1、1/90摘要摘要边缘计算作为下一代无线网络的关键技术，推动了网络与计算设施的边缘化。更加靠近用户终端的边缘服务器可使得业务的服务时延大大降低，并能够应对不断涌现的新型场景。同时，人工智能的迅速发展对边缘计算的性能提升具有显著推动作用，有助于边缘计算设备应对急剧增加的边缘侧数据。因此，可将边缘数据的计算本地性和人工智能的强计算能力相结合，即边缘智能，来增强边缘侧的数据处理能力，提高无线通信系统的整体性能，并改善用户的服务体验。边缘智能近年来研究火热并处于快速发展阶段，因此本白皮书旨在分析当前边缘智能的研究进展。主要包括：（1）6G 边缘智能网络和基础设施：首先分析面向 6G 网络的边缘内生智能架

2、构；然后对边缘智能算力基础设施进行介绍，包括边缘智能硬件和云平台；最后描述边缘智能网络基础设施，包括边缘智能接入网和核心网。（2）边缘内生智能的关键技术：从模型轻量化、边云协同智能、边缘智能化部署和深度边缘节点这几个方面分别进行介绍，并对无线联邦学习中的边缘智能进行详细的讲解，包括联邦学习中的模型稀疏化和模型量化。（3）边缘内生智能应用：分析智慧交通、智能制造和智能节能等面向边缘内生智能的典型应用。2/90目录目录1.引言.41.1 背景.41.2 边缘计算与边缘内生智能发展概述.41.3 边缘内生智能的重要性.52.6G 边缘智能网络和基础设施.72.1 面向 6G 的边缘内生智能架构.72

3、.1.1 架构整体概述.72.1.2 内生智能面的设计与实现.82.2 边缘智能算力基础设施.112.2.1 边缘智能硬件.112.2.2 边缘智能云平台.192.3 边缘智能网络基础设施.282.3.1 边缘智能接入网.282.3.2 边缘智能核心网.363.边缘内生智能的关键技术.433.1 模型轻量化.433.1.1 剪枝.443.1.2 知识蒸馏.453.1.3 量化.473.1.4 NAS.483.2 边云协同智能.493.2.1 联邦学习.493.2.2 分割学习.513.2.3 模型分割.523.3 无线联邦学习中的边缘智能.543.3.1 无线联邦学习.543.3.2 联邦学习

4、中的模型稀疏化.573.3.3 联邦学习的模型量化.603.4 边缘智能化部署.633.4.1 无线侧智能化驱动力.633.4.2 智能化部署.633.4.3 算力部署.663.5 深度边缘节点.673.5.1 深度边缘节点的无线网络可编程.693.5.2 深度边缘节点的网元融合.693.5.3 深度边缘节点的跨域 AI 设计.724.边缘内生智能应用.754.1 智慧交通.754.1.1 智慧交通边缘计算系统概述.754.1.2 智慧交通边缘计算类型.764.1.3 智慧交通边缘计算应用.784.2 智能制造.803/904.2.1 智能制造边缘计算系统概述.804.2.2 智能制造边缘计算

5、类型.824.2.3 智能制造边缘计算应用.834.3 智能节能.864.3.1 场景概述.864.3.2 对边缘智能的潜在需求与应用.865.边缘内生智能的发展与挑战.876.致谢.904/901.引言引言1.1 背景背景从 1G 到 5G，通信技术经历了多次升级和变革，显著提高了数据传输速率，降低了延迟，并扩大了网络覆盖范围。然而，随着物联网和人工智能等技术的飞速发展，万物互联且应用场景日益复杂，现有的网络架构已无法满足新的需求。因此，作为下一代通信技术，6G 必须具备更高的性能和更强大的智能化能力，推动边缘侧网络从“万物互联”向“智能互联”转变。为了更好地适应未来多样化且复杂的用户请求和

6、应用场景，将智能技术融入通信系统的设计和实现，内生智能的概念应运而生1。近年来，人工智能（AI）的理论与技术得到了进步，并广泛应用于工业场景。但是大部分的 AI 服务通常部署在云服务器上。随着“万物互联”时代的到来、终端设备数量和生成的数据迅速增加。集中式数据处理的形式即把所有的数据上传至云端的形式无法满足用户低时延的需求。因此，边缘计算随着物联网（IoT）以及人工智能的发展而出现。然而，目前对边缘计算的研究实施无法满足复杂的业务场景。因此，边缘内生智能有潜力成为边缘计算的下一个研究热点2。边缘内生智能能够在原生网络中实现各个单元之间的自我动态感知以及自我优化的能力，打破了原有外挂式 AI 架