本文介绍了边缘计算智能（如边缘人工智能 / 机器学习）的应用和挑战，为解决现有方法存在的采用障碍，提出了一种基于模型为中心的设计，以建立分散体系结构下的高效协作学习。

Jun, 2023

探讨了华为云的 Auto-Split 系统采用的边缘 - 云协作技术，实现了高效的深度学习模型部署和推理，为行业级应用提供新的解决方案。

Aug, 2021

本文系统地回顾了云计算和边缘计算两种 AI 模型，并首次建立了云边协同建模的协作学习机制，最后讨论了该领域的前景和挑战。

Nov, 2021

该论文提出了一种基于边缘计算的 DNN 协同推理框架 Edgent，通过 DNN 分区和权衡设备的云资源和临近边缘资源来协调实时的 DNN 推理，进而降低计算延迟，实现低延迟边缘智能处理。

Oct, 2019

无线网络的演变趋势是朝着连接智能化发展，边缘人工智能作为一种有前景的解决方案，通过在网络边缘提供高质量、低延迟和保护隐私的人工智能服务来实现连接智能化。本文介绍了一种自主边缘人工智能系统，它自动组织、自适应并优化自身以满足用户的多样化需求。该系统采用云 - 边缘 - 客户端分层架构，其中大型语言模型（即 GPT）位于云端，其他人工智能模型则共同部署在设备和边缘服务器上。通过利用 GPT 在语言理解、规划和代码生成方面的强大能力，我们提出了一种多功能框架，它能够高效协调边缘人工智能模型以满足用户的个性化需求，同时通过边缘联合学习自动生成训练新模型的代码。实验结果表明，该系统具有精确理解用户需求、以最小成本高效执行人工智能模型以及通过联邦学习有效创建高性能人工智能模型的非凡能力。

Jul, 2023

通过开发并建立新的方法，KDT NEUROKIT2E 项目旨在为边缘设备上的人工智能应用提供新的开源框架，其中包括量化、剪枝感知训练和稀疏化等创新技术，以显著扩展此类设备的功能范围，利用本地资源来处理复杂的机器学习任务，为创新的学习方法奠定基础。

Nov, 2023

本文旨在探讨 6G 边缘本地人工智能网络中的关键需求和挑战，并介绍了一种基于自我监督生成对抗网络的自学习体系结构，可以在网络边缘实现自动数据学习和合成，实现较大的性能提升。最后，讨论了自学习可实现的未来趋势和关键研究问题。

Oct, 2020

在这篇文章中，我们提出了协作边缘训练这一新的训练机制，利用可信的边缘设备作为资源池来加速边缘的可持续大型人工智能模型训练，并分析了该系统的优点和可持续调度选择以及对能源需求的实证研究，同时讨论了可持续协作边缘训练面临的挑战和未来发展方向。

Apr, 2024

本文概述了生成人工智能和边缘云计算的最新发展，并利用两个示例应用程序讨论了使用边缘云协作系统扩大其解决方案的技术挑战。最后，我们列出了在规模上训练和部署 GenAI 系统的设计注意事项，并指出了未来的研究方向。

Jun, 2023

本文基于 Dagstuhl 研讨会 (21342) 的集体输入，全面讨论了边缘计算背景下的 AI 方法和能力，称之为边缘 AI，旨在为数据驱动的应用程序提供适应性，在网络和无线电访问方面进行增强，允许创建、优化和部署具有给定的体验质量、信任、安全性和隐私目标的分布式 AI/ML 管道。边缘 AI 社区研究适用于边缘计算环境的新型 ML 方法，涵盖计算机科学、工程和 ICT 的多个子领域，旨在分享一份愿景路线图，以进一步推进边缘 AI 领域。

Nov, 2021