今日頭條
官方微信
官方抖音
資訊頻道近日，AI與未來網(wǎng)絡研究院賈維嘉教授團隊在設備端邊緣智能方向的工作“Empowering Edge Intelligence: A Comprehensive Survey on On-Device Al Models”被計算機領(lǐng)域頂刊ACM Computing Surveys錄用。
ACM Computing Surveys 1969年創(chuàng)刊，最新影響因子23.8，目前是Cite Score上排名第一的計算機領(lǐng)域國際頂級期刊，屬于中科院SCI一區(qū)Top期刊。
設備端人工智能（AI）模型
2025.3
在當前人工智能技術(shù)迅猛發(fā)展的背景下，設備端人工智能（AI）模型的研究逐漸成為推動智能設備普及和應用的重要力量。
綜述深入探討了設備端人工智能模型的基本概念、應用場景及其面臨的技術(shù)挑戰(zhàn)。首先，論文定義了設備端AI模型的特征，包括實時性能、資源限制和數(shù)據(jù)隱私保護，并分析了其在智能手機、智能家居、自動駕駛和醫(yī)療設備等領(lǐng)域的應用。其次，綜述詳細討論了設備端AI模型所面臨的主要挑戰(zhàn)，如計算資源的限制、能量管理和數(shù)據(jù)隱私問題。為應對這些挑戰(zhàn)，研究者們提出了多種優(yōu)化和實施策略，包括模型壓縮、數(shù)據(jù)預處理和系統(tǒng)集成等。此外，綜述還探討了邊緣計算和基礎(chǔ)模型等新興技術(shù)對設備端AI模型演變的影響，強調(diào)了這些技術(shù)在推動智能系統(tǒng)發(fā)展的重要性。
綜述從數(shù)據(jù)、模型和系統(tǒng)三個方面詳細介紹了在設備上優(yōu)化和實施人工智能模型的方法。設備端人工智能的數(shù)據(jù)優(yōu)化方法能夠有效提升為設備端AI模型收集的數(shù)據(jù)質(zhì)量；模型優(yōu)化操作包括模型壓縮和模型設計，其中模型壓縮通過剪枝、模型量化和知識蒸餾等技術(shù)減少模型大小，以獲得在保持高準確度的同時需要更少資源的緊湊模型；綜述還介紹了加速模型性能的硬件方法。
本綜述為設備端AI模型的特征和應用提供了系統(tǒng)的分析框架，提出的優(yōu)化策略為設備端AI模型的實際應用提供了指導，強調(diào)了設備端AI模型在智能家居、醫(yī)療健康、工業(yè)自動化等多個領(lǐng)域的應用潛力。
本文第一作者為AI與未來網(wǎng)絡研究院2022級博士研究生王旭斌，指導老師賈維嘉教授。合作者還有北京師范大學王田教授、郭劍雄副教授、王晨豪副教授、唐志清博士以及UIC孟天暉博士。
這項工作得到了國家自然科學基金、廣東省教育廳、廣東省科技廳、北京師范大學珠海校區(qū)、珠海市科學技術(shù)創(chuàng)新局的資助。部分工作得到了北京師范大學（珠海）交叉智能超算中心的支持。
鏈接：https://arxiv.org/pdf/2503.06027
來源：BNU自然科學高等研究院
北京市公安局海淀分局備案號：11010802023656號