生成式人工智能与大语言模型赋能的边缘智能：前沿进展与应用探索

《IEEE Networking Letters》：Guest Editorial Special Issue on Generative AI and Large Language Models-Enabled Edge Intelligence

本刊推荐四篇前沿研究，聚焦生成式人工智能(GAI)与大语言模型(LLM)在资源受限的边缘网络中面临的部署效率、实时响应等挑战。研究人员从模型优化、资源管理、联邦学习等主题切入，提出了CNN-GAI融合模型、LLM智能体自动规划、多任务联邦微调MIRA及能耗优化分割学习框架等一系列创新方案。实验结果表明，这些方法能显著提升车联网任务卸载效率、无线网络规划质量、跨设备协作性能并降低训练能耗，为GAI/LLM在边缘计算中的落地提供了关键技术支撑。

　　

随着现代通信系统的飞速演进，网络边缘对智能化和自适应能力的需求日益迫切。传统人工智能(AI)技术在处理复杂动态环境时往往显得力不从心，而生成式人工智能(GAI)和大语言模型(LLM)凭借其强大的自学习、数据建模和上下文感知能力，为边缘智能注入了新的活力。GAI能够从海量数据中提取深层特征和语义信息，进行智能预测并优化流程，从而灵活应对复杂环境的变化。此外，通过模拟不同场景下的网络行为并生成新数据点，GAI可以优化网络架构、扩展训练数据集，进而提升模型的鲁棒性和泛化能力。LLM则能够通过少量样本学习快速适应多样化任务，并结合检索增强生成(RAG)等技术，强化其处理复杂文本任务的能力，实现精准信息生成与智能交互。

然而，将GAI和LLM部署到资源受限的边缘网络中存在诸多挑战，包括模型体积庞大导致的部署困难、对实时响应的高要求、跨设备协作的复杂性以及在有限计算、存储和带宽条件下的优化问题。为了应对这些挑战，发表于《IEEE Networking Letters》的这期特刊收录了四篇代表性论文，从高效模型部署、资源管理、联邦学习框架等角度展开了深入探索。

研究人员主要采用了卷积神经网络与GAI融合建模(CNN-GAI)、注意力机制强化学习(ARL)、LLM智能体自主决策、基于联邦学习的多任务微调(MIRA)、低秩自适应(LoRA)技术以及能耗优化的分割学习(SL)框架等关键技术方法。其中，部分研究涉及了真实城市环境下的车载轨迹数据和无线信号覆盖测量作为实验样本。

GAI增强的车联网任务卸载与RSU负载均衡策略

He等人提出了一种基于GAI的卷积神经网络模型(CNN-GAI)，该模型从车辆轨迹数据中学习，以精确捕捉车辆的动态特性。研究者还引入了注意力机制强化学习(ARL)算法来实现路侧单元(RSU)间的负载均衡。仿真结果验证了该算法在车联网(IoV)中的有效性，表明其能够更好地处理高密度区域的复杂轨迹，并动态适应交通密度的变化。

基于LLM智能体的无线电地图生成与无线网络规划

Quan等人开发了一种集成LLM智能体的自动化框架，用于自动生成无线电地图和执行无线网络规划。研究者设计了一个基于LLM智能体的软件平台，并在城市环境中进行了实验测试。实验结果表明，LLM智能体在改善信号覆盖和信号与干扰加噪声比(SINR)的同时，极大地减少了人工操作。

MIRA：面向大语言模型的联邦多任务学习方法

Elbakary等人提出了一种结合联邦学习中多任务学习概念的LLM微调方法。该方法考虑了不同客户端的数据分布和任务需求，并通过定制化学习方案优化微调过程。此外，作者引入了低秩自适应(LoRA)技术，通过最小化可训练参数的数量来减少计算和通信开销。仿真结果显示，与现有的联邦微调方法相比，该方法不仅提高了跨各种任务的全局性能，而且显著降低了每个客户端的本地损失。

面向边缘网络的能效优化分割学习框架

Li等人引入了一种用于边缘网络的能效优化分割学习(SL)框架，以解决在边缘设备上微调LLM带来的计算和通信开销问题，从而优化训练延迟和能耗。具体而言，作者设计了一种切割层与计算资源决策(CARD)算法，该算法动态选择切割层并分配服务器计算资源，从而在边缘网络中实现高效的LLM微调。仿真结果验证了所提方法在训练延迟和能耗方面取得的显著改善。

综上所述，本特刊的研究表明，通过创新性地融合GAI、LLM与边缘计算技术，能够有效解决边缘智能部署中的关键瓶颈问题。CNN-GAI与ARL的结合为车联网的动态资源管理提供了新思路；LLM智能体自动化框架显著提升了网络规划效率；联邦多任务微调方法MIRA与LoRA技术的运用，在保护数据隐私的同时提升了模型适应性；而能效优化的分割学习框架则为资源受限环境下的LLM训练提供了可行方案。这些研究成果不仅推动了GAI和LLM在边缘 intelligence 领域的应用创新，也为学术界和工业界的后续合作奠定了坚实基础，标志着边缘智能技术向更高效、更可靠、更普惠的方向迈出了重要一步。