К периферийному общему интеллекту с использованием нескольких больших языковых моделей (Multi-LLM): архитектура, доверие и оркестрация
Toward Edge General Intelligence With Multiple-Large Language Model (Multi-LLM): Architecture, Trust, and Orchestration
2025-09-22
SCID: 54.1/mg4kyaqu
Discuss with AI
динамическая оркестрацияпериферийные вычислениясистемы с несколькими большими языковыми моделямимультимодальные архитектурыдоверенный искусственный интеллект
Figures from the paper
Abstract (AI)
Периферийные вычисления обеспечивают обработку данных в реальном времени вблизи источника их поступления, тем самым повышая быстродействие и производительность приложений искусственного интеллекта, функционирующих на периферии сети. Однако прогностические модели искусственного интеллекта часто оказываются недостаточно эффективными при решении сложных динамических задач, требующих углублённого рассуждения и обработки мультимодальных данных. В этом обзорном исследовании рассматривается интеграция нескольких больших языковых моделей (Multi-LLM) для решения указанных задач в периферийных вычислениях, где несколько специализированных больших языковых моделей взаимодействуют, повышая эффективность выполнения задач и адаптивность в условиях ограниченных ресурсов. Рассматривается переход от традиционных моделей периферийного искусственного интеллекта к развертыванию одной большой языковой модели и далее к системам Multi-LLM. Обсуждаются такие обеспечивающие технологии, как динамическая оркестрация, планирование ресурсов и перенос знаний между предметными областями, имеющие ключевое значение для реализации Multi-LLM. Особое внимание уделяется доверенным системам Multi-LLM, обеспечивающим принятие устойчивых решений в средах, где критически важны надежность и конфиденциальность. Также представлены мультимодальные архитектуры Multi-LLM, в которых различные большие языковые модели специализируются на обработке разных типов данных, таких как текст, изображения и аудио, а их результаты интегрируются для проведения комплексного анализа. Наконец, обозначены перспективные направления, включая повышение эффективности использования ресурсов и создание надежного управления системами Multi-LLM с одновременным решением проблем конфиденциальности, доверия и устойчивости. Этот обзор представляет собой ценный источник для исследователей и практиков, стремящихся применять системы Multi-LLM в приложениях периферийных вычислений.
Key Findings
1
Взаимодействие специализированных LLM может повысить качество выполнения задач и адаптивность в условиях ограниченных ресурсов периферийных вычислений.
2
Динамическая оркестрация, планирование ресурсов и перенос знаний между доменами выделяются как ключевые технологии для развертывания систем Multi-LLM на периферии.
3
Системы Multi-LLM рассматриваются как способ преодолеть ограничения традиционных моделей периферийного ИИ при решении сложных динамических задач, требующих продвинутого рассуждения и мультимодальной обработки.
4
Мультимодальные системы Multi-LLM распределяют различные модальности, включая текст, изображения и аудио, между специализированными моделями и объединяют их результаты для комплексного анализа.
5
Надежные архитектуры Multi-LLM необходимы для принятия достоверных решений в условиях критической важности конфиденциальности и устойчивости.
Research Object
системы с несколькими большими языковыми моделями (multi-LLM), интегрированные в среду периферийных вычислений
Research Subject
их архитектура, надежность, оркестрация, эффективность использования ресурсов, мультимодальное взаимодействие и адаптивность в условиях ограничений по ресурсам, конфиденциальности и устойчивости
Publication Details
Publication Date
2025-09-22
Journal
Publisher
ISSN
Cited by
94
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Обзор методов оценки больших языковых моделей2024
TinyBERT: дистилляция BERT для задач понимания естественного языка2020
Интеллектуальные периферийные вычисления: объединение периферийных вычислений и искусственного интеллекта2020
Периферийный искусственный интеллект: обзор2023
Обзор сближения периферийных вычислений и искусственного интеллекта для БПЛА: возможности и проблемы2022
Генеративные агенты искусственного интеллекта с большими языковыми моделями для спутниковых сетей посредством передачи на основе смеси экспертов2024
Разделённое обучение в периферийных сетях 6G2024
Сети семантической связи с генеративным ИИ: архитектура, технологии и приложения2024
Интерактивный искусственный интеллект с генерацией с расширенным поиском для сетей следующего поколения2024
TRiSM для агентного искусственного интеллекта: обзор управления доверием, рисками и безопасностью в агентных мультиагентных системах на основе больших языковых моделей2026
Работы, цитирующие эту статью4
К периферийному общему интеллекту с помощью агентного ИИ и агентфикации: концепции, технологии и перспективные направления2026
Периферийный общий интеллект на основе мировых моделей, больших языковых моделей и агентного искусственного интеллекта: основы, решения и проблемы2026
На пути к устойчивым агентным системам искусственного интеллекта: обзор архитектур и методологий2026
Большие языковые модели и ИИ-агенты для автономных систем: обзор приложений, наборов данных и проблем безопасности2026