在面向物聯(lián)網(wǎng)、大流量等場景下，為了滿足更廣連接、更低時(shí)延、更好控制等需求，云計(jì)算在向一種更加全局化的分布式節(jié)點(diǎn)組合形態(tài)進(jìn)階，邊緣計(jì)算是其向邊緣側(cè)分布式拓展的新觸角。

以物聯(lián)網(wǎng)場景舉例，設(shè)備產(chǎn)生大量數(shù)據(jù)，上傳到云端進(jìn)行處理，會對云端造成巨大壓力，為分擔(dān)云端的壓力，邊緣計(jì)算節(jié)點(diǎn)可以負(fù)責(zé)自己范圍內(nèi)的數(shù)據(jù)計(jì)算。

同時(shí)，經(jīng)過處理的數(shù)據(jù)從邊緣節(jié)點(diǎn)匯聚到中心云，云計(jì)算做大數(shù)據(jù)分析挖掘、數(shù)據(jù)共享，同時(shí)進(jìn)行算法模型的訓(xùn)練和升級，升級后的算法推送到邊緣，使邊緣設(shè)備更新和升級，完成自主學(xué)習(xí)閉環(huán)。

對于邊緣AI總體來說，核心訴求是高性能、低成本、高靈活性。其技術(shù)發(fā)展趨勢可總結(jié)為以下幾點(diǎn)：

• 可編程性、通用性；
• 伸縮性，同一個(gè)架構(gòu)支持不同場景
• 低功耗，適應(yīng)更多邊緣場景的環(huán)境和電力要求
• 軟硬件深度結(jié)合
• 高效的分布式互聯(lián)和協(xié)作計(jì)算能力

筆者分別從邊緣計(jì)算AI加速、端/邊/云協(xié)同以及邊緣計(jì)算AI框架等三個(gè)部分繼續(xù)深入剖析AI應(yīng)用與邊緣計(jì)算結(jié)合之后的雙向優(yōu)化，進(jìn)一步優(yōu)化AI應(yīng)用的用戶體驗(yàn)。

1、邊緣計(jì)算AI加速

針對基于邊緣計(jì)算場景進(jìn)行AI加速，筆者參考相關(guān)論文認(rèn)為大致可歸結(jié)為以下四個(gè)方面：

1.1 云邊協(xié)同（云端訓(xùn)練、邊緣推理）

為彌補(bǔ)邊緣設(shè)備計(jì)算、存儲等能力的不足，滿足人工智能方法訓(xùn)練過程中對強(qiáng)大計(jì)算能力、存儲能力的需求，研究人員提出云計(jì)算和邊緣計(jì)算協(xié)同服務(wù)架構(gòu)。如下圖所示，研究人員提出將訓(xùn)練過程部署在云端，而將訓(xùn)練好的模型部署在邊緣設(shè)備。顯然，這種服務(wù)模型能夠在一定程度上彌補(bǔ)人工智能在邊緣設(shè)備上對計(jì)算、存儲等能力的需求。

1.2 模型分割（云邊協(xié)同推理）

為了將人工智能方法部署在邊緣設(shè)備，如下圖提出了切割訓(xùn)練模型，它是一種邊緣服務(wù)器和終端設(shè)備協(xié)同訓(xùn)練的方法。它將計(jì)算量大的計(jì)算任務(wù)卸載到邊緣端服務(wù)器進(jìn)行計(jì)算，而計(jì)算量小的計(jì)算任務(wù)則保留在終端設(shè)備本地進(jìn)行計(jì)算。顯然，上述終端設(shè)備與邊緣服務(wù)器協(xié)同推斷的方法能有效地降低深度學(xué)習(xí)模型的推斷時(shí)延。然而，不同的模型切分點(diǎn)將導(dǎo)致不同的計(jì)算時(shí)間，因此需要選擇最佳的模型切分點(diǎn)，以最大化地發(fā)揮終端與邊緣協(xié)同的優(yōu)勢。

1.3 模型裁剪

為了減少人工智能方法對計(jì)算、存儲等能力的需求，一些研究人員提出了一系列的技術(shù)，在不影響準(zhǔn)確度的情況下裁剪訓(xùn)練模型，如在訓(xùn)練過程中丟棄非必要數(shù)據(jù)、稀疏數(shù)據(jù)表示、稀疏代價(jià)函數(shù)等。下圖展示了一個(gè)裁剪的多層感知網(wǎng)絡(luò)，網(wǎng)絡(luò)中許多神經(jīng)元的值為零，這些神經(jīng)元在計(jì)算過程中不起作用，因而可以將其移除，以減少訓(xùn)練過程中對計(jì)算和存儲的需求，盡可能使訓(xùn)練過程在邊緣設(shè)備進(jìn)行。在參考文獻(xiàn)中，作者也提出了一些壓縮、裁剪技巧，能夠在幾乎不影響準(zhǔn)確度的情況下極大地減少網(wǎng)絡(luò)神經(jīng)元的個(gè)數(shù)。

1.4 設(shè)計(jì)輕量級加速體系架構(gòu)

在工業(yè)界，有很多公司開始研究低功耗加速芯片。如寒武紀(jì)公司推出的思元系列及華為公司推出的昇騰系列，能夠適配并兼容多樣化的硬件架構(gòu)，進(jìn)而支撐邊緣計(jì)算典型的應(yīng)用場景。

在學(xué)術(shù)界，對于邊緣AI硬件的設(shè)計(jì)工作主要集中在提高深度神經(jīng)網(wǎng)絡(luò)及相關(guān)算法如CNN、FCN和RNN等的計(jì)算性能和效率。研究人員利用神經(jīng)網(wǎng)絡(luò)的冗余和彈性等特性來優(yōu)化計(jì)算操作和數(shù)據(jù)移動，以降低NN算法在專用硬件上的功耗并提高性能。下表總結(jié)了一些低功耗機(jī)器學(xué)習(xí)處理器的相關(guān)情況。

AI在過去幾年中，為互聯(lián)網(wǎng)應(yīng)用、工業(yè)互聯(lián)網(wǎng)、醫(yī)學(xué)和生物學(xué)及自動駕駛等領(lǐng)域帶來了突飛猛進(jìn)的進(jìn)展。同時(shí)，隨著邊緣計(jì)算的逐步成熟，業(yè)界必將更加關(guān)注邊緣計(jì)算AI加速方面的研究進(jìn)展。

由于邊緣計(jì)算場景的特點(diǎn)，其硬件的異構(gòu)化程度會顯著高于傳統(tǒng)數(shù)據(jù)中心，對現(xiàn)有計(jì)算框架也會有非常大的挑戰(zhàn)。如何快速支持異構(gòu)的計(jì)算芯片并保證計(jì)算的高效，也非常值得產(chǎn)業(yè)內(nèi)的研發(fā)力量持續(xù)投入。

2 端/邊/云協(xié)同

在云邊協(xié)同的過程中，邊緣計(jì)算主要對需要實(shí)時(shí)處理的數(shù)據(jù)進(jìn)行處理，并為云端提供高價(jià)值的數(shù)據(jù)；云計(jì)算則負(fù)責(zé)非實(shí)時(shí)、長周期數(shù)據(jù)的處理，并完成邊緣應(yīng)用的全生命周期管理。下面分別介紹這6種協(xié)同方式。

• IaaS：基礎(chǔ)設(shè)施服務(wù)，Infrastructure-as-a-service
• PaaS：平臺服務(wù)，Platform-as-a-service
• SaaS：軟件服務(wù)，Software-as-a-service

2.1 資源協(xié)同

資源協(xié)同：邊緣節(jié)點(diǎn)提供計(jì)算、存儲、網(wǎng)絡(luò)、虛擬化等基礎(chǔ)設(shè)施資源，具有本地資源調(diào)度管理能力，也接收并執(zhí)行云端的資源調(diào)度管理策略；云端則提供資源調(diào)度管理策略，包括邊緣節(jié)點(diǎn)的設(shè)備管理、資源管理以及網(wǎng)絡(luò)連接管理。

對于邊緣計(jì)算，需要對計(jì)算資源和網(wǎng)絡(luò)資源有全局的判斷，比如邊緣設(shè)備、邊緣節(jié)點(diǎn)及中心云資源的使用情況，站在全局角度，進(jìn)行資源的合理分配，確保性能、成本、服務(wù)最優(yōu)。

2.1.1 計(jì)算卸載

近年來，人們提出了兩種計(jì)算卸載方法：卸載到云端和卸載到邊緣端。其中，卸載到云端允許用戶將計(jì)算密集型任務(wù)卸載到資源強(qiáng)大的云服務(wù)器上進(jìn)行處理；卸載到邊緣端是在網(wǎng)絡(luò)邊緣部署云服務(wù)，以提供相鄰的 IT 服務(wù)環(huán)境。許多研究者利用這兩種方法來研究時(shí)延最小化和能耗最小化問題。然而，卸載到云端會因傳輸距離遠(yuǎn)而無法很好地處理時(shí)延敏感性應(yīng)用，因此目前大多數(shù)研究是把計(jì)算任務(wù)卸載到邊緣端。

2.1.2 資源管理策略

資源管理策略一直都是學(xué)術(shù)界和產(chǎn)業(yè)界的研究重點(diǎn)，包括邊緣端的本地資源管理與云端的資源管理。邊緣計(jì)算與云計(jì)算協(xié)同的資源管理策略對于數(shù)據(jù)密集型計(jì)算非常重要。例如，智能交通、智慧城市以及無人駕駛汽車等都需要減少服務(wù)器延遲并提高 Qos.

2.2 數(shù)據(jù)協(xié)同

邊緣節(jié)點(diǎn)負(fù)責(zé)終端設(shè)備數(shù)據(jù)的收集，并對數(shù)據(jù)進(jìn)行初步處理與分析，然后將處理后的數(shù)據(jù)發(fā)送至云端；云端對海量的數(shù)據(jù)進(jìn)行存儲、分析與價(jià)值挖掘。主要包括兩個(gè)要點(diǎn)：

• 數(shù)據(jù)收集與處理
• 數(shù)據(jù)存儲與分析
  

邊緣AI會處理用戶的數(shù)據(jù)，可以從兩個(gè)維度來考慮。

一方面，橫向考慮，邊緣的網(wǎng)絡(luò)環(huán)境多種多樣，終端用戶設(shè)備具有移動性，可能會從一個(gè)服務(wù)節(jié)點(diǎn)移動到另一個(gè)服務(wù)節(jié)點(diǎn)，從一個(gè)邊緣移動到另一個(gè)邊緣，從WiFi切換為5G移動網(wǎng)絡(luò)，甚至從一個(gè)運(yùn)營商切換到另一個(gè)運(yùn)營商，那么用戶在舊的環(huán)境中產(chǎn)生的數(shù)據(jù)如何與新環(huán)境中的AI程序進(jìn)行同步會成為一個(gè)問題。這里的數(shù)據(jù)協(xié)同不僅需要技術(shù)上的支持，更需要商業(yè)模式上的支持。

另一方面，縱向考慮，如下圖所示，用戶在邊緣側(cè)產(chǎn)生的數(shù)據(jù)按照隱私級別可以分為不同類型，如User-Private、Edge-Private、Public等，這些數(shù)據(jù)可以自下而上分層儲存在云邊協(xié)同系統(tǒng)中的不同層級的數(shù)據(jù)庫中，同時(shí)也可以對應(yīng)不同算力支持的邊緣AI的訪問權(quán)限，例如可以允許云上運(yùn)行的AI程序讀取Public數(shù)據(jù)來訓(xùn)練一個(gè)通用的模型，在邊緣側(cè)的AI可以讀取Edge-Private數(shù)據(jù)來在通用模型的基礎(chǔ)上訓(xùn)練邊緣模型等等。

2.3 智能協(xié)同

邊緣端負(fù)責(zé)深度學(xué)習(xí)模型的推理，實(shí)現(xiàn)分布式智能；云端負(fù)責(zé)深度學(xué)習(xí)模型的集中式訓(xùn)練，然后將訓(xùn)練好的模型下發(fā)至邊緣端。

以往的研究都是在云端進(jìn)行人工智能模型的訓(xùn)練、優(yōu)化和推理，原因是模型的訓(xùn)練和優(yōu)化需要大量的資源，云服務(wù)則是最適合的方案。然而，模型的推理需要的資源比訓(xùn)練、優(yōu)化少得多，并且有新數(shù)據(jù)需要實(shí)時(shí)推理。因 此，在邊緣側(cè)進(jìn)行模型的推理已逐漸成為新的研究熱點(diǎn)?？紤]到邊緣節(jié)點(diǎn)的計(jì)算存儲資源有限，如何減小模型大小和優(yōu)化模型在邊緣推理中 顯得尤為重要。常見模型壓縮方法主要包括網(wǎng)絡(luò)剪枝、知識蒸餾、參數(shù)量化、結(jié)構(gòu)優(yōu)化。

• 1）網(wǎng)絡(luò)剪枝，通常網(wǎng)絡(luò)模型參數(shù)過多有些權(quán)重接近0，或者神經(jīng)元的輸出為 0，可以將這些多余的參數(shù)從網(wǎng)絡(luò)中移除。具體步驟為預(yù)訓(xùn)練一個(gè)比較龐大的模型，評估每個(gè)權(quán)重和神經(jīng)元的重要性，按照參數(shù)重要性排序，刪除不重要的參數(shù)，將縮小的模型用訓(xùn)練數(shù)據(jù)重新微調(diào)一次，可以減小損失，如果模型縮小之后仍然沒達(dá)到要求則重新評估權(quán)重和神經(jīng)元迭代操作。
• 2）知識蒸餾，基本思想是可以先訓(xùn)練一個(gè)規(guī)模大的初始網(wǎng)絡(luò)，再訓(xùn)練一個(gè)小的子網(wǎng)絡(luò)去學(xué)習(xí)大的初始網(wǎng)絡(luò)的行為。使用初始網(wǎng)絡(luò)的輸出來訓(xùn)練而不直接使用標(biāo)注數(shù)據(jù)，是因?yàn)槌跏季W(wǎng)絡(luò)可以提供更多的信息，輸入一個(gè)樣本后初始網(wǎng)絡(luò)會輸出各種類別的概率值，這比單純的標(biāo)簽信息要更豐富。
• 3）參數(shù)量化，如果說網(wǎng)絡(luò)剪枝是通過減少權(quán)重的數(shù)量來壓縮模型，那么量化則是通過減少權(quán)重的大小來壓縮模型。量化通常是將大集合值映射到小集合值的過程，這意味著輸出包含的可能值范圍比輸入小，理想情況下在該過程中不會丟失太多信息[86]。參數(shù)量化會使用更少的空間的來存儲一個(gè)參數(shù)，然后使用聚類中心來代替整個(gè)類的值，這樣可以減少參數(shù)的儲存。
• 4）結(jié)構(gòu)優(yōu)化，通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)使得其只需要較少的參數(shù)，常見方法為低秩近似與切除分離卷積。深層神經(jīng)網(wǎng)絡(luò)通常存在大量重復(fù)參數(shù)，不同層或通道之間存在許多相似性或冗余性，低秩近似的目標(biāo)是使用較少濾波器的線性組合來近似一個(gè)層的大量冗余濾波器，以這種方式壓縮層減少了網(wǎng)絡(luò)的內(nèi)存占用以及卷積運(yùn)算的計(jì)算復(fù)雜性，實(shí)現(xiàn)加速。切除分離卷積方法則是將計(jì)算進(jìn)行拆分，共用部分參數(shù)，最終實(shí)現(xiàn)參數(shù)規(guī)?？s小。
  

通過合理的模型拆解，將不同的服務(wù)模型根據(jù)資源、成本、質(zhì)量、時(shí)延等要求部署在合適的位置。通過完成的協(xié)同計(jì)算框架，確保各子模型之間的協(xié)同處理。比如結(jié)合產(chǎn)品設(shè)計(jì)，我們可以將簡單的識別推理全部置于端側(cè)設(shè)備，如需要判斷視頻中的物體屬于動物還是植物等。

但是進(jìn)一步的識別功能，我們可以結(jié)合邊緣側(cè)的推理能力，識別動物為貓科動物或犬科動物等。如果用戶需要更加精細(xì)的識別，我們可以將邊緣側(cè)的識別結(jié)果及處理之后得到的特征數(shù)據(jù)發(fā)送至云端，結(jié)合云端完善的數(shù)據(jù)模型和知識體系，將該貓科動物判定為是東北虎還是華南虎。這樣通過端、邊、云三者的協(xié)同，能夠在極大保證用戶體驗(yàn)的同時(shí)，合理的使用各類資源。

合理利用算力協(xié)同，也能夠做到在邊緣側(cè)進(jìn)行訓(xùn)練。目前工業(yè)界還沒有成熟的模式，但學(xué)術(shù)界有相關(guān)的研究。如下圖所示的ICE智能協(xié)同計(jì)算框架，將邊緣AI的訓(xùn)練分為三個(gè)階段：

• 第一階段為預(yù)訓(xùn)練階段（pre-train），云上的應(yīng)用可以通過讀取云端存儲的公共數(shù)據(jù)，來訓(xùn)練一個(gè)通用的模型，這是邊緣AI的底座，如果沒有云端強(qiáng)大算力的幫助，只靠邊緣側(cè)算力是難以得到比云端訓(xùn)練更優(yōu)秀的AI模型。
• 第二階段將通用模型下發(fā)至邊緣側(cè)，讀取邊緣私有數(shù)據(jù)，通過轉(zhuǎn)移學(xué)習(xí)（Transfer Learning），來得到邊緣模型。
• 第三階段讀取增量數(shù)據(jù)，利用增量學(xué)習(xí)（Incremental Learning）生成最終邊緣模型，這個(gè)最終邊緣模型就可以用于用戶側(cè)的推理了。

這種三步學(xué)習(xí)的算力協(xié)同的模式，可以更好地滿足邊緣智能的個(gè)性化服務(wù)需求。

通過資源協(xié)同、算力協(xié)同以及數(shù)據(jù)協(xié)同，邊緣智能能夠高效合理的利用端、邊、云的各類資源，極大地優(yōu)化AI應(yīng)用在邊緣計(jì)算場景下的用戶體驗(yàn)，進(jìn)一步放大AI應(yīng)用的商業(yè)價(jià)值。

2.4 業(yè)務(wù)編排協(xié)同

邊緣節(jié)點(diǎn)提供模塊化、微服務(wù)化的應(yīng)用實(shí)例；云端提供按照客戶需求實(shí)現(xiàn)業(yè)務(wù)的編排能力。

與傳統(tǒng)的集中式處理的大型應(yīng)用程序不同，微服務(wù)可 以實(shí)現(xiàn)功能模塊之間的完全解耦。邊緣節(jié)點(diǎn)通過模塊化分解，將一個(gè)對象分解為具有特定接口的單個(gè)模塊。每個(gè)模塊服務(wù)于一個(gè)特定的功能，通過指定的接口進(jìn)行連接，而每個(gè)功能都有多個(gè)應(yīng)用實(shí)例。用戶通過在服務(wù)器調(diào)用應(yīng)用實(shí)例來訪問服務(wù)實(shí)現(xiàn)請求，具有相同功能的多個(gè)服務(wù)實(shí)例可以部署在不同的服務(wù)器上，使得邊緣服務(wù)器提供應(yīng)用實(shí)例成為快速響應(yīng)用戶請求與時(shí)延敏感性應(yīng)用程序的不二之選。

2.5 應(yīng)用管理協(xié)同

最近有些研究關(guān)注邊緣計(jì)算應(yīng)用的部署與運(yùn)行環(huán)境，這是因?yàn)檫吘売?jì)算提供分布式云計(jì)算功能和高性能、低延遲、高帶寬的服務(wù)環(huán)境。然而，應(yīng)用類型和所處邊緣位置的不同，會導(dǎo)致邊緣計(jì)算硬件的選擇部署和提供的環(huán)境不同。例 如，邊緣用戶端節(jié)點(diǎn)設(shè)備采用低成本、低 功 耗 的 ＡＲＭ 處 理 器 或 者英特爾 Ａｔｏｍ 處理器；邊緣基站服務(wù)器采用英特爾至強(qiáng)系列處理器。而微服務(wù)、容器及虛擬化技術(shù)等的云原生軟件架構(gòu)能夠減少因硬件基礎(chǔ)設(shè)施差異化帶來的部署及運(yùn)維問題。

如今，越來越多有影響力的 IT 公司或應(yīng)用程序供應(yīng)商開始借助微服務(wù)技術(shù)（如 Kubernetes）來開發(fā)復(fù)雜的應(yīng)用程序。此外，借助基于容器的技術(shù)，這些基于微服務(wù)的應(yīng)用程序可以輕松地部署在邊緣服務(wù)器上?？紤]到物聯(lián)網(wǎng)應(yīng)用程序是分布式的，且通常包含多個(gè)計(jì)算密集型任務(wù)，因此需要在每個(gè)單獨(dú)的計(jì)算節(jié)點(diǎn)上完成應(yīng)用程序的部署與管理。研究者一直在探索如何找到一個(gè)合適的、低成本的應(yīng)用程序部署方案。CNCF云原生基金會開源的Kubeedge通過 Kubernetes管理遠(yuǎn)程邊緣節(jié)點(diǎn)并使用相同的API將應(yīng)用程序部署到邊緣并進(jìn)行管理，給應(yīng)用程序帶來了更好的性能，同時(shí)提升了用戶體驗(yàn)。

2.6 服務(wù)協(xié)同

服務(wù)協(xié)同主要是指邊緣計(jì)算的邊緣服務(wù)與云計(jì)算的云服務(wù)進(jìn)行協(xié)同。邊緣節(jié)點(diǎn)按照云端策略實(shí)現(xiàn)部分EC-SaaS服務(wù)，通過 EC-SaaS與云端SaaS的協(xié)同實(shí)現(xiàn)面向客戶的按需服務(wù)；云端主要提供SaaS服務(wù)在云端和邊緣節(jié)點(diǎn)的服務(wù)分布策略，以及云端承擔(dān)的SaaS服務(wù)能力。

最后總結(jié)一下6種協(xié)同技術(shù)的對比。

3 邊緣計(jì)算AI計(jì)算框架

在云數(shù)據(jù)中心中，算法執(zhí)行框架更多地執(zhí)行模型訓(xùn)練任務(wù)，在訓(xùn)練過程中需要接收大規(guī)模、批量化的信息數(shù)據(jù)，比較關(guān)注訓(xùn)練的迭代速度和收斂率等。而在邊緣設(shè)備上更多的是執(zhí)行預(yù)測任務(wù)，輸入一般是實(shí)時(shí)的小規(guī)模數(shù)據(jù)，大多數(shù)場景下執(zhí)行預(yù)測任務(wù)，因此更加關(guān)注于預(yù)測算法執(zhí)行速度及端側(cè)或邊緣側(cè)的資源開銷。

目前業(yè)界針對邊緣計(jì)算場景，也提出了針對性的設(shè)計(jì)方案，例如用于移動設(shè)備或嵌入式設(shè)備的輕量級解決方案TensorFlow Lite，Caffe2和Pytorch等。

結(jié)語

云邊協(xié)同是一種新型計(jì)算范式，其將云計(jì)算強(qiáng)大的資源能力與邊緣計(jì)算超低的時(shí)延特性結(jié)合起來，實(shí)現(xiàn)了邊緣支撐云端應(yīng)用，云端助力邊緣本地化需求的協(xié)同優(yōu)化目標(biāo)。

AI和邊緣計(jì)算已獲得國內(nèi)外學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注和認(rèn)可，并且已經(jīng)在很多商業(yè)場景下發(fā)揮作用。將AI應(yīng)用部署至邊緣已成為提升智能服務(wù)的有效途徑。

盡管目前邊緣智能仍處于發(fā)展的初期，然而，邊緣智能夠產(chǎn)生極大的促進(jìn)效果，并成為各行各業(yè)的黏合劑和智能產(chǎn)業(yè)發(fā)展的催化劑，促進(jìn)多個(gè)行業(yè)的升級轉(zhuǎn)型。

參考資料：文章來源地址http://www.zghlxwxcb.cn/news/detail-430732.html

• [1]華為云原生團(tuán)隊(duì)：AI 與邊緣計(jì)算結(jié)合的雙向優(yōu)化
• [2]黃成龍,柯宇曦,華向東等.邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望[J].農(nóng)業(yè)工程學(xué)報(bào),2022,38(16):224-234.
• [3]田鵬新,司冠南,安兆亮等.基于數(shù)據(jù)驅(qū)動的云邊智能協(xié)同綜述[J/OL].計(jì)算機(jī)應(yīng)用:1-10[2023-03-28].http://kns.cnki.net/kcms/detail/51.1307.TP.20230314.1518.004.html.
• [4]陳玉平,劉波,林偉偉等.云邊協(xié)同綜述[J].計(jì)算機(jī)科學(xué),2021,48(03):259-268.
• [5]劉耕,趙立君,陳慶勇等.聯(lián)邦學(xué)習(xí)在5G云邊協(xié)同場景中的原理和應(yīng)用綜述[J].通訊世界,2020,27(07):50-52.

到了這里，關(guān)于云邊協(xié)同與人工智能AI的深度融合（云端訓(xùn)練、邊端推理）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！