MLGO微算法科技 LOP算法：實(shí)現(xiàn)多用戶無線傳感系統(tǒng)中邊緣協(xié)同AI推理的智能優(yōu)化路徑

在智能化時(shí)代，人工智能（AI）與無線通信技術(shù)的融合，正在為人類社會(huì)帶來一場(chǎng)深刻的變革。尤其是在物聯(lián)網(wǎng)（IoT）和無線傳感系統(tǒng)（WSS）領(lǐng)域，利用無線電信號(hào)對(duì)環(huán)境與行為進(jìn)行智能識(shí)別成為前沿研究的熱點(diǎn)。無線傳感（Wireless Sensing）作為一種無源、隱私友好且不依賴攝像頭的感知技術(shù)，被廣泛應(yīng)用于智慧城市、安防監(jiān)控、健康護(hù)理等多個(gè)領(lǐng)域。尤其是在室內(nèi)人群計(jì)數(shù)、行為識(shí)別等任務(wù)中，AI 模型通過解析信道狀態(tài)信息（CSI）等物理層信號(hào)，能夠精準(zhǔn)判斷人體活動(dòng)模式，大幅度提升了環(huán)境智能感知的能力。

然而，隨著AI模型的規(guī)模和復(fù)雜度不斷上升，部署在傳感器設(shè)備（Sensor Devices，簡稱 SD）上的深度學(xué)習(xí)模型往往面臨巨大的計(jì)算壓力。同時(shí)，由于SD在通信和計(jì)算資源方面的先天限制，傳統(tǒng)的端側(cè)推理或完全卸載至邊緣服務(wù)器（Edge Server，簡稱 ES）的方式，已無法滿足對(duì)推理延遲和能耗的雙重嚴(yán)格要求。因此，如何在資源受限的條件下，智能地調(diào)度AI模型在設(shè)備和邊緣間的推理協(xié)作，成為亟需解決的關(guān)鍵難題。

在設(shè)備邊緣協(xié)同推理（Device-Edge Collaborative Inference）框架中，AI模型被劃分為多個(gè)部分，部分在設(shè)備端執(zhí)行，剩余部分在邊緣服務(wù)器上完成。這種協(xié)同機(jī)制可以顯著減輕設(shè)備的計(jì)算負(fù)擔(dān)，并利用邊緣計(jì)算資源提升整體推理性能。然而，模型切分點(diǎn)（即模型在設(shè)備和邊緣之間的劃分位置）和資源分配（如無線帶寬、功率、時(shí)間等）的設(shè)計(jì)，構(gòu)成了一個(gè)復(fù)雜的混合優(yōu)化問題。

首先，不同用戶的AI模型分裂位置決定了設(shè)備上傳數(shù)據(jù)的體積和結(jié)構(gòu)，這將直接影響通信時(shí)延和計(jì)算延遲。其次，邊緣服務(wù)器資源有限，不同用戶間的資源分配方案必須考慮協(xié)同競(jìng)爭與共享的平衡。此外，由于用戶所處的信道條件不同（如信道增益變化），模型切分的最優(yōu)位置在空間上呈現(xiàn)異質(zhì)性，即沒有統(tǒng)一的最佳切分點(diǎn)可以適用于所有設(shè)備。因此，該問題不僅涉及深度學(xué)習(xí)模型結(jié)構(gòu)的分析，還需引入智能調(diào)度與優(yōu)化算法進(jìn)行聯(lián)合求解。

為了系統(tǒng)性地解決上述挑戰(zhàn)，微算法科技（NASDAQ:MLGO）提出了一種集成學(xué)習(xí)與優(yōu)化算法——LOP（Learning-Optimization Policy）框架，該方法創(chuàng)新性地將深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning, DRL）與凸優(yōu)化技術(shù)相結(jié)合，分別處理模型分裂與資源分配兩個(gè)子問題，從而高效求解整個(gè)設(shè)備邊緣協(xié)同推理任務(wù)。

微算法科技 LOP算法的核心思想是將問題分為兩個(gè)階段：

第一階段：使用深度強(qiáng)化學(xué)習(xí)進(jìn)行模型分裂點(diǎn)選擇

模型分裂問題本質(zhì)上是一個(gè)組合優(yōu)化問題。在每個(gè)設(shè)備SD上，深度神經(jīng)網(wǎng)絡(luò)可以被切分成若干連續(xù)層，而模型分裂點(diǎn)的選擇決定了設(shè)備需要處理的層數(shù)與數(shù)據(jù)上傳量。微算法科技使用強(qiáng)化學(xué)習(xí)中的策略梯度方法，訓(xùn)練一個(gè)智能體（agent）來根據(jù)當(dāng)前的網(wǎng)絡(luò)狀態(tài)（如設(shè)備能耗預(yù)算、信道狀態(tài)、邊緣負(fù)載等）預(yù)測(cè)最優(yōu)的模型切分點(diǎn)。該方法具有良好的泛化能力，并可以根據(jù)環(huán)境動(dòng)態(tài)調(diào)整策略。

第二階段：通過凸優(yōu)化進(jìn)行系統(tǒng)資源的聯(lián)合分配

在第一階段確定模型切分點(diǎn)之后，系統(tǒng)進(jìn)入第二階段，即根據(jù)分裂結(jié)構(gòu)和用戶需求，進(jìn)行無線資源（如帶寬、時(shí)間片、計(jì)算能力等）的聯(lián)合優(yōu)化。此時(shí)，由于切分結(jié)構(gòu)已定，系統(tǒng)資源的優(yōu)化問題可被轉(zhuǎn)化為一個(gè)約束條件明確的凸優(yōu)化問題，從而使用經(jīng)典的凸優(yōu)化算法（如內(nèi)點(diǎn)法、梯度下降等）求解。在這一階段，重點(diǎn)考慮能量最小化目標(biāo)，同時(shí)約束推理延遲不超過某一閾值。

微算法科技 LOP算法實(shí)現(xiàn)了“感知-決策-優(yōu)化”三位一體的智能協(xié)同流程。它不僅提升了模型分裂與資源調(diào)度的效率，而且顯著降低了系統(tǒng)的整體能耗與通信延遲。

在工程實(shí)現(xiàn)中，一個(gè)多用戶無線傳感系統(tǒng)，系統(tǒng)由多個(gè)傳感設(shè)備SD、邊緣服務(wù)器ES、和后端控制器組成。每個(gè)SD部署有輕量級(jí)神經(jīng)網(wǎng)絡(luò)模型，在前端負(fù)責(zé)初步特征提取。處理后的中間特征被壓縮后上傳至ES，ES上的后續(xù)模型部分完成最終的推理判斷，如人群計(jì)數(shù)、人體動(dòng)作識(shí)別等任務(wù)。

整個(gè)系統(tǒng)通過控制器實(shí)現(xiàn)以下關(guān)鍵功能：

感知狀態(tài)更新：定期從SD收集信道狀態(tài)、剩余電量、數(shù)據(jù)隊(duì)列等信息；

分裂策略學(xué)習(xí)：在控制器中部署DRL智能體，預(yù)測(cè)每個(gè)設(shè)備的模型切分策略；

資源分配優(yōu)化：在DRL輸出后，調(diào)用凸優(yōu)化求解器進(jìn)行邊緣資源精確分配；

推理協(xié)同執(zhí)行：SD與ES按照下發(fā)指令同步執(zhí)行AI模型推理任務(wù)。

該系統(tǒng)基于軟件定義網(wǎng)絡(luò)（SDN）架構(gòu)，具備高度可編程性與靈活性，適應(yīng)大規(guī)模設(shè)備部署環(huán)境下的高并發(fā)協(xié)同推理需求。

在實(shí)驗(yàn)中，該系統(tǒng)模型切分點(diǎn)隨著用戶信道增益的變化而呈現(xiàn)出明顯的閾值行為。具體而言，當(dāng)設(shè)備信道條件良好時(shí)，模型切分點(diǎn)趨于靠后，意味著設(shè)備可以執(zhí)行更多計(jì)算任務(wù)；而在信道惡劣時(shí)，模型盡可能前移，將大部分任務(wù)交由邊緣服務(wù)器完成，從而減少上傳數(shù)據(jù)體積與能耗。

微算法科技（NASDAQ:MLGO） LOP算法創(chuàng)新性地將深度強(qiáng)化學(xué)習(xí)與凸優(yōu)化方法結(jié)合，成功解決了模型分裂與資源分配耦合帶來的復(fù)雜性，顯著提升了系統(tǒng)在延遲與能耗之間的優(yōu)化能力。通過實(shí)驗(yàn)驗(yàn)證，該技術(shù)在性能與可行性方面均表現(xiàn)出色，展示了其作為下一代邊緣智能支撐方案的巨大潛力。

更重要的是，這項(xiàng)技術(shù)不僅具備理論價(jià)值，更具備強(qiáng)大的工程適用性與可擴(kuò)展性。它突破了傳統(tǒng)邊緣推理“單點(diǎn)切分、平均分配”的思維定式，實(shí)現(xiàn)了感知系統(tǒng)由“固定模式”向“動(dòng)態(tài)協(xié)同”的智能躍遷，為未來智慧城市、智能醫(yī)療、工業(yè)感知等多場(chǎng)景應(yīng)用提供了統(tǒng)一的邊緣AI推理解決方案。其通用框架與模塊化設(shè)計(jì)，也為未來的跨設(shè)備、跨場(chǎng)景部署打下了良好基礎(chǔ)。

展望未來，隨著6G、物聯(lián)網(wǎng)、邊緣計(jì)算等基礎(chǔ)設(shè)施的進(jìn)一步成熟，微算法科技 LOP算法將在更大規(guī)模、多模態(tài)、多用戶的智能環(huán)境中展現(xiàn)更強(qiáng)適應(yīng)能力。期待這項(xiàng)技術(shù)繼續(xù)拓展其邊界，推動(dòng)AI模型在真實(shí)世界中的智能部署方式不斷演進(jìn)，助力構(gòu)建一個(gè)真正智能、高效、綠色的無線感知新時(shí)代。