在人工智能與物聯網技術高速發展的今天，多用戶無線傳感系統正迅速成為智慧生活、智慧安防和智慧醫療等場景中的關鍵支撐。然而，如何在資源受限的傳感器設備上實現高精度、低延遲的AI推理，仍是一個極具挑戰的課題。隨著AI算法的快速演進，訓練有素的深度神經網絡被廣泛用于圖像識別、行為檢測和目標追蹤等領域。在無線傳感系統中，傳感器設備（Sensor Device，簡稱SD）能夠通過分析無線信號中的波動來推測人的存在、移動軌跡甚至動作類別。這種“看不見的感知”方式因其隱私性強、部署靈活而備受關注。
然而，強大的AI模型需要大量計算資源，這與傳感器設備天生的資源匱乏形成了天然矛盾。傳統的處理方法包括將整個模型卸載至邊緣服務器（Edge Server，簡稱ES）或完全在本地計算，但前者會受限于通信帶寬與網絡波動，后者則受限于本地算力與能耗瓶頸。為了解決這一矛盾，業內開始探索設備邊緣協同推理的新范式，即通過模型分裂，讓SD執行部分前置計算，剩余任務由ES接力完成。如此一來，既可緩解SD的計算壓力，又可降低通信負載，從而實現更為靈活、高效的智能服務。微算法科技（NASDAQ:MLGO）最新研發成果——一種融合深度強化學習（DRL）與凸優化的設備邊緣協同推理優化系統。這一技術不僅在模型分裂策略上實現突破，還在資源分配上達成近乎最優的能耗控制目標，預示著無線感知智能系統邁入一個更高效、智能的新時代。
設備邊緣協同推理在實際設計中卻極具挑戰。其核心問題在于模型分裂的策略選擇：即將一個AI模型劃分為兩個連續子部分，分別部署于SD和ES。不同的分裂點會直接影響前后兩部分的計算量、特征數據體積及通信需求。由于各個SD的信道狀態、可用計算資源、能量預算等差異顯著，模型分裂不可能采用統一的策略，而需根據每個用戶的具體情況進行個性化決策。
更復雜的是，在多用戶協作場景中，所有SD的推理任務共享同一邊緣服務器，其資源（如帶寬、處理能力）具有一定上限。因此，某一個SD的分裂點選擇將影響到其他用戶的資源使用上限，模型分裂決策因此高度耦合。同時，分裂點本質上是一個離散的組合變量，整套系統的優化問題呈現出混合整數非線性特征（MINLP），不僅求解空間巨大，而且傳統算法難以有效求解。
微算法科技研發團隊采用了“分布式”的算法設計理念，將整個優化任務拆解為兩個子問題：組合優化的模型分裂問題與連續優化的資源分配問題，并分別采用深度強化學習和凸優化手段進行求解，形成一個高效而協同的集成學習與優化框架。
首先，針對模型分裂這一離散決策問題，微算法科技（NASDAQ:MLGO）研發團隊引入了深度強化學習技術。在該方法中，每個傳感器設備被建模為一個智能體，其動作空間由可選的分裂點組成，環境狀態則包含當前的信道增益、剩余能量、本地計算能力等信息。在訓練階段，系統通過交互式模擬不斷更新策略網絡，強化那些能在滿足延遲約束下最小化能耗的分裂點選擇。該方法的優勢在于不需要枚舉所有可能組合，極大縮減搜索空間，并能靈活適應不同用戶和網絡條件的變化。
而后，在模型分裂策略確定后，系統將模型的后半部分任務分配給邊緣服務器處理，同時需進行資源分配優化。具體包括無線傳輸資源分配（帶寬分配、發射功率調節）和ES處理資源分配（CPU周期劃分等）。由于分裂點已定，此階段的變量為連續型，且目標函數及約束均具有凸性，因此可采用高效的凸優化算法進行全局求解。該階段的優化確保系統在滿足多個用戶時延約束的同時，實現整體能耗最小化。
此外，微算法科技該集成算法具有良好的模塊化結構，訓練好的DRL策略可離線部署，僅在運行時調用一次，而凸優化部分則可通過現有高效求解器快速完成，確保系統整體運行效率與可擴展性。
為驗證該技術的實用性與性能，微算法科技在實驗無線環境下構建了一個多用戶無線室內人群計數系統作為驗證平臺。在該系統中，多個部署于不同房間的SD設備協同檢測屋內人數變化。每個設備搭載一個可分裂的卷積神經網絡模型用于分析無線CSI（Channel State Information）序列，其前段用于本地預處理，后段用于在邊緣側進行深度特征提取與分類。
實驗中，通過設定不同的推理時延約束（如100ms、300ms）和無線信道條件，系統可動態調整每個SD的分裂點。例如，信道較好、傳輸代價低的SD傾向于選擇較早的分裂點，以減輕本地計算負擔；而信道較差或本地算力富余的設備則選擇靠后的分裂點，減少通信開銷。這一分裂策略呈現出典型的基于信道增益的閾值型結構，即當信道增益高于某一閾值時優先本地執行更多計算，反之則早早分裂傳輸數據，體現了算法所挖掘出的深層工程規律。
這項集成學習與優化算法的應用，不僅是AI模型協同執行在無線邊緣系統中的一項重要技術突破，更是對“泛在感知”這一愿景的積極推進。在未來智慧城市的構想中，系統都需在能耗可控、通信可靠的前提下，實時完成復雜AI感知任務。而這正是設備邊緣協同推理所擅長的領域。
后續，微算法科技（NASDAQ:MLGO）計劃引入自適應的模型壓縮技術與跨設備聯邦調度機制，進一步提升系統的能效比與模型泛化能力。同時，也將探索該方法在其他多模態傳感任務中的適配能力，如語音、圖像與雷達融合推理等方向，為構建真正智能的“感知神經系統”提供理論與工程基礎。
隨著AI從“中心智能”走向“邊緣智能”，模型分裂與資源協同正成為決定系統性能的關鍵技術路徑。微算法科技這項融合深度強化學習與凸優化的集成技術，以突破性的系統性方法解決了無線感知中長期未解的協同推理難題，其理論創新與工程價值皆獲得業界廣泛認可。相信在不遠的未來，該技術將成為智慧城市建設、工業智能感知與醫療輔助檢測等領域的核心基石之一。
轉自：中華網
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
