落地：相比全国仅约400只的传统导盲犬，机械导盲犬可通过规模化生产与低成本套餐模式快速普及，预计未来5年可惠及数万名视障用户，有效填补传统导盲工具的供给缺口；同时，其轻量化、低功耗特性适配老年、儿童等不同年龄层视障用户，进一步扩大服务覆盖范围，助力无障碍社会建设。 # 4.AI EDGE的技术方向与主要挑战 # 4.1 系统架构 AI Edge网络的系统架构划分为四个部分，包括：分布式节点、超级边缘节点、核心节点，以及边缘智能算力编排与管理。该体系架构遵循“边缘自智、分层部署、全域协同”的理念，确保在算力分布、智能调度和服务承载等方面形成高效、灵活、韧性且弹性可扩展的体系，满足未来终端用户多样化边缘智能应用的需求。同时，该体系还兼容特定的边缘网络能力开放，无线算力资源共享，以满足垂直行业用户多样化智能应用需求。 图7 面向DOICT融合的AI Edge系统架构 > 分布式单元位于无线接入网的最前端，是AI能力下沉到“最后一跳”的关键承载体。该单元通常与分布式处理单元（DU）、小基站、远端射频单元（RRU/AAU）深度集成，具备近端数据采集、信号预处理和轻量级AI推理能力。通过将部分AI功能下沉至接入侧前端，无线系统能够实现毫秒级的响应速度，支撑可穿戴设备、车联网等对超低时延敏感的应用场景，从而有效降低链路开销，提升用户体验。 > 超级边缘节点覆盖传统无线接入网络和部分核心网下沉功能，是承接来自终端与分布式单元数据处理的重要计算平台。该节点可基于CPU、GPU、NPU、FPGA等异构算力资源，构建边缘连接功能、边缘智能功能以及边缘数据功能，实现在本地完成多模态数据的实时处理与智能推理。在运行方式上，超级边缘节点具备本地边缘自治与跨域协同能力，既能在本地自适应调度算力和模型资源，在数据不出域的前提下完成就近敏捷服务，又能通过跨域协作机制与其他节点协同交互，形成层级化智能服务网络。这一层确保了业务在复杂环境中的连续性与稳定性，同时满足大规模智能应用对实时性和可靠性的严苛要求。 > 核心节点通常部署在大规模数据中心或云平台，具备更强大的计算与存储能力。核心节点主要承担AI（大）模型训练与优化、跨区域推理和全局数据汇聚分析等任务。它能够基于来自边缘节点的业务反馈，周期性地完成模型的迭代与优化，并通过统一接口将优化后的模型下发至超级边缘节点和分布式单元，从而形成边缘—核心的模型迭代闭环。同时，核心节点负责网内各种AI任务的执行策略协同和模型数据拉通，对来自终端用户和行业用户的各种AI服务做统一的认证纳管计费等。 > 智能编排与管理贯穿整个AI Edge体系架构，为网络提供智能化的控制与调度能力。它主要包括：非实时智能控制、模型管理、业务编排、算力调度以及智能服务提供功能。在算力层面，编排系统能够在分布式单元、超级边缘节点和核心节点之间进行网络和算力资源动态调度。在服务层面，编排机制支持AI模型的快速部署、在线优化与跨场景迁移，使不同业务灵活匹配网络AI能力。在数据层面，编排系统通过边缘采集与预处理、核心优化与反馈的闭环机制，推动AI服务持续进化与迭代。管理与编排功能不仅显著提升了AI Edge网络的运行效率，还确保了多层级智能之间的有机协同，共同赋能6G AI应用。 上述架构具有如下特色和优势：（1）边缘自智：不同于传统依赖中心云的被动调度模式，AI Edge能够在边缘节点实现就近感知、就近决策和就近执行，从而显著降低时延并提高服务的确定性。依托边缘节点具备自感知、自诊断和自优化的能力，可以在数据不出域的同时，在本地独立处理智能任务，实现就近敏捷服务。这种边缘自智的方式不仅提升了网络的韧性和容错性，也为关键行业应用，例如工业控制、智能可穿戴设备、低空无人机等场景，提供了低时延、高可靠性、高数据安全性保障。（2）跨域协同：AI Edge通过统一的智能管理与编排系统，实现异构网络资源和计算资源的协同调度，能够同时支撑传统通信服务和新兴AI应用，如工业互联网、具身智能、低空智联网等。其核心在于对全域环境的动态感知和数据驱动的智能优化。AI Edge能够综合无线网络环境、业务特性、网络负载以及用户习惯等，对数据进行全生命周期管理和利用，并动态匹配分布式节点、超级边缘节点以及核心节点不同层次的算力与AI模型。实现全局资源优化、提升网络算力资源利用率，通过端-网-云协同，赋能多样化智能应用。（3）异构算力融合：AI Edge架构在算力层面具有高度的开放性与包容性，能够无缝融合CPU、GPU、NPU、FPGA、SoC等多种异构计算资源。通过软件可编程和虚拟化技术，AI Edge将通信、AI、感知、网络控制和计算服务统一在同一硬件底座上，实现算力与网络能力的 深度共享。这种异构算力融合不仅提升了资源利用效率，还推动了无线接入网（RAN）向无线计算网络（RCN，Radio Computing Network）的演进，使得网络从单一的通信基础设施逐步演变为融合计算与智能服务的综合性平台。（4）智能可编程：通过开放的接口以及AI驱动的功能框架，AI Edge能够支持多样化业务需求的快速定制与部署。网络功能和应用可以通过软硬件解耦、模块化设计以及可重构机制，进行按需组合与动态优化。这种智能可编程能力为创新应用的孵化与落地提供了强有力的支撑，例如ToB智慧工厂场景下的定制化控制、智慧医疗的实时诊断服务，乃至未来6G时代的沉浸式交互和具身智能应用等。 # 4.2 AI for Edge 技术 # 4.2.1 AI for Edge 的兴起 随着5G和6G通信技术的快速演进与物联网（Internet of Things，IoT）设备的爆发式增长，边缘侧数据量呈指数级上升，实时性业务需求日益凸显，推动着边缘计算与人工智能的深度融合。在此背景下，AI for Edge应运而生，成为实现智能边缘的关键路径[20]。AI for Edge是指将AI技术深度嵌入到边缘环境中，通过在边缘节点上进行智能感知、实时建模、决策优化与资源调度，从而实现低时延、高可靠、高效率的智能服务的一种技术范式。它旨在应对边缘侧数据量激增、业务实时性增强、网络环境复杂多变等挑战，通过AI赋能边缘计算，实现对通信、计算、存储等多维资源的智能协同与优化[21]。下文将从技术驱动力、核心需求与性能提升的关键路径三个维度，系统阐述AI for Edge的技术挑战与实现方法。 # 4.2.2 AI for Edge 的核心价值 # $\succ$ 动态复杂环境下的实时建模能力 在边缘智能场景中，环境的动态性和复杂性是普遍存在的挑战。无线信道会受到多径效应、用户高速移动、遮挡和外部干扰的共同影响，导致信道特性呈现出强时变和高度不确定性。同时，业务层的流量也存在显著波动，例如短视频、在线游戏、虚拟现实（Virtual Reality，VR）、增强现实（Augmented Reality，AR）等业务的突发流量需求，使得系统的负载在短时间内发生剧烈变化。传统基于数学模型或静态假设的方法往往难以在这种快速演化的环境下保持有效性。而AI模型凭借强泛化和在线学习能力，能够实时捕捉复杂环境下的变化规律，实现高效的建模与自适应优化。 # $\succ$ 非线性器件补偿与信号保真能力 无线空口性能直接决定边缘网络的吞吐率、时延与稳定性。在高频宽带、多天线和复杂电磁环境下，信号传输不仅受多径衰落与干扰影响，还受到射频器件（如功率放大器、ADC/DAC、天线阵列等）非线性的限制，导致系统性能下降。传统基于解析模型的补偿方法难以应对硬件特性变化及环境动态。AI技术通过数据驱动的建模与预测能力，为空口性能优化提供了新的手段。AI模型可从实测信号中学习射频器件的非线性特征，实现数字预失真（DPD）、IQ失衡补偿与量化噪声抑制等功能，并能在温度漂移或器件老化等条件下实现自适应修正。此外，AI基于时间序列建模与强化学习方法，可对信道状态信息（CSI）与硬件性能进行联合预测，提前识别链路退化趋势，动态调整调制编码、功率控制与波束赋形策略，实现空口层的前瞻优化。AI赋能的非线性补偿与空口优化能力能够在复杂硬件与信道条件下保持链路稳定性与高效性，推动无线系统向自感知、自优化和自愈方向演进。 # $\succ$ 复杂高维优化问题的求解能力 在边缘智能系统优化中，优化目标通常是多维度的，既需要满足低时延和高可靠性的服务需求，又要兼顾能耗效率、频谱利用率等多重因素。这类优化问题往往具有非凸性、组合爆炸和约束条件复杂等特征，使得传统解析方法或单一启发式算法难以在有限时间内求解。尤其在面向大规模用户、多种业务类型及多样化资源的场景下，问题维度呈指数级增长，导致传统方法陷入维度灾难。而AI技术通过强化学习与基于神经网络的函数逼近方法[22]，能够实现高维空间中的高效探索，快速生成接近最优的解决方案，并通过持续学习提升求解性能。 # $\succ$ 网络状态预测与主动运维能力 网络运行过程中的状态变化具有显著的时序相关性与突发性，例如链路质量因干扰或用户移动而波动，业务流量因热点事件或应用行为而出现瞬时拥塞。传统的网络运维依赖被动监测与事后调整，往往存在响应滞后，难以满足高可靠、低时延的业务需求。而AI技术凭借其时间序列建模优势，能够利用长短期记忆网络（Long Short-Term Memory，LSTM）、门控循环单元网络（Gated Recurrent Unit，GRU）、Transformer等深度学习模型对网络状态进行精准预测。同时，结合强化学习[23]等方法，AI能实现主动运维，即在预测到链路劣化或流量突增之前，提前执行资源重构、路径切换或负载均衡操作。 # $\succ$ 快速策略生成与部署能力 在边缘网络中，资源调度、切片编排、任务卸载和干扰管理等任务往往需要在秒级甚至毫秒级内决策与下发。随着用户移动、业务突发和干扰环境的不断变化，传统依赖静态规则或离线优化的方法难以及时响应，容易造成资源利用不足和服务质量下降。此外，边缘部署对跨场景的适配能力也提出更高要求。传统算法通常依赖场景特定的信道模型与参数调优，一旦环境或业务类型变化，性能便会显著下降。而AI技术具有对复杂动态环境的持续学习能力，能够学习关键特征并在新场景中迅速迁移经验。这样的泛化与自适应特性，不仅大幅降低了系统迭代与维护成本，也为大规模异构边缘网络的智能演进提供了核心支撑。 # 4.2.3 边缘网络对AI的核心需求 # $\succ$ 具备轻量化与高效推理能力 边缘节点因计算能力、内存容量和功耗预算受限，要求部署的AI模型具备轻量化与高效推理能力。为此，业界常采用模型剪枝、模型量化、知识蒸馏和稀疏化等方法。其中，模型剪枝技术可采用结构化剪枝，移除卷积核或通道等完整组件；或采用非结构化剪枝，以单个权重或神经元为单位进行裁剪[24]。模型量化通过降低权重和激活值的数值精度，减少存储需求并提升计算效率，常见实施阶段包括训练后量化、量化感知训练及微调等。知识蒸馏则利用复杂教师模型指导轻量学生模型，通过学习其输出软标签或中间表示，在保持模型轻量的同时提升推理精度。稀疏化方法通过训练或推理阶段引入零值权重或零值激活减少无效计算。此外，针对分布式协作场景，多客户端的拆分联邦学习框架[25]通过模型拆分与优先级调度机制，在降低客户端计算负载的同时实现异构设备的协同训练，进一步扩展了轻量化技术的应用边界。 # 支持大小模型协同范式 在边缘智能网络中，算力、能耗和存储等资源受限和不同任务对模型的需求差异显著，导致单一的AI模型难以同时兼顾所有需求，因此需要构建“通信通用基础大模型+下游任务小模型”的协同范式，允许在不同应用场景中灵活部署和更新下游专属小模型，而无需重新训练或大幅修改通信通用基础模型。首先，利用大规模通信数据训练通 信领域的预训练大模型。在此基础上，通过如低秩自适应（Low-Rank Adaptation，LoRA）[26]、适配器模块添加、提示调优等参数高效微调方法，快速派生出面向特定任务的轻量小模型。进一步借助容器化和虚拟化技术，还可以推动模型即服务（Model as a Service，MaaS）在边缘智能生态的落地，为不同应用场景动态提供所需的智能能力，加速边缘智能的普及与规模化应用。 # $\succ$ 具备多模态感知与跨层融合能力 边缘网络需要同时处理来自物理层的信号数据、业务层的服务质量（Quality of Service，QoS）指标，以及外部环境感知信息（如雷达、摄像头）等多源异构数据。因此，AI模型必须具备多模态感知与跨层融合能力。该类模型能够对信道状态、业务负载、环境感知等多维度信息进行统一建模与联合分析，实现跨层级的数据融合与智能决策。例如，在通信与感知一体化场景中，通过融合通信信号与感知数据，可有效提升定位精度、链路稳定性及资源调度效率，从而增强整体网络性能[27]。在如图8所示AI驱动的数字孪生平台中，针对无线场景应用，通过融合3D地图、射频测量等数据，可大幅降低真实环境中信道探测的开销，支撑AI模型的高效训练与验证。 图8元图工坊数字孪生使能平台 # $\succ$ 满足可解释性与可测试性要求 边缘网络需满足高可靠要求，尤其是在运维和安全等关键场景。因此，AI模型必须具备可解释性，能够提供决策逻辑的可视化与因果分析，支持运维人员理解和追溯模型行为。同时，AI模型需具备可测试性，通过系统化验证框架对性能、鲁棒性和安全性进行量化评估。在实验室环境中，可通过信道扰动、业务突发和攻击模拟等方式检验AI模型的稳定性和容错性，实现可信与可靠落地。 # 4.2.4 AI for Edge 性能提升的关键路径 # $\succ$ 无线信道高效表征 为支持低时延具身智能应用，AI Edge网络必须具备超高可靠通信、实时信道预测与链路自适应、高精度定位、快速的环境感知与重构等关键能力，而这些能力的达成都高度依赖于以低成本的方式获取实时的信道信息和实现精准的信道预测。传统做法基于测量获取信道状态信息，再根据预设的先验假设实现内插或外推，其主要问题在于：随着系统复杂度的提升（例如天线端口数的激增），测量多带来的开销将无法承受；另一方面，预设的先验假设往往难以适配多样化的动态场景。近年来兴起的数据驱动方法利 用预先采集的收发信号对训练深度神经网络模型，通过数据拟合信道变化规律，能够在一定程度上解决上述问题。但已有的技术方案大都基于面向特定任务的专属AI模型，缺乏多任务和跨场景泛化能力，此外，也未充分融入多模态信息，难以有效支撑感知类应用。为此，在AI Edge网络中，可以构建多模态多任务无线信道基础AI模型，通过在大规模、多模态的数据集上（包括信道测量数据和环境感知数据，后者又可包含激光点云、毫米波雷达、电子地图、基站感知数据、图像/视频、GPS等）进行预训练，从而形成对无线信道的统一高效特征表达，再通过微调等技术将其与下游任务模型或算法进行适配或设计面向下游任务的独立任务适配头，以实现跨任务跨场景的泛化[28]。 # $\succ$ 无线空口智能优化 无线空口作为连接用户与网络的首要环节，其链路质量直接决定系统的容量、时延和可靠性，是提升无线网络性能的关键途径。在智能波束管理与赋形上，通过动态调控天线阵列的相位与幅度，实现信号定向传输。系统结合用户位置与信道环境的实时感知，优化波束指向与宽度，支持单用户高效覆盖和多用户并行调度，已广泛应用于毫米波通信和超密集组网等场景。在AI赋能的信道编码和信号检测上，利用深度学习自适应生成匹配信道环境的编码方案，降低误码并简化复杂度[29]；学习信道失真特征，提升信号恢复能力，已在车联网、卫星通信等动态场景中得到验证。在自适应调制编码策略优化上，通过实时预测信道质量，动态调整调制方式与编码速率，实现信道状态与传输效率的匹配优化。相比传统策略，融合信道预测、QoS驱动的资源调度及多用户协同分配机制，可以提升调度灵活性与系统效率，已成为多业务场景下关键通信技术。同时，需探索目标导向的CSI压缩反馈、机理与数据双驱动的接收机设计及无导频传输方案，以适配高动态场景的空口联合优化需求[30]-[31]。更进一步，可以考虑使用端到端训练的神经网络模型替代传统的信道估计、均衡、解调等模块，使系统从原始接收信号直接预测发送符号，实现接收机多模块乃至整体的智能化。 # 资源联合调度 在如图9的边云协同场景下，终端、边缘与云计算融合带来多维异构资源调度挑战。需构建预测驱动、感知协同、策略智能的资源联合调度机制，实现频谱、计算、存储、通信等资源的按需优化分配。基于AI预测模型，提前感知用户位置、信道状态与负载，动态预分配频谱资源，提升效率与通信连续性。通过资源感知与AI预测，构建计算、存储、通信一体化调度模型，支持动态切片与资源隔离，满足多样化业务需求。基于强化学习实现智能负载均衡，融合边缘与中心节点状态，自适应调度任务与流量，提升服务质量和系统弹性。 图9 ModelArts Edge使能的边云协同场景 # 智能运维与安全 随着边缘智能网络日益复杂，传统依赖人工和静态规则的运维模式难以应对动态场景与复杂威胁。AI的引入正推动网络运维向智能化、自适应和闭环化演进。在网络安全方面，AI可通过深度学习快速识别异常流量，提升检测精度与响应速度。面对新型攻击，AI模型相比传统方法更具适应性。同时，对抗训练等鲁棒学习技术可增强模型抗攻击能力，保障智能运维系统的稳定性[32]。在能效管理方面，AI可基于流量预测动态调整设备状态，实现节能与性能的平衡。例如，通过智能休眠机制，边缘节点可在低负载时降低能耗，提升绿色运维水平。在运维层面，AI可通过多源数据建模实现故障自动检测与根因分析，并结合自适应恢复机制，实现自愈式闭环运维，显著提升网络鲁棒性与可用性。 # 4.2.5 AI for Edge 模型与算法的测试验证 为验证AI for Edge技术在边缘环境中的有效性、可靠性与效率，需建立系统化测试体系，重点评估模型轻量化效能、动态鲁棒性及组件级性能增益。 # $\succ$ 模型轻量化与效能基准测试 在标准化硬件平台上评估模型轻量化水平，核心指标包括剪枝/量化后的精度-复杂度权衡（以FLOPs、模型大小衡量），及其在边缘芯片上的推理时延与能效比，筛选满足资源约束的高效模型。 # $\succ$ 动态环境鲁棒性验证 通过注入信道噪声、数据漂移及对抗样本，系统评估模型在动态扰动下的性能保持度，并结合资源扰动模拟（如CPU/内存波动），检验其在算力不稳定环境中的稳定性。 # $\succ$ 组件级算法性能增益评估 在实验室环境中，通过空口模拟器与网络损伤仪构建高保真无线环境与端到端业务链路，验证AI算法性能。具体包括：a)在高速移动场景中，通过空口模拟器验证智能波束管理算法在频谱效率与跟踪精度上的增益；b)通过网络损伤仪注入时延、抖动和丢包，结合业务流量生成器模拟VR/AR、工业互联网等多类业务，评估AI调度策略在时延与资源利用率上的优化效果。 # $\succ$ 在线学习与协同能力测试 针对持续学习算法，验证其在线自适应速度与抗遗忘能力；在联邦学习等协同场景中，评估多智能体间的策略一致性与通信效率。 该模型级测试以“可重现、可量化、可追溯”为原则，为算法选型提供客观依据，是集成至AI Edge系统平台的前置条件，其结论直接支撑全栈系统级测试（4.5.2节详述）。 # 4.3 AI over Edge 技术 AI over Edge 技术旨在复用移动通信网络的通信、计算和存储资源，实现 AI 服务在边缘侧的就近部署。与云侧提供的 AI 服务相比，Edge AI 的独特之处不仅在于其低时延和有效保护用户数据隐私的能力，更在于其所能提供的 AI 服务的类型与云侧有本质不同。具体来讲，AI Edge 所支持的 AI 应用并非单纯的信息检索、内容生成、任务规划等，而是借助网络的连接和感知能力与物理世界充分交互，实现“感知、推理与执行”的快速闭环，从而原生地支持具身 AI 应用；此外，AI Edge 能够通过实际数据反哺 AI 模型，推动 AI 发展范式迈向可实时感知与推理的 AI。 目前的移动通信网络尚不具备原生支持AI应用的能力，主要存在三大缺失。第一，数据缺失：移动通信网络虽然数据量巨大，但输入模态单一，主要是各种RF测量结果，例如CQI/PMI/RI、CSI/DMRS、移动性测量等，但缺乏多模态数据，例如：移动轨迹、业务特性、流量分布、高精地图、气象信息、用户画像、摄像头和传感器数据等，这会严重限制部署于Edge的AI模型的表征、理解与生成能力；第二，智能缺失：移动通信网络是基于规则的，其运转的基本逻辑是，根据测量值，基于预设的规则和静态的策略进行决策（例如：符号判决、MCS自适应、信道估计，等等），但AI应用都是基于智能的，它们的运转逻辑是，基于感知实现理解和生成，这意味着，必须在现有移动通信网络中植入智能化的处理模块；第三，记忆缺失：移动通信网络缺乏短期记忆（例如：A小区的所有行为与B小区的所有行为完全独立，每次新的RRC请求甚至新的会话请求之间完全独立）和长期记忆（例如：潮汐效应、上下班所带来的周期性变化，以及赛事、演唱会、直播等所带来的稳态趋势），这导致无法在边缘侧完成感知、分析、决策与行动的完整闭环，也不可能通过和环境的互动来实现反思及迭代优化。 基于上述分析，为了实现AI over Edge的愿景，需要首先解决多模态感知与融合问题；在此基础上，在边缘引入AI模型，并充分利用单点优化技术（如模型轻量化）和云边端协同架构实现边缘侧AI的高效训练和推理；更进一步地，为了打通从感知到决策再到执行的闭环，研发AI Agent技术，通过赋予边缘网络以记忆、学习与协作能力为AI应用提供支撑；最后，围绕具身智能应用，解决信息服务的编排开放、生命周期管理、跨层资源优化以及数据安全和隐私等问题，实现端到端的服务质量保障。 下文将分别介绍AI over Edge所涉及的关键技术以及所面临的挑战。 # 4.3.1 多模态感知与融合处理 为了在边缘侧支持AI应用，需要引入多模态感知和处理能力，首先应集成无线感知与通信，利用跨设备的联合调度实现更高质量的数据采集；此外，还应该能够本地处理多源感知数据。对自动驾驶等场景的分析显示，单车安装的多摄像机、毫米波雷达和激光雷达每秒可产生约2.3GB数据，传统做法将这些数据送往云端处理，需要几十毫秒以上的延迟，而边缘计算能够在本地完成计算和决策，借助轻量级传感器融合算法与嵌入式数据预处理技术，可在资源受限条件下提取高质量特征，提升感知的鲁棒性与准确性。更进一步地，在数据产生之初就进行滤波、降噪、压缩等处理，仅上传或处理有价值的信息，极大减少后续计算和传输的压力，满足20毫秒甚至更低的时延要求。在多模态融合方面，重点是解决多模态数据特征的对齐问题；此外，如何保证多模态感知与融合的鲁棒性，在部分能力失效时，系统仍能安全、有效地运行，也是一个重要的问题。 # 4.3.2 模型轻量化与低时延推理技术 在边缘设备中，计算和存储资源的受限使得大规模深度神经网络难以直接部署，因此模型轻量化技术成为关键路径。通过模型压缩、剪枝、量化与结构稀疏化，可以在保证精度基本不受影响的前提下显著减少模型体量。而知识蒸馏则通过将大模型的知识迁移至轻量模型，从而在计算效率和预测精度之间取得平衡。与此同时，结合硬件友好的算子优化与异构加速芯片，可以进一步提升推理性能，确保模型能够在毫秒级响应用户需求。此外，为了满足不同业务场景下的低时延需求，还需引入动态批处理、自适应算力分配与优先级调度等机制，使得模型推理既能处理突发请求，又能稳定支撑连续任务。下面对模型轻量化涉及到的部分关键技术做一介绍[33]。 # $\succ$ 剪枝 剪枝通过移除冗余的神经元连接来减小模型规模。剪枝后的模型参数更少、计算量降低，在理想情况下可提升推理速度。然而，非结构化剪枝产生的不规则稀疏权重矩阵可能难以在通用硬件上高效加速，因此剪枝未必总能转化为实际延迟的下降。为获得真正的低延迟优势，往往需要结合结构化剪枝（例如整层或整滤波器剪除）以及针对稀疏的硬件优化，以确保剪枝后的模型计算可以高效并行执行。尽管如此，剪枝在不显著牺牲精度的情况下大幅减少参数量，对于边缘部署仍然是有效途径之一。 # $\succ$ 量化 量化通过降低模型权重和激活的数值精度（如从32位浮点降至8位整数）来实现模型轻量化。低比特宽度不仅压缩模型所需的存储空间，还利用硬件中高效的定点运算提升计算速度。例如，将模型从FP32量化为INT8后，模型大小和内存占用可显著降低，同时推理延迟大幅减少，而精度仅有微小影响。实际案例表明，相较于浮点模型，INT8量化可将模型内存占用降低约4倍、推理延迟缩短至原来的三分之一以内，且精度损失可以忽略不计。因此，量化技术非常适合资源受限的边缘设备，在提高能效的同时满足实时性的要求。 # $\succ$ 高效模型架构设计 高效模型架构设计也是降低延迟的关键手段。手工设计或利用神经架构搜索（NAS）得到的轻量模型（如MobileNet系列、EfficientNet等）在移动端进行了专门优化，以较少算力实现较高精度，适配边缘硬件的实时推理需求。 # $\succ$ 分布式知识蒸馏 分布式知识蒸馏（Distributed Knowledge Distillation，DKD）技术通过在算力充裕的中心侧（如：云）训练强大的教师（Teacher）大模型，并采用蒸馏策略，将大模 型蕴含的知识迁移至轻量化的学生（Student）模型，在各个分布式边缘节点高效部署，实现边端智能协同。具体的，分布式知识蒸馏有以下两种主流框架： 中心侧蒸馏：即在云/中心侧训练教师大模型，并利用全局数据或代表性数据进行知识蒸馏，得到全局学生模型，最后将全局学生模型分发至边缘节点进行部署与推理。在模型微调更新阶段，边缘节点上传本地采集的数据到中心侧，利用教师大模型制作软标签（soft label），微调更新全局学生模型并下发至边缘节点。下发更新后的全局学生模型时，可采用低秩自适应（LoRA）等模型增量适配技术，仅同步参数增量而非全量参数，实现模型高效同步与个性化，提升边缘部署的灵活性与系统效率。该框架的优势在于能够充分利用中心侧算力与低秩自适应高效传输技术，面临的挑战包括数据隐私保护以及模型个性化问题。 边缘侧蒸馏：即在云/中心侧训练教师大模型，并分发至边缘节点，边缘节点利用本地数据，基于教师大模型蒸馏出学生模型。在模型微调更新阶段，可结合联邦学习技术，实现多节点协同蒸馏，具体实现如下。边缘节点定期将知识摘要（如学生模型的输出分布、logits、少量“知识表示”等）上传至中心侧，该步骤中可根据用户上传知识的具体形态采用相应的数据压缩以及空中计算等高效接入方案，大幅降低数据传输量。进一步的，中心侧对上传的知识摘要进行平均或对软标签等进行集成，生成“聚合知识”并下发至边缘节点，各节点可继续利用聚合知识与本地数据进行本地训练。该框架的优势在于能够保护用户隐私，数据上行传输延迟低，模型个性化程度高，面临的挑战包括设备异构、边缘侧通信计算资源受限等。 # 4.3.3 云边端大中小模型协同技术 可扩展性是AI Edge的核心特征之一。AI Edge并非单一边缘网络功能实体，它不仅能够在横向维度上跨域整合相邻基站的算力资源，构建弹性可拓展的边缘算力网，也能够在纵向维度上通过云边端的高效协作，实现跨层级的分布式AI，从而支撑移动信息服务在全域网络上的可扩展性。根据具体协作模式的不同，云边端大中小模型协同技术可以分为如下几类： # “决策大模型+执行小模型”的大小脑协同 图10 决策大模型与执行小模型协同示意图 如图10所示，在该模式中，大型人工智能模型负责中央决策和用户交互，而无线网络中分布式部署的大量边缘轻量级模型来负责执行具体任务。此外，预计未来大型视觉 和语言模型也会被嵌入到大型人工智能模型中，以增强对用户和运营商需求的理解；同样，无线通信运营商可以根据预定义的功能向大型人工智能模型发送命令，或者利用语音和其他方法实时定制指令。中央大模型能够根据用户输入进行意图理解和任务分解，进而编排调度边缘节点的各种子任务人工智能模型，每个模型都专注于特定的领域，例如边缘计算中的资源优化、语义通信中的内容生成以及卫星通信中的智能调度。因此，未来无线通信中的大型人工智能模型本质上将充当人工智能集群的集合体，根据从各个子任务中获取的信息和用户的交互信息做出决策[34]-[35]。 # $\succ$ 切分推理与切分学习 对于较为复杂的推理任务，可以将其在终端设备和边缘节点之间合理划分。例如，使用模型分段推理或早退机制，让终端设备执行前几层网络并在中间层输出达到置信度阈值时直接给出结果，或将中间特征发送至边缘节点完成剩余推理步骤。这种终端与边缘协同的方式能在保证精度的同时减少原始数据传输，降低端到端延迟，实现更快的响应。需要注意的是，切分推理需平衡通信开销和计算节省，并考虑网络状况以选择最佳切分点。为有效地实现切分推理，动态卸载是一项关键技术，它能够实时感知网络带宽、边缘节点负载以及任务本身的计算复杂度等多维因素，利用图优化、强化学习等方法动态决定任务在不同节点间的分配和模型的最优切分方式，从而降低单节点的计算压力并提升整体处理效率。 切分学习的提出是为了通过将模型切分成多个部分，并在客户端和服务器上分别进行训练来减少客户端的存储和计算负载。切分联邦学习是切分学习的一种重要形式，它通过在多个客户端上并行计算学习任务，提高了切分学习框架的可扩展性。PipeSFL是一种细粒度的切分联邦学习框架。如图11所示，PipeSFL包含两个关键机制：1）云服务器端的优先级调度机制，该机制将优先处理来自性能最差客户端的切分层激活值，以减轻性能不佳的设备在执行本地反向传播时导致的服务器和其他边缘设备资源的闲置；2）混合训练模型，允许同一轮次内实现异步训练，而在轮次间实现同步训练，以避免一个轮次内服务器在同步接收所有边缘设备的切分层激活值时产生的资源闲置[25]。 图11 PipeSFL框架的工作流 # $\succ$ 协作推理 协作推理通过在终端侧运行轻量模型实现快速响应，在遇到复杂或高精度需求的任务时，再由边缘侧的大模型接管，形成“快响应+高精度”互补机制。通过引入资源感知的自适应调度策略，系统能够在不同设备算力、网络带宽和任务复杂度的动态变化下保持稳定与高效，从而显著提升边缘智能的鲁棒性与扩展性。 作为协作推理的一种重要实现方式，投机采样（speculative decoding）在近年来受到越来越多的关注。其核心思想是利用一个轻量级的“草稿小模型”快速生成候选序列，并由一个更精确但参数量更大的“目标大模型”进行验证与重采样修正，从而在保证生成质量的同时显著提升推理效率并降低响应时延[36]-[37]。结合AI Edge的分布式计算特性，分布式投机采样的框架被提出[38]：将草稿小模型下沉至用户终端，而目标大模型则部署在边缘节点。如图12所示，终端在本地快速生成多候选序列，并将其发送至边缘节点，由目标大模型执行最终的验证与重采样。该架构不仅减少了边缘节点在解码阶段的冗余计算开销，还大幅提升了推理吞吐量，使其能够更好地满足未来无线网络中对算力高效利用与用户体验优化的需求。 图12 分布式投机采样 然而，这种分布式部署仍受制于通信开销：每生成一个草稿 token，都需要将其对应的词表概率分布上传至基站或边缘服务器进行验证，因此传输数据量会随着词表规模线性增长。例如，对于大小为 $32\mathrm{k}$ 的词表，使用FP16表示时，每个token的传输量约为500kbit。可通过建立基于置信度的按需协作机制、验证与重采样分离、稀疏化传输等方法解决上述问题[39]。 # $\succ$ 协同训练与模型更新 以上所讨论的各种模式主要针对模型的推理。除推理之外，云边端的协同也有助于实现更高效的模型训练与持续更新。例如，在训练阶段，由云侧强大的算力集群负责复杂大型模型的训练与迭代，再将优化后的轻量化模型下发至边缘节点进行就近部署。此外，边缘侧或终端侧可利用本地数据进行部分模型参数更新，并通过联邦学习或分布式优化方法与云端进行参数聚合，既能提升模型的泛化能力，又能有效保护用户隐私。 为了赋予边缘AI持续的适应与进化能力，增量学习与持续学习技术使得部署在边缘的模型能够在不脱离生产环境的前提下，利用本地产生的少量新数据进行微调与迭代更新，从而快速适应数据分布的变化与新出现的场景，大幅降低对云侧再训练的频繁依赖，最终构建出一个既高效敏捷又具备自我进化能力的分布式智能网络。 # 4.3.4 AI Agent 技术 在传统的移动通信网络中，系统的决策往往依赖于预定义的规则与静态策略，缺乏对环境变化的感知记忆与动态响应能力。AI Agent是能够在特定环境中感知、理解目标并自主采取行动以达成任务的系统[40]。通过在边缘侧引入AI Agent，无线系统有望弥补“记忆缺失”和“动态决策”的难题，赋予边缘网络以持续学习、反思与协作的能力。 图13给出了AI Agent的核心组成和部署，及其在边缘侧的工作模式。AI Agent主要由感知、记忆、行动和规划四个模块组成，核心功能包括[41]： 1）环境感知与记忆机制：AI Agent能够持续收集并存储网络状态信息（如信道质量、用户移动性、业务负载等），形成短期与长期记忆，支持上下文感知的智能决策； 2）自主行动与动态规划：基于强化学习与在线学习算法，Agent可在无需人工干预的情况下，实时调整网络参数（如功率控制、资源分配），优化网络性能与能效； 3）多智能体协同（Multi-Agent）：通过分布式协商与协同学习，多个Agents可在边缘节点间实现联合优化，避免冲突、提升整体系统效率，尤其适用于超密集网络与移动性管理场景。这些能力在边缘侧以“工作流”形式编排运行（如感知-规划-行动，并结合记忆），支持多个并行流程在本地数据与用户环境中执行。 图13 AI Agent的核心组成及其在边缘侧的工作模式 AI Agent在边缘侧设计和部署的关键技术主要包括： 1）记忆与反思机制：构建具备历史数据分析与经验回放能力的Agent架构，支持策略迭代与长期网络行为建模（如潮汐效应、事件驱动型流量预测）。 2)Multi-Agent 协同算法与协议：搭建 AI Agent 编排框架，管理多个边缘 AI Agents 之间的任务分配、通信与协作；研究基于博弈论、联邦学习、共识机制的多 Agent 协作框架，确保在去中心化环境下的高效、安全与可扩展协同，例如，可采用基于联邦学习的协同训练模式，允许多个 AI Agents 在本地数据不共享的前提下联合优化模型，既保障隐私又提升群体智能。 3）轻量化Agent设计与部署：面对边缘侧严峻的算力、存储和功耗约束，需要综合运用模型架构设计、模型压缩与加速、持续学习与自适应能力等技术，在效率与性能之间取得平衡，针对边缘设备资源受限的特点，开发低开销、高并发的Agent推理与训练技术，实现“小而灵”的智能体部署。 4）边缘优化的决策与规划：AI Agent 的决策与规划的核心目标是在有限算力与能耗约束下，仍能做出可靠、高效的自主决策。为此，边缘 AI Agent 通常采用层次化与轻量化的决策架构。在高层，AI Agent 基于轻量级强化学习方法，将复杂任务分解为可执行的子任务序列。在低层，依赖本地优化算法等，实现对子任务的快速响应与动作执行。同时，为适应边缘环境的动态性与不确定性，AI Agent 需具备在线学习与自适应能力，能够依据反馈持续调整策略，避免因数据分布变化导致的性能退化，使 AI Agent 能够在多重约束下进行局部滚动优化，实现对动态环境的实时响应和自主决策。 5）高效的资源管理与协同计算：AI Agent的高效资源管理与协同计算是其实现自主智能的关键前提。面对边缘节点算力有限、能耗约束严格且网络条件多变的挑战，资源管理机制可有效实现动态自适应的调度策略。AI Agent实时监测本地的计算、存储、能耗、网络资源状态，并基于任务优先级、延迟敏感度和能耗指标等做出智能决策：对于轻量级实时任务，优先在本地完成推理以保障低延迟；对于计算密集型任务，则通过 计算卸载技术将计算任务拆分并分发至边缘服务器或云端，形成云-边-端三级协同的计算范式。 因此，边缘侧AI Agent需通过记忆与反思、多智能体协同，并通过轻量化设计以适配受限算力，实现高效、安全、可扩展的部署[42]。 AI Agent的应用场景与价值包括： 1）智能无线资源管理：Agent可动态调整频谱、功率与天线参数，提升网络容量与覆盖； 2）服务编排与生命周期管理：在边缘计算环境中，Agent可实现服务的按需部署、迁移与终结，保障QoS（Quality of AI Service）； 3）通感一体化智能服务：结合多模态感知数据（如RF测量、视觉、定位），Agent可提供端到端的情境感知服务，如智能交通调度、工业物联网监控等。 综上所述，AI Agent技术是实现“AI over Edge”愿景的核心使能技术之一。通过赋予边缘网络以记忆、学习与协作能力，它不仅解决了传统通信系统中“机械执行”的局限性，也为构建具备持续进化能力的下一代智能边缘网络奠定了坚实基础。 # 4.3.5 面向具身智能的端到端信息服务技术 随着人工智能与机器人技术的深度融合，具身智能（Embodied AI）正成为下一代信息服务的重要载体，同时也是AI over Edge的重要应用场景之一。其通过智能体（如机器人、自动驾驶车、XR设备等）在物理世界中的感知、交互与行动，为用户提供前所未有的沉浸式和主动式服务体验。 具身智能信息服务是指由拥有物理“本体”的智能体，通过多模态感知理解环境，并执行具身化行动，从而向用户提供智能化、情境化服务的技术体系。这要求底层的信息服务技术必须实现从感知、计算到执行的端到端闭环，并能动态适应复杂多变的物理环境。涉及到的关键技术包括： # 与通感深度耦合的端到端智能化服务 “通感”即通信与感知的深度融合，是具身智能服务的基础。端到端智能化旨在将“感知-通信-计算-执行”的传统线性串行架构，重构为一个从原始传感器数据到最终服务动作的协同优化整体，通信不再仅仅是传输数据的管道，其本身也成为感知和控制系统的一部分。通信和感知资源根据当前任务的优先级进行动态分配和调整，并能利用深度学习等技术，联合优化感知模块、控制策略等，在资源受限时做出最优的权衡，实现端到端智能化服务。 # $\succ$ 服务的智能编排与开放 单个具身智能体的能力有限，未来必然是多个智能体协同、云边端协同的生态系统。服务的智能编排与开放是实现这一愿景的核心。将各类具身智能服务（如导航、识别等）原子化、模块化，将智能体的能力封装成可被统一发现和调用的网络服务，构建统一的动态编排引擎进行编排管理。编排引擎通过理解任务逻辑、服务间的依赖关系，实时感知环境状态，根据用户的高层指令，自动发现、组合、编排、调度并执行一系列原子服务。同时支持结合知识图谱、强化学习等AI技术，动态调整服务链和任务分配策略。通过构建开放服务框架，实现能力服务化封装与安全可信调用，并建立开放平台，允许第三方开发者注册和发布新的智能服务，形成丰富的服务生态。 # $\succ$ 边缘计算服务的按需灵活提供及生命周期管理 具身应用对延迟极其敏感，且计算负载波动大。集中式的云计算无法满足需求，必须依赖边缘计算。在网络边缘构建分布式计算资源池，能够根据具身智能体的实时需求，动态地创建、迁移、扩缩容和释放计算服务。依托算力感知路由和网络协议，通过无线 算力网络实现计算任务的智能调度与分发。设计无线算力网络管理框架，对边缘服务实例进行全生命周期管理，在智能体移动过程中，实现服务的无缝迁移，保证任务执行的连续性。 # > QoAIS 保障技术 QoAIS是衡量智能信息服务质量的核心指标，是一个多维度的度量体系，超越了传统的网络QoS（如带宽、延迟），涉及感知、通信、计算和控制多个层面，涵盖了任务成功率、任务完成时间、能耗效率等多个维度，通过实时监测多维度指标，打破各层之间的壁垒，进行跨层的联合资源调度与优化。 # 4.3.6 数据安全与隐私 边缘人工智能的部署环境从高度受控的云端数据中心转向开放、离散的现实世界，这一根本性转变使其安全范式面临前所未有的严峻挑战。因此，对安全性的关注并非一种补充，而是边缘智能能否成功落地的首要前提。其独特性源于多重因素：（1）物理安全边界变得模糊，边缘设备可能部署在无人值守的公共场所，极易遭受物理接触与篡改；（2）网络连接不可靠且多变，不稳定的网络不仅影响性能，更大幅增加了通信被监听或中间人攻击的风险；（3）设备本身资源高度受限，难以承载复杂的传统安全软件，使其自身成为安全链条中的薄弱环节；（4）异构环境极其复杂，来自不同厂商、架构各异的硬件与软件堆栈共存，极大地扩大了攻击面。基于这些挑战，亟需构建出相应的威胁模型，其攻击面覆盖了系统的每一个层面：（1）在数据层面，攻击者可通过数据投毒污染训练集，或窃取传输中的隐私数据；（2）在模型层面，存在模型窃取、逆向工程以及通过对抗样本攻击误导推理结果的威胁；（3）在基础设施层面，边缘节点或终端设备可能被劫持而沦为僵尸网络的一员；（4）在通信渠道，中间人攻击可篡改或中断关键指令与数据流。系统性识别这些威胁是构建有效安全防护体系的前提。 图14 边端分离与边端一体模式 在AIOverEdge时代，无论端边一体还是端边分离（如图14所示），只要数据跨出本地，安全与隐私便是必须直面的底线命题。在边端分离模式下，终端是“零算力”或“弱算力”的设备，所有AI推理统一在边缘完成，典型如安防IPC、工业传感节点。在端边一体模式下，终端自带“强算力”，可本地闭环绝大多数AI任务，仅在特殊需求时向边缘/云端请求增量能力，典型如智能机器人、自动驾驶车辆。 与AI Edge相关的数据安全与隐私保护技术包括但不限于： # $\succ$ 分布式信任 图15 持续认证云端与边缘端身份 在边缘计算开放、分散且边界模糊的环境中，无论是用户、设备还是边缘工作负载，在访问任何资源前都必须经过严格的、基于身份的认证与授权，并通过微隔离技术实现精细化的访问控制，确保即使单个节点被攻破，攻击者也难以横向移动。更进一步，应当将认证设计为一个持续的过程，其动态访问控制机制会持续评估访问主体的安全状态，如设备指纹、模型版本、地理位置、行为异常等，可结合信任年龄(AoT)概念[43]-[44]，实时计算风险等级，并动态调整访问权限，从而形成一种自适应的、基于风险的安全策略。 # 数据脱敏 通过对敏感数据进行变形、模糊或替换，在不影响数据分析或业务逻辑目的的前提下，最大限度地降低数据的敏感度，从而保护个人隐私和商业机密。其目标是让数据“可用但不可见”（敏感部分）。 # $\succ$ 同态加密（Homomorphic Encryption, HE) 边缘设备可以将敏感数据（如个人健康数据、视频片段）使用同态加密后发送到边缘服务器或云端。服务器可以在不知道数据内容（数据仍处于加密状态）的情况下，直接执行AI模型推理或训练计算，并将加密的结果返回。只有拥有密钥的边缘设备才能解密最终结果。 # $\succ$ 差分隐私（Differential Privacy, DP） 在数据离开边缘设备之前，或是在上传模型更新时，向其中注入适量的随机噪声。这个噪声足够大，可以掩盖任何单个个体的数据贡献，防止从输出结果中推断出特定个体的信息；但又足够小，不会对整个数据集的分析结果产生统计学上的显著影响。 # > 安全多方计算 (Secure Multi-party Computation, MPC) 通过密码学协议将各方的输入数据拆分、混淆，使得在计算过程中，任何一方都无法看到其他方的原始数据，但最终能获得正确的计算结果。实现多方安全计算的协议主要有基于混淆电路（Garbled Circuit，GC），秘密分享（Secret Sharing，SS）和同态加密（Homomorphic Encryption，HE）方式。 # > 可信执行环境 (Trusted Execution Environment, TEE) 在边缘设备（如手机、平板电脑的芯片）上创建一个硬件隔离的“安全飞地”。敏感的AI模型和数据进行可以在TEE内部被处理和存储，与设备上运行的操作系统和其他应用程序完全隔离。即使是拥有根权限的攻击者也无法访问TEE内的内容。当前业界主流的可信硬件技术路线包括：ARM Trust Zone，Intel SGX，AMD SEV，RISC-V keystone等。 # 区块链技术 在边缘人工智能分布式、去中心化的部署环境中，建立跨主体的信任与确保运行过程的透明可审计，对其规模化应用具备重要参考价值。区块链技术凭借其分布式账本所固有的不可篡改与可追溯特性，为构建可信边缘AI提供了至关重要的基础能力。首先，在模型可信方面，区块链被用于记录模型全生命周期的溯源信息，从训练数据的来源与哈希、训练过程的超参数与环境、到版本更新迭代记录以及最终在边缘节点的分发部署日志，均被永久且防篡改地记录在链，为模型的可信性提供了可验证的证据，有效杜绝了恶意模型或数据污染模型的传播，尤其在多方协作的场景中至关重要。其次，对于AI推理的审计与问责，关键推理决策的日志，包括输入数据的哈希、模型版本、推理结果与时间戳等，可被实时上链存证。这不仅为事后的责任界定、纠纷仲裁提供了数据基础，同时也为模型优化迭代提供了高质量、可信的反馈数据闭环。最后，区块链的分布式共识机制本身就在边缘节点间建立了一种无需中心权威的信任网络，任何对日志或数据的篡改企图都会被网络拒绝，有效防止了单个或多个边缘节点因被恶意攻破而伪造数据或作恶的行为。 # $\succ$ 模型