本文介绍了人工智能生成内容（AIGC）的技术及其在无线边缘网络中的应用，提出了 AIGC 作为服务（AaaS）的概念，并讨论了在边缘网络上部署 AaaS 的挑战。同时，我们还引入了几个基于图像的感知质量评估指标，并提出了一种通用有效的模型来说明计算资源与用户感知质量评估指标之间的关系。为了实现高效的 AaaS 和最大化在无线边缘网络中生成内容的质量，我们提出了一种深度强化学习启发的算法来选择最佳 ASP。仿真结果表明，相对于四个基准策略，即避免过载，随机，轮流以及上限方案，我们提出的算法可以为用户提供更高质量的生成内容并实现更少的崩溃任务。

Jan, 2023

提出了一种基于生成模型的工业 AIGC 协同边缘学习框架，通过利用真实样本合成和基于边缘的优化功能，实现高效的少样本学习，包括多任务 AIGC 计算卸载模型和注意力增强的多智能体强化学习算法，最终实现了边缘化 AIGC 任务完成的系统延迟优化。

May, 2024

本文深入讨论了基于人工智能技术生成内容的 AIGC，对其定义、关键条件、可重要的现有和未来特性、庞大的预训练模型带来的优势、工业链以及 AIGC 内部辅助生成和自动生成之间的区别进行了探讨，最后探讨了 AIGC 与元宇宙的潜在整合，旨在揭示 AIGC 的现有问题并提供未来应用方向。

Mar, 2023

提出了一种语义通信（SemCom）支持的生成式人工智能内容（SemAIGC）生成和传输框架，通过语义信息的提取和传输，解决了无线网络中提供优质 AIGC 服务的挑战，并采用资源感知的工作负载权衡（ROOT）方案进行计算资源的智能调整。仿真结果表明，与传统方法相比，所提出的 SemAIGC 框架在延迟和内容质量方面具有优势。

Oct, 2023

在本文中，我们提出了一种分散化的激励机制，利用多智能体深度强化学习在车联网环境中平衡 RSUs 上的 AIGC 服务供应和用户对服务的需求，以优化用户体验和减小传输时延。实验结果表明，我们的方法在性能上优于其他基准模型。

Mar, 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

通过引入内容生成层，将人工智能生成内容 (AIGC) 与语义通讯 (SemCom) 结合起来，提供了清晰的 AIGC 与 SemCom 之间互动产生有意义和有效内容的概念模型，并提出了一种基于 AIGC 技术的语义信息编码器和解码器的新框架，以优化 AIGC 服务的语义提取和评估指标，从而适应不同类型的内容生成、所需质量和语义信息使用。通过使用深度 Q 网络 (DQN)，展示了对优化问题的可行性和收敛特性的有益见解。

Aug, 2023

本文提出了一种新方法，将无线感知技术与人工智能生成的内容相结合，提出了一个统一的无线感知 - 人工智能生成内容框架，以改善数字内容生产的质量，在服务需求的基础上生成相应的数字内容。该框架能够根据用户的姿势作为约束生成内容，并能接受用户的反馈，从而调整边缘服务器上的计算资源以提高服务质量。实验结果验证了该框架的有效性，凸显了其在准确生成数字内容方面的潜力。

Mar, 2023

该研究综述了生成模型的历史和基本组成部分，并从单模态和多模态交互的角度介绍了文本和图像生成任务及相关模型，讨论了人工智能生成内容领域中的开放性问题和未来挑战。

Mar, 2023

本文旨在探讨 AI 生成内容（AIGC）的三个主要问题：隐私、偏见、毒性、误导和知识产权的风险，并提供解决这些风险的可行方向，以实现 AIGC 的负责任和安全部署。

Mar, 2023