面向移动边缘网络的大型 AI 模型协同资源高效方法
网络与互联网体系结构
2026-02-17 v1
摘要
大型人工智能 (AI) 模型在移动边缘网络中的协同已成为满足边缘智能服务日益增长需求的热门范式。通过使多个设备协同执行子模型或子任务，协同 AI 可在资源受限的情况下提升推理效率和服务质量。然而，在此类环境中部署大型 AI 模型仍面临模型复杂度与边缘网络中有限计算、内存和通信资源之间的内在矛盾的挑战。本文提供了移动边缘网络中协同 AI 系统架构的综合概述，以及交通和医疗等代表性应用场景。我们进一步阐述了资源高效协同技术的最新进展，按空间方法和时间方法进行分类。主要的空间方法包括联邦调优、专家混合、基于补丁的扩散和层次化扩散。而重要的空间方法则包括分段学习、级联推理、投机解码和路由推理。在这些基础之上，我们提出一种多阶段扩散框架，实现大型生成模型在异构边缘资源上的弹性分布。实验结果表明，本框架在数据生成的效率和适应性方面实现了性能提升。
引用
@article{arxiv.2602.13206,
title = {Toward Resource-Efficient Collaboration of Large AI Models in Mobile Edge Networks},
author = {Peichun Li and Liping Qian and Dusit Niyato and Shiwen Mao and Yuan Wu},
journal= {arXiv preprint arXiv:2602.13206},
year = {2026}
}
备注
Accepted by IEEE Network. 9 pages, 4 figures