Периферийный общий интеллект на основе мировых моделей, больших языковых моделей и агентного искусственного интеллекта: основы, решения и проблемы
Edge General Intelligence Through World Models, Large Language Models, and Agentic AI: Fundamentals, Solutions, and Challenges
2026-01-01
SCID: 54.1/7vhrvpwz
Discuss with AI
граничный общий интеллектагентный искусственный интеллектпланирование на основе воображениябольшие языковые моделимировые модели
Figures from the paper
Abstract (AI)
Периферийный общий интеллект (Edge General Intelligence, EGI) представляет собой трансформационную эволюцию периферийных вычислений, в рамках которой распределённые агенты способны автономно воспринимать окружающую среду, рассуждать и действовать в разнообразных динамичных условиях. Эта концепция всё в большей степени реализуется посредством агентных систем искусственного интеллекта (ИИ), которые часто используют большие языковые модели (БЯМ) для сложного рассуждения и планирования. Однако одного лишь языкового рассуждения недостаточно для описания высокоразмерной физической динамики. Ключевую роль в преодолении этой проблемы играют мировые модели, выступающие в качестве проактивных внутренних симуляторов, которые не только предсказывают будущие состояния, но и активно моделируют будущие траектории, осуществляют рассуждение в условиях неопределённости и заблаговременно планируют многошаговые действия. Благодаря этой проактивности агенты могут предвидеть возможные результаты и оптимизировать решения до взаимодействия с реальным миром. Хотя предыдущие исследования в области робототехники и компьютерных игр продемонстрировали потенциал мировых моделей, их интеграция в беспроводную периферию для реализации EGI пока изучена недостаточно. В данном обзорном исследовании восполняется этот пробел посредством всестороннего анализа того, как мировые модели могут расширить возможности агентных систем на периферии, улучшая их способность к предвидению за пределами возможностей рассуждения на основе БЯМ. Сначала рассматриваются архитектурные основы мировых моделей, включая обучение латентных представлений, моделирование динамики и планирование на основе воображения. Опираясь на эти ключевые возможности, мы демонстрируем их проактивное применение в различных сценариях EGI, таких как транспортные сети, сети беспилотных летательных аппаратов (БПЛА), системы Интернета вещей (IoT) и виртуализация сетевых функций, тем самым показывая, как они могут улучшить оптимизацию при ограничениях по задержке, энергопотреблению и конфиденциальности. Затем исследуется их синергия с базовыми моделями и цифровыми двойниками, в результате чего мировые модели позиционируются как когнитивная основа EGI. Наконец, освещаются нерешённые проблемы, включая гарантии безопасности, эффективное обучение и развёртывание в условиях ограниченных ресурсов, а также формулируются перспективные направления дальнейших исследований.
Key Findings
1
Ключевые открытые проблемы включают гарантии безопасности, эффективное обучение и развёртывание при ограниченных ресурсах периферийных устройств.
2
Работа позиционирует мировые модели как когнитивную основу, дополняющую агентный ИИ, большие языковые модели, базовые модели и цифровые двойники на периферии.
3
В обзоре рассматриваются основы мировых моделей, включая обучение латентным представлениям, моделирование динамики и многошаговое планирование на основе воображения.
4
Мировые модели могут проактивно поддерживать оптимизацию в транспортных сетях, сетях БПЛА, системах IoT и виртуализации сетевых функций при ограничениях по задержке, энергии и конфиденциальности.
5
Мировые модели расширяют периферийный общий интеллект за пределы рассуждений только на основе языка, моделируя физическую динамику, неопределённость и будущие траектории.
Research Object
агентные системы искусственного интеллекта на основе мировых моделей для периферийного общего интеллекта в беспроводных периферийных средах
Research Subject
использование мировых моделей для обеспечения проактивного восприятия, прогнозирования, многошагового планирования с учётом неопределённости и оптимизации при ограничениях по задержке, энергопотреблению и конфиденциальности
Publication Details
Publication Date
2026-01-01
Journal
Publisher
ISSN
Cited by
31
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai14
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
LLaMA: открытые и эффективные базовые языковые модели2023
Генеративно-состязательные сети2020
Генеративные состязательные сети: обзор2018
Технический отчет о GPT-42023
Обзор цифровых двойников: определения, характеристики, области применения и выводы для проектирования2019
Интеллектуальные периферийные вычисления: объединение периферийных вычислений и искусственного интеллекта2020
Глубокое обучение, обучение с подкреплением и модели мира2022
GPT (генеративно предварительно обученный трансформер): всесторонний обзор обеспечивающих технологий, потенциальных применений, возникающих проблем и перспективных направлений2024
ИИ-агенты и агентный ИИ: концептуальная таксономия, применения и проблемы2025
ИИ-агенты и агентный ИИ: концептуальная таксономия, приложения и проблемы2025
К периферийному общему интеллекту с использованием нескольких больших языковых моделей (Multi-LLM): архитектура, доверие и оркестрация2025
Всесторонний обзор больших моделей искусственного интеллекта для будущих систем связи: основы, применения и проблемы2026
От больших моделей искусственного интеллекта к агентному ИИ: учебное руководство по интеллектуальным коммуникациям будущего2026