云邊端協(xié)同計算與智能
隨著物聯(lián)網(wǎng)設(shè)備數(shù)量的持續(xù)攀升、傳感器應(yīng)用的日益廣泛以及生成式AI的蓬勃發(fā)展，全球數(shù)據(jù)規(guī)模正經(jīng)歷指數(shù)級擴張。國際數(shù)據(jù)公司(IDC)預(yù)測顯示[1]，至2028年全球數(shù)據(jù)總量將突破384.6 ZB，較2024年實現(xiàn)倍增。在此背景下，傳統(tǒng)云計算架構(gòu)面臨實時性不足、網(wǎng)絡(luò)時延高以及分布式數(shù)據(jù)隱私風(fēng)險等多重核心挑戰(zhàn)。為應(yīng)對上述挑戰(zhàn)，云邊端協(xié)同計算應(yīng)運而生，通過網(wǎng)絡(luò)連接多個節(jié)點(端設(shè)備、邊緣服務(wù)器或云數(shù)據(jù)中心)協(xié)同工作，實現(xiàn)計算能力的擴展與并行化，有效降低核心網(wǎng)帶寬壓力[2]，如圖1所示。智能化技術(shù)的融入，使云邊端協(xié)同計算具備環(huán)境自適應(yīng)與協(xié)同決策能力[3]。人工智能模型被部署于從云到端的各個層級，使系統(tǒng)能夠動態(tài)感知和適應(yīng)復(fù)雜的外部環(huán)境，并進行協(xié)同決策。更重要的是，邊緣智能激活了海量終端設(shè)備的數(shù)據(jù)價值，將其從被動的數(shù)據(jù)采集單元，轉(zhuǎn)變?yōu)槟軌蛑鲃痈兄?、推理和決策的智能體，為構(gòu)建泛在智能服務(wù)奠定了堅實基礎(chǔ)。國家層面高度重視并積極引導(dǎo)云邊端協(xié)同與邊緣智能的發(fā)展?！丁笆奈濉睌?shù)字經(jīng)濟發(fā)展規(guī)劃》強調(diào)推進云網(wǎng)協(xié)同和算網(wǎng)融合發(fā)展，打造智能算力、通用算法和開發(fā)平臺一體化的新型智能基礎(chǔ)設(shè)施[4]。工業(yè)和信息化部等六部門聯(lián)合發(fā)布的《算力基礎(chǔ)設(shè)施高質(zhì)量發(fā)展行動計劃》提出要促進邊緣算力協(xié)同部署，推動“云邊端”算力泛在分布、協(xié)同發(fā)展[5]。這些政策文件共同構(gòu)成了推動云邊端協(xié)同計算與智能發(fā)展的頂層設(shè)計，為相關(guān)技術(shù)創(chuàng)新和產(chǎn)業(yè)應(yīng)用指明了方向，注入了強大動力。
Figure 1. Cloud-edge-end collaborative computing architecture diagram
2. 國內(nèi)外研究現(xiàn)狀
在物聯(lián)網(wǎng)與人工智能技術(shù)的推動下，云邊端協(xié)同架構(gòu)已成為學(xué)術(shù)界的研究前沿。當前的研究路徑清晰地分化為兩大相輔相成的領(lǐng)域。其一為云邊端協(xié)同計算，該領(lǐng)域致力于構(gòu)建一個普適、高效、可靠的分布式計算底座，將任務(wù)與資源進行抽象化處理，追求系統(tǒng)層面的全局最優(yōu)。其二為分布式智能，該領(lǐng)域則從AI任務(wù)的內(nèi)生需求出發(fā)，研究如何設(shè)計專有的協(xié)同架構(gòu)與算法，以實現(xiàn)復(fù)雜的分布式感知、學(xué)習(xí)與決策，追求智能任務(wù)本身的效果最大化。
2.1. 云邊端協(xié)同計算：普適性計算框架的構(gòu)建與優(yōu)化
本領(lǐng)域的核心目標是打造一個通用的分布式計算平臺，它視上層應(yīng)用為待處理的抽象任務(wù)，致力于解決在異構(gòu)、動態(tài)環(huán)境下普適性的調(diào)度與管理難題。研究重點在于優(yōu)化系統(tǒng)級的關(guān)鍵性能指標，如時延、能耗、成本和可靠性，為所有上層應(yīng)用提供一個穩(wěn)定高效的運行環(huán)境，如下表1。
在計算卸載與資源分配這一核心問題上，學(xué)術(shù)界已發(fā)展出較為成熟的優(yōu)化理論。傳統(tǒng)方法側(cè)重于運籌學(xué)模型，例如，華東師范大學(xué)吳連濤團隊[6]通過構(gòu)建多小區(qū)協(xié)作框架來最小化用戶總成本；陳英團隊[7]則從博弈論視角切入，構(gòu)建了用戶體驗驅(qū)動的任務(wù)卸載模型。隨著環(huán)境動態(tài)性的增強，基于AI的決策方法成為主流。郝昊團隊[8]利用深度強化學(xué)習(xí)(DRL)賦能邊緣節(jié)點進行動態(tài)協(xié)同決策；北京郵電大學(xué)范文浩團隊[9]-[11]更是系統(tǒng)性地構(gòu)建了“服務(wù)放置–任務(wù)調(diào)度–資源分配”三維協(xié)同框架，通過混合DRL突破了長期服務(wù)的穩(wěn)定性瓶頸。南京理工大學(xué)周俊龍團隊[12]聚焦智能交通場景，提出多智能體強化學(xué)習(xí)模型，實現(xiàn)車路協(xié)同場景下任務(wù)卸載和計算資源分配的最優(yōu)決策。
在異構(gòu)與跨域協(xié)同方面，研究者致力于打破資源壁壘，實現(xiàn)更廣泛的算力共享。中南大學(xué)的王偉等人[13]提出的混合模式資源協(xié)作框架，實現(xiàn)了邊緣與云算力的彈性適配。陳星延團隊[14]創(chuàng)新性提出面向“云–邊–端”算力系統(tǒng)的計算和傳輸聯(lián)合優(yōu)化方法，采用梯度投影法突破算力與網(wǎng)絡(luò)耦合瓶頸。電子科技大學(xué)的張林團隊[15]與英國薩里大學(xué)Chong Huang團隊[16]的研究則將協(xié)同的范疇從地面網(wǎng)絡(luò)拓展至“空間–空中–地面”一體化的立體網(wǎng)絡(luò)，探索了該復(fù)雜場景下的能效與任務(wù)聯(lián)合優(yōu)化。
此外，為解決異構(gòu)環(huán)境下的部署難題，張文柱等人[17]引入Docker容器化技術(shù)，為構(gòu)建通用的多接入邊緣計算環(huán)境提供了實踐方案。
Table 1. Research status of cloud-edge-end collaborative computing
2.2. 分布式智能：AI賦能下的協(xié)同感知、決策與生成
與協(xié)同計算的普適性視角不同，分布式智能領(lǐng)域的研究出發(fā)點是AI任務(wù)本身，如表2所示。在分布式智能中，資源調(diào)度和協(xié)同策略不再是通用目的，而是被深度定制，以服務(wù)于特定的智能目標，如最大化模型精度、加快學(xué)習(xí)收斂速度或提升推理實時性。
在分布式協(xié)同感知方面，研究旨在融合多源、多模態(tài)數(shù)據(jù)以形成超越單點的場景理解。哈爾濱工業(yè)大學(xué)崔雙雙等人[18]通過構(gòu)建多維特征張量，實現(xiàn)了云邊端跨層異構(gòu)數(shù)據(jù)的語義對齊，解決了多模態(tài)數(shù)據(jù)的融合難題。劉林峰團隊[19]則將圖注意力機制與時空卷積網(wǎng)絡(luò)結(jié)合，這種為時空數(shù)據(jù)“定制”的融合框架，是實現(xiàn)精準城市交通預(yù)測的關(guān)鍵。來自Uber和多倫多大學(xué)的Liang等人[20]探索了如何利用車對車通信來提升自動駕駛汽車的感知和運動預(yù)測性能。他們通過智能整合從附近多輛車接收到的信息，能夠從不同視角觀察同一場景，穿透遮擋物，在觀測數(shù)據(jù)極為稀疏或根本不存在的情況下，遠距離檢測目標。
在面向AI任務(wù)的實時協(xié)同方面，協(xié)同機制的設(shè)計完全服務(wù)于AI模型的實時推理需求。例如，趙林東團隊[21]開發(fā)的數(shù)字孿生驅(qū)動架構(gòu)，其核心是通過虛實映射機制，將工業(yè)預(yù)測性維護AI模型的決策延遲壓縮至毫秒級。華中科技大學(xué)郝義學(xué)團隊[22]提出的輕量化實時計數(shù)框架，其采用的可微分神經(jīng)架構(gòu)搜索和視頻流動態(tài)裁剪技術(shù)，本質(zhì)上是一種AI驅(qū)動的協(xié)同策略——系統(tǒng)根據(jù)AI模型的需求來智能決定傳輸哪些數(shù)據(jù)，從而在保證計數(shù)精度的前提下極大降低帶寬消耗。同樣，北京航空航天大學(xué)曹志強團隊[23]設(shè)計的自適應(yīng)判別器協(xié)作檢測系統(tǒng)，其“邊篩選、云精判”的模式，是為優(yōu)化困難樣本檢測這一特定AI任務(wù)而設(shè)計的協(xié)同流程。
在分布式協(xié)同學(xué)習(xí)與生成方面，研究已進入更復(fù)雜的協(xié)同智能階段。例如，聯(lián)邦學(xué)習(xí)(Federated Learning)是分布式智能的標志性范式，其客戶端選擇、模型聚合等協(xié)同策略，完全是為了在保護數(shù)據(jù)隱私的前提下，高效、準確地完成分布式模型訓(xùn)練這一核心智能任務(wù)。例如，由來自Google的研究人員McMahan等人提出的開創(chuàng)性工作[24]，其設(shè)計的聯(lián)邦平均(FedAvg)算法奠定了該領(lǐng)域的基礎(chǔ)，使得在不共享原始數(shù)據(jù)的情況下，通過聚合本地模型更新來訓(xùn)練全局模型成為可能。然而，真實場景中各節(jié)點的數(shù)據(jù)異構(gòu)性(Non-IID)會嚴重影響模型收斂，為解決這一挑戰(zhàn)，Li等人提出的FedProx算法[25]通過引入近端項來約束本地訓(xùn)練過程，顯著提升了異構(gòu)環(huán)境下的模型穩(wěn)定性和性能。同樣，在生成式AI的浪潮下，如何通過邊云協(xié)同來運行大型語言模型(LLM)成為前沿，研究者們探索將模型進行切分，或通過檢索增強生成(RAG)讓邊云協(xié)同完成推理，這些協(xié)同方式的設(shè)計初衷均是為了實現(xiàn)高質(zhì)量的內(nèi)容生成。如基于向量數(shù)據(jù)庫的智能緩存機制VELO框架[26]。該方法在邊緣側(cè)緩存LLM的問答對，并通過多智能體強化學(xué)習(xí)訓(xùn)練一個決策智能體。當新請求到達時，智能體能判斷該請求與緩存中問題的相似度，從而決定是直接從邊緣返回“語義相似”的答案，還是向云端發(fā)起新的推理請求。這種將LLM視為“黑盒”并優(yōu)化其服務(wù)流程的思路，為降低LLM使用成本和延遲提供了極具實用價值的方案。
Table 2. Research status of distributed intelligence
3. 發(fā)展趨勢和展望
隨著云邊端協(xié)同計算與智能技術(shù)的深度融合，其發(fā)展將呈現(xiàn)以下核心趨勢：
(1) 從資源孤島到分布式算力網(wǎng)絡(luò)
面對AI模型、數(shù)字孿生等應(yīng)用帶來的爆炸式算力需求，傳統(tǒng)的、孤立的邊、云數(shù)據(jù)中心正在向一個統(tǒng)一、協(xié)同的“算力網(wǎng)絡(luò)”演進。其核心目標是讓算力像電力和網(wǎng)絡(luò)一樣，成為一種可按需取用、即取即用的社會級服務(wù)。一方面，從“任務(wù)卸載”到“算力路由”，系統(tǒng)將具備全局視野，能夠?qū)崟r感知從云到端所有可用算力資源(CPU、GPU、NPU等)的狀態(tài)、成本和能耗。如同網(wǎng)絡(luò)中的路由協(xié)議，智能調(diào)度算法將為每一個計算任務(wù)動態(tài)規(guī)劃出最優(yōu)的“算力路由”，實現(xiàn)跨地域、跨運營商、跨空天地的算力最優(yōu)分配。另一方面，從“應(yīng)用適配算力”到“算力主動服務(wù)應(yīng)用”：未來的算力網(wǎng)絡(luò)將是“意圖驅(qū)動”的。開發(fā)者只需聲明其應(yīng)用對時延、成本、精度等方面的需求，算力網(wǎng)絡(luò)便能自動化地完成服務(wù)部署、資源配置、彈性伸縮和故障自愈的全生命周期管理，從而極大降低復(fù)雜應(yīng)用的開發(fā)和運維門檻。
(2) 終端與邊緣成為智能創(chuàng)新的核心
AI能力下沉至邊緣，已成為應(yīng)對實時性需求與隱私保護雙重壓力的必然趨勢。例如，機器視覺作為智能制造的典型場景，需要上行帶寬超過50 Mbps甚至200 Mbps，端到端通信時延小于10 ms，可靠性要求大于99.9999% [27]。這一趨勢正從根本上顛覆長期以來“云重邊輕”的模式，推動終端與邊緣從被動的“數(shù)據(jù)采集器”轉(zhuǎn)變?yōu)橹鲃拥摹爸悄荏w”。這場變革的實現(xiàn)，得益于硬件算力的突破與協(xié)同算法的創(chuàng)新。硬件層面，以華為海思Ascend310芯片為例，其能以約25 W的低功耗提供高達22TOPS的AI算力，為在邊緣部署復(fù)雜AI模型提供了堅實的物理基礎(chǔ)[28]。算法層面，智能化的協(xié)同范式不斷涌現(xiàn)，為不同AI任務(wù)在邊緣的落地提供了可行路徑。以聯(lián)邦學(xué)習(xí)為代表的技術(shù)使邊緣節(jié)點群能在不共享原始數(shù)據(jù)的前提下，協(xié)同訓(xùn)練強大的全局模型，并可進一步演化為最適應(yīng)本地需求的個性化模型，實現(xiàn)“群體智能”與“個體智能”的共生。對于生成式AI，業(yè)界正積極探索“小模型在邊緣、大模型在云端”的高效協(xié)同模式。其核心是利用邊緣側(cè)的輕量化模型和智能語義緩存處理海量高頻請求，僅在需要深度創(chuàng)作或復(fù)雜推理時才調(diào)用云端大模型，從而在保證服務(wù)質(zhì)量的同時大幅降低AIGC的應(yīng)用成本，為其在各行業(yè)的普及鋪平道路。
(3) 綠色計算成為協(xié)同架構(gòu)的內(nèi)生目標
隨著全球數(shù)據(jù)總量和計算需求的激增，數(shù)據(jù)中心和通信網(wǎng)絡(luò)的能耗問題日益凸出，全球數(shù)據(jù)中心年耗電量已達1000 TWh [27] [29]。云邊端協(xié)同架構(gòu)通過將計算推向數(shù)據(jù)源頭，天然具備了節(jié)能潛力。未來，“綠色計算”將從一個附加選項，變?yōu)閰f(xié)同架構(gòu)設(shè)計與調(diào)度的核心約束和優(yōu)化目標。綠色化路徑呈現(xiàn)出從宏觀能源供給到微觀芯片設(shè)計，再到系統(tǒng)級智能調(diào)度的多層次、立體化特征：一是供電模式的綠色革新，例如騰訊云正大規(guī)模開發(fā)建設(shè)數(shù)據(jù)中心分布式新能源項目，預(yù)計2030年實現(xiàn)100%綠色電力，自身運營及供應(yīng)鏈的全面碳中和[30]；二是硬件能效提升，從追求性能到專注“算力功耗比”。例如，3D堆疊、存算一體、新型半導(dǎo)體材料以及專用計算架構(gòu)等技術(shù)在加速發(fā)展，其共同目標是在有限的功耗預(yù)算內(nèi)，為邊緣設(shè)備提供出最大的有效算力。三是架構(gòu)與算法的協(xié)同節(jié)能，將計算推向數(shù)據(jù)源頭，最大限度減少非必要的數(shù)據(jù)傳輸。架構(gòu)級節(jié)能通過在邊緣側(cè)完成數(shù)據(jù)預(yù)處理、清洗和特征提取，僅將高價值、小體積的結(jié)果數(shù)據(jù)上傳至云端，從物理上減少了廣域網(wǎng)的流量和能耗。算法級節(jié)能中輕量化的模型壓縮與量化技術(shù)，則直接降低了在資源受限的邊緣設(shè)備上運行算法所需的計算能耗。這種從傳輸“原始數(shù)據(jù)”到傳輸“有效知識”的轉(zhuǎn)變，是實現(xiàn)全鏈路綠色化的關(guān)鍵。
(4) 安全與隱私保護加強
云邊端協(xié)同在帶來靈活性和高效性的同時，也因其開放和分布式的特性，引入了更復(fù)雜的安全挑戰(zhàn)，據(jù)統(tǒng)計2024年物聯(lián)網(wǎng)惡意軟件攻擊增長了45%，其中路由器是攻擊目標最多的設(shè)備類型，超過66%的攻擊針對這些設(shè)備[31]。安全能力必須“內(nèi)生”于協(xié)同體系的每一環(huán)，并構(gòu)建于零信任架構(gòu)與隱私計算范式兩大基石之上。首先是遵循“永不信任，永遠驗證”原則的零信任架構(gòu)：在傳輸層，國密SM9等高性能加密算法[32]可為5G邊緣網(wǎng)絡(luò)提供高速安全信道；在計算層，基于可信執(zhí)行環(huán)境的安全節(jié)點(如螞蟻鏈“摩斯”)能實現(xiàn)高效的機密計算與聯(lián)邦學(xué)習(xí)；在存儲層，“分片加密–邊緣存儲–云端審計”等機制，通過將數(shù)據(jù)分散加密存儲，能有效防范因單點故障或攻擊導(dǎo)致的數(shù)據(jù)泄露與篡改風(fēng)險。其次是隱私計算范式的普及深化。以聯(lián)邦學(xué)習(xí)為代表的“數(shù)據(jù)不動模型動”技術(shù)正成為處理敏感數(shù)據(jù)的標準范式，從源頭保障用戶隱私。在此基礎(chǔ)上，業(yè)界正積極探索效率更高的多方安全計算、同態(tài)加密等前沿技術(shù)，以適應(yīng)更廣泛的協(xié)同計算場景。
下載文檔
