Edge Intelligence in the Generative Artificial Intelligence Era
Notice bibliographique
Résumé
Edge intelligence (EI), by leveraging abundant edge resources and positioning AI algorithms closer to end-users, has long been considered a fundamental catalyst for the AI industry. As the AI realm shifts towards new Generative AI (GAI), EI offers a broader data source, reduced latency, and enhanced privacy protections, making it a more conducive environment for GAI advancements than cloud-based approaches. However, compared to traditional AI models, GAI challenges existing EI with its significantly larger model size, markedly intricate operations, and substantially heightened resource demands. This article delves deeply into the evolution of EI in the upcoming GAI era. Particularly, we first provide a thorough overview of challenges introduced by GAI, including escalated communication costs, greater computational demands, and intensified security and privacy concerns. We then extend the EI scope to encompass the entire lifecycle of GAI within EI, while jointly considering sensing, communication, and computation against these emerging challenges. Additionally, we spotlight key techniques designed to pave the way for the future of EI, elaborating on each of these in detail. To provide concrete insights into how EI adapts for GAI, we present two illustrative case studies: one focusing on diffusion model-based GAI fine-tuning in vehicular networks and the other highlighting large language model-based real-time inference offloading in wireless edge networks. Lastly, we outline three future research directions for EI, guided by the latest advancements in GAI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».