微算法科技（NASDAQ:MLGO）創(chuàng)新AI技術(shù)：基于DRL的設(shè)備邊緣協(xié)同推理優(yōu)化系統(tǒng)，助力無線智能感知進(jìn)入“極致高效”時代
在人工智能與物聯(lián)網(wǎng)技術(shù)高速發(fā)展的今天，多用戶無線傳感系統(tǒng)正迅速成為智慧生活、智慧安防和智慧醫(yī)療等場景中的關(guān)鍵支撐。然而，如何在資源受限的傳感器設(shè)備上實現(xiàn)高精度、低延遲的AI推理，仍是一個極具挑戰(zhàn)的課題。隨著AI算法的快速演進(jìn)，訓(xùn)練有素的深度神經(jīng)網(wǎng)絡(luò)被廣泛用于圖像識別、行為檢測和目標(biāo)追蹤等領(lǐng)域。在無線傳感系統(tǒng)中，傳感器設(shè)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(qiáng)、部署靈活而備受關(guān)注。
然而，強(qiáng)大的AI模型需要大量計算資源，這與傳感器設(shè)備天生的資源匱乏形成了天然矛盾。傳統(tǒng)的處理方法包括將整個模型卸載至邊緣服務(wù)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(wǎng)絡(luò)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(yè)內(nèi)開始探索設(shè)備邊緣協(xié)同推理的新范式，即通過模型分裂，讓SD執(zhí)行部分前置計算，剩余任務(wù)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(fù)載，從而實現(xiàn)更為靈活、高效的智能服務(wù)。微算法科技（NASDAQ:MLGO）最新研發(fā)成果——一種融合深度強(qiáng)化學(xué)習(xí)（DRL）與凸優(yōu)化的設(shè)備邊緣協(xié)同推理優(yōu)化系統(tǒng)。這一技術(shù)不僅在模型分裂策略上實現(xiàn)突破，還在資源分配上達(dá)成近乎最優(yōu)的能耗控制目標(biāo)，預(yù)示著無線感知智能系統(tǒng)邁入一個更高效、智能的新時代。
設(shè)備邊緣協(xié)同推理在實際設(shè)計中卻極具挑戰(zhàn)。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(xù)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(shù)據(jù)體積及通信需求。由于各個SD的信道狀態(tài)、可用計算資源、能量預(yù)算等差異顯著，模型分裂不可能采用統(tǒng)一的策略，而需根據(jù)每個用戶的具體情況進(jìn)行個性化決策。
更復(fù)雜的是，在多用戶協(xié)作場景中，所有SD的推理任務(wù)共享同一邊緣服務(wù)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(zhì)上是一個離散的組合變量，整套系統(tǒng)的優(yōu)化問題呈現(xiàn)出混合整數(shù)非線性特征（MINLP），不僅求解空間巨大，而且傳統(tǒng)算法難以有效求解。
微算法科技研發(fā)團(tuán)隊采用了“分布式”的算法設(shè)計理念，將整個優(yōu)化任務(wù)拆解為兩個子問題：組合優(yōu)化的模型分裂問題與連續(xù)優(yōu)化的資源分配問題，并分別采用深度強(qiáng)化學(xué)習(xí)和凸優(yōu)化手段進(jìn)行求解，形成一個高效而協(xié)同的集成學(xué)習(xí)與優(yōu)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(fā)團(tuán)隊引入了深度強(qiáng)化學(xué)習(xí)技術(shù)。在該方法中，每個傳感器設(shè)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(huán)境狀態(tài)則包含當(dāng)前的信道增益、剩余能量、本地計算能力等信息。在訓(xùn)練階段，系統(tǒng)通過交互式模擬不斷更新策略網(wǎng)絡(luò)，強(qiáng)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(yōu)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(yīng)不同用戶和網(wǎng)絡(luò)條件的變化。
而后，在模型分裂策略確定后，系統(tǒng)將模型的后半部分任務(wù)分配給邊緣服務(wù)器處理，同時需進(jìn)行資源分配優(yōu)化。具體包括無線傳輸資源分配（帶寬分配、發(fā)射功率調(diào)節(jié)）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(xù)型，且目標(biāo)函數(shù)及約束均具有凸性，因此可采用高效的凸優(yōu)化算法進(jìn)行全局求解。該階段的優(yōu)化確保系統(tǒng)在滿足多個用戶時延約束的同時，實現(xiàn)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(jié)構(gòu)，訓(xùn)練好的DRL策略可離線部署，僅在運行時調(diào)用一次，而凸優(yōu)化部分則可通過現(xiàn)有高效求解器快速完成，確保系統(tǒng)整體運行效率與可擴(kuò)展性。
為驗證該技術(shù)的實用性與性能，微算法科技在實驗無線環(huán)境下構(gòu)建了一個多用戶無線室內(nèi)人群計數(shù)系統(tǒng)作為驗證平臺。在該系統(tǒng)中，多個部署于不同房間的SD設(shè)備協(xié)同檢測屋內(nèi)人數(shù)變化。每個設(shè)備搭載一個可分裂的卷積神經(jīng)網(wǎng)絡(luò)模型用于分析無線CSI（Channel State Information）序列，其前段用于本地預(yù)處理，后段用于在邊緣側(cè)進(jìn)行深度特征提取與分類。
實驗中，通過設(shè)定不同的推理時延約束（如100ms、300ms）和無線信道條件，系統(tǒng)可動態(tài)調(diào)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(fù)擔(dān)；而信道較差或本地算力富余的設(shè)備則選擇靠后的分裂點，減少通信開銷。這一分裂策略呈現(xiàn)出典型的基于信道增益的閾值型結(jié)構(gòu)，即當(dāng)信道增益高于某一閾值時優(yōu)先本地執(zhí)行更多計算，反之則早早分裂傳輸數(shù)據(jù)，體現(xiàn)了算法所挖掘出的深層工程規(guī)律。
這項集成學(xué)習(xí)與優(yōu)化算法的應(yīng)用，不僅是AI模型協(xié)同執(zhí)行在無線邊緣系統(tǒng)中的一項重要技術(shù)突破，更是對“泛在感知”這一愿景的積極推進(jìn)。在未來智慧城市的構(gòu)想中，系統(tǒng)都需在能耗可控、通信可靠的前提下，實時完成復(fù)雜AI感知任務(wù)。而這正是設(shè)備邊緣協(xié)同推理所擅長的領(lǐng)域。
后續(xù)，微算法科技（NASDAQ:MLGO）計劃引入自適應(yīng)的模型壓縮技術(shù)與跨設(shè)備聯(lián)邦調(diào)度機(jī)制，進(jìn)一步提升系統(tǒng)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(tài)傳感任務(wù)中的適配能力，如語音、圖像與雷達(dá)融合推理等方向，為構(gòu)建真正智能的“感知神經(jīng)系統(tǒng)”提供理論與工程基礎(chǔ)。
隨著AI從“中心智能”走向“邊緣智能”，模型分裂與資源協(xié)同正成為決定系統(tǒng)性能的關(guān)鍵技術(shù)路徑。微算法科技這項融合深度強(qiáng)化學(xué)習(xí)與凸優(yōu)化的集成技術(shù)，以突破性的系統(tǒng)性方法解決了無線感知中長期未解的協(xié)同推理難題，其理論創(chuàng)新與工程價值皆獲得業(yè)界廣泛認(rèn)可。相信在不遠(yuǎn)的未來，該技術(shù)將成為智慧城市建設(shè)、工業(yè)智能感知與醫(yī)療輔助檢測等領(lǐng)域的核心基石之一。
關(guān)注我們
