本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术，为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案，并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。

Nov, 2021

本文提供了 6G 边缘智能的愿景，着重探讨了边缘计算基础设施和平台、数据和边缘网络管理、边缘软件开发以及 ML / AI 算法的实时和分布式训练等方面的内容，旨在实现带有安全、隐私、定价和最终用户方面的智能边缘服务。我们的主要目标是从物联网向智能物联网转变，并提供 6G 智能边缘的发展路线图。

Apr, 2020

这篇文章提出了一种基于人工智能的 6G 网络智能架构，用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用，并详细阐述了如何利用 AI 技术有效地优化网络性能，包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外，作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案，包括算法鲁棒性、计算效率、硬件开发和能源管理等。

Dec, 2019

高性能生成人工智能与边缘智能之间的相互作用提供了新的机会，而基于大量计算资源和大规模未标记语料的 GAI 预训练为 EI 提供了强大的基础知识，而 EI 可以利用碎片化计算资源为 GAI 聚合个性化知识。本文提出了一种面向 GAI 的综合网络（GaisNet），它利用无数据的知识传递来缓解矛盾，并通过双向的知识流实现 GAI 的循环模型微调和任务推断，实现了 GAI 和 EI 之间无缝融合和协同进化。实验结果验证了所提机制的有效性。最后，我们讨论了 GAI 和 EI 之间相互作用的未来挑战和方向。

Jan, 2024

这篇文章介绍了在应用和物理层中，通过研究三个高度耦合的过程的相互作用，提出了各种各样的集成传感 - 通信 - 计算方案，以改善资源利用率和实现边缘人工智能任务的定制目标。

Jun, 2023

人工智能（AI）技术已成为众多行业的关键驱动力，包括消费电子、医疗保健和制造业，主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络（DNN）的应用，其需要大量的训练数据和大量的计算资源进行处理。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流越来越多地过渡到靠近终端用户设备（EUDs）的无线边缘网络上。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 的新范式，这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力，但边缘 AI 面临重大挑战，主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续，这需要对边缘 AI 采取注重能源的方法。因此，本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分，以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下，我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法，包括训练数据获取、边缘训练和边缘推理。最后，我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。

Dec, 2023

通过应用 in-situ 模型下载技术，可以在 6G 移动网络中实现发射设备（如智能手机和传感器）的智能化。该技术可提供透明和实时的模型替换，可以根据时间变化的情况（如应用，位置和时间），设备异构存储和计算能力以及信道状态进行自适应模型下载。一项关键技术是在深度级别，参数级别或比特级别上动态压缩下载模型，以支持自适应模型下载。为该框架量身定制了三层（边缘、本地和中心）AI 库的虚拟 6G 网络架构。此外，还进行了实验来量化 6G 连接要求，并讨论了有关所提出技术的研究机会。

Oct, 2022

本文提出了一种基于联邦学习的网络架构，旨在通过分布式人工智能解决 6G 中的一些新挑战，包括应用 AI 于无线网络的困难，以及跨异构设备实现分布式 AI 的困难。

Apr, 2020

本文介绍了一种基于生成式对抗学习的信任管理方法，以保证 6G 无线网络的安全与服务质量。通过整合人工智能和信任管理，实现智能优化和安全性。最后，应用该方法来保证网络安全和服务质量，取得了出色的表现。

Aug, 2022

通过基于基础模型的六代移动通信系统本地人工智能框架，在任务导向连接方面实现智能且沉浸式的体验，重新定义设备和服务器之间的协作模式，构建本地智能库，并提出了一种定制化方法和一种基于任务的人工智能工具包的建构，同时提出了一种新颖的云边缘协同模式。

Oct, 2023