Apr, 2024

低碳人工智能物联网的生成性人工智能

PDF
TL;DR通过结合人工智能和物联网，人工智能物联网（AIoT）已经在许多领域引起革命。本文旨在探讨生成式人工智能（GAI）降低 AIoT 碳排放的潜力，并提出了一种新颖的 GAI 解决方案用于低碳 AIoT。我们首先研究引起 AIoT 碳排放的主要影响，然后介绍 GAI 技术及其与碳排放之间的关系。接下来，我们探索了 GAI 在低碳 AIoT 中的应用前景，重点讨论了 GAI 如何减少网络组件的碳排放。随后，我们提出了一个基于大型语言模型（LLM）的碳排放优化框架，框架中设计可插拔的 LLM 和检索增强生成（RAG）模块，以生成更准确可靠的优化问题。此外，我们利用生成扩散模型（GDM）识别碳排放减少的最佳策略。模拟结果证明了该框架的有效性。最后，我们提供低碳 AIoT 的未来研究方向。
artificial intelligence of thingsgenerative aicarbon emissionslow-carbon aiotoptimization framework
发现论文，激发创造
  • 从生成式人工智能到生成式物联网：基础、框架与展望

    通过将生成式人工智能（GAI）与现代物联网（IoT）相结合，我们提出了生成式物联网（GIoT）的概念，并研究了其潜在前景。我们介绍了四种 GAI 技术，讨论了 GIoT 的应用，并提出了一个基于 GAI 的安全激励机制框架，使用生成扩散模型（GDMs）进行机制设计，并应用区块链技术进行安全的 GIoT 管理。最后，我们通过现代车辆的交通监测案例研究，展示了利用 GDMs 生成有效合同来激励用户提供高质量感知数据。未来还有一些值得研究的开放方向，以促进 GIoT 的普及。

    Oct, 2023

  • 生成式人工智能时代的物联网：视野与挑战

    利用产生式人工智能（Generative AI）将物联网（IoT）推向新水平，提供巨大的潜力和重要应用领域。然而，在实现物联网中充分利用 Generative AI 方面存在着一些关键挑战和机遇。

    Jan, 2024

  • 朝着 6G 及以后的网络人工智能零碳排放目标迈进

    全球正在努力减少全球温室气体（GHG）排放（主要是碳排放）到 2030 年减半并在 2050 年达到净零。本文提出了一个评估框架，用于分析网络 AI 实现的生命周期，并引入了一种名为 DETA 的联合动态能源交易和任务分配优化框架，以减少网络 AI 系统的碳排放。根据硬件原型上的实验结果，我们的解决方案可以将网络 AI 系统的碳排放减少多达 74.9%。最后，讨论了待解决的问题和未来方向。

    Sep, 2023

  • 生成人工智能（GAI）在移动和无线网络中的应用：综述

    人工智能在移动网络和物联网领域的成功促进了移动网络和未来互联网向整合人工智能的物联网时代迈进。本文详细介绍了生成式人工智能在移动和无线网络中的作用，包括基础知识、模型、应用、网络管理、无线安全、语义通信，并总结了当前移动和无线网络中生成式人工智能的研究现状和面临的挑战。

    May, 2024

  • 物联网中生成式人工智能的安全风险关切

    本文研究了物联网和生成式人工智能（AI）交叉融合的时代中，这种整合中所固有的新兴安全风险。我们探讨了生成式人工智能在物联网中推动创新的方式，并分析了在使用生成式人工智能时可能发生数据泄露以及在物联网生态系统中滥用生成式人工智能技术的潜力。这些风险不仅威胁到物联网系统的隐私和效率，而且对 AI 驱动环境中的信任和安全性产生广泛的影响。本文讨论还延伸到缓解这些风险的战略方法，包括开发健壮的安全协议、多层次安全方法和采用 AI 技术解决方案。通过全面分析，本文旨在阐明在物联网中拥抱 AI 进步和确保严格安全之间的关键平衡，并提供对这些交织技术未来方向的洞察。

    Mar, 2024

  • 物联网车联网中混合专家模型与多模态生成 AI 的集成：综述

    通过集成 Moe 和 GAI 实现 IoV 中的人工通用智能，以实现 IoV 的全面自主性，减少人类监督，并适用于广泛的机动性场景，包括环境监测、交通管理和自动驾驶。

    Apr, 2024

  • 绿色计算的机遇：一项调查

    人工智能在技术和研究方面取得了显著的进展，并广泛应用于计算视觉、自然语言处理、时间序列分析、语音合成等多个领域。然而，随着大型语言模型的出现，研究人员的注意力主要集中在追求最新的技术成果，导致模型规模和计算复杂性不断增加，需要更高的计算能力，进而产生更高的碳排放量，阻碍了资金有限的中小型研究机构和公司参与研究，并引发研究公平性的问题。为应对计算资源和人工智能的环境影响，绿色计算已成为一个热门的研究课题。在本调研中，我们对绿色计算中使用的技术进行了系统概述，并提出绿色计算的框架，将其分为四个关键组成部分：(1) 绿色度量指标，(2) 能效人工智能，(3) 能效计算系统和 (4) 可持续发展的人工智能应用案例。针对每个组成部分，我们讨论了研究进展及常用的优化技术，结论表明这个新的研究方向有潜力解决资源限制与人工智能发展之间的冲突。我们鼓励更多的研究人员关注这个方向，使人工智能更加环保友好。

    Nov, 2023

  • 当生成 AI 遇见边缘智能时的集成微调和推理

    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

  • 生成智能 AI 区块链网络：基础知识、应用和案例研究

    生成人工智能已经成为解决区块链技术关键挑战的有希望的解决方案。本论文介绍了生成人工智能技术，概述了它们的应用，并讨论了将生成人工智能纳入区块链的现有解决方案。此外，案例研究表明生成扩散模型可以优化区块链网络性能指标。实验结果清楚地显示，与传统人工智能方法相比，所提出的生成扩散模型方法可以更快地收敛、获得更高的奖励，并显著提高区块链网络的吞吐量和延迟。最后，本文提出了生成人工智能在区块链应用中的未来研究方向。

    Jan, 2024

  • 地球科学与生成式人工智能以及大型语言模型的交叉研究：基础、趋势与未来挑战

    通过生成人工智能在地球科学领域的潜在应用，我们探讨了机器学习和深度学习的最新发展，以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络（GANs）、物理信息神经网络（PINNs）和基于生成预训练转换器（GPT）的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战，如确保物理解释性、恶意用途案例和可信度。总的来说，GAI 模型对地球科学界有着巨大潜力，特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面，通过其对数据驱动建模和不确定性量化的非凡能力。

    Jan, 2024