語義通信在邊緣算力網(wǎng)絡(luò)中的應(yīng)用研究綜述

關(guān)鍵詞：語義通信；算力網(wǎng)絡(luò)；邊緣計(jì)算

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-3695（2025）07-002-1930-09

doi：10. 19734/j.issn.1001-3695.2024.09.0477

Abstract：Semanticcommunication（SemCom）isanemerging technologythatintegrates inteligenceandcommunication.Itis expected to break throughthebandwidth botleneck of traditional communication and becomes anew communication paradigm forthe 6th generationmobilecommunicationsystem（6G）.Currently，theaplicationofsemanticcommunicationtechnologyin edge computing scenarios hasachieved somepreliminaryresearchresults，but there isstillalackof systematicanalysisand summary.Topromotethefurtherdevelopmentofthesemanticommunicationfield，thisarticleelaboratedindetailontherepresentativeresearchachievementsofsemanticcommunicationinspecificcomputing task scenarios inthepast fiveyears fromthe perspectivesof theIntemetofTings（IoT）taskscenariosandgeneralizededgescenarios.Moreover，thebotleneck inthedevelopmentof semanticcommunication technology lies inthe high demand forcomputing power.Thecomputing power network （CPN）-rivensemanticcommunication has becomeanidealsolution tothis botleneck.Thearticlefurther introducedtheresearch status of thecomputing power network，adeacomparativeanalysisofthecharacteristics of edgecomputing andcomputingpowernetwork，deeplyanalyzedthepotentialof thecomputing powernetwork inpromotingthedevelopmentofsemantic communication technology，ndfinallylooked forward tothefutureresearch prospectsof thecomputing power networkandsemantic communication.

Key words： semantic communication； computing power network； edge computing

0 引言

傳統(tǒng)通信網(wǎng)絡(luò)的發(fā)展基于香農(nóng)提出的通信第一層級(jí)理論，主要關(guān)注數(shù)據(jù)的有效傳輸和正確接收1。目前，第五代移動(dòng)通信技術(shù)已經(jīng)逐漸逼近信道容量的香農(nóng)極限。因此，為了滿足新型智慧應(yīng)用對(duì)網(wǎng)絡(luò)低時(shí)延和高智能化的需求，探索和發(fā)展一種新的通信技術(shù)范式已成為突破現(xiàn)有技術(shù)瓶頸的關(guān)鍵。

近年來，語義通信作為一種以“達(dá)意”為目標(biāo)的新型通信范式，在學(xué)術(shù)界引發(fā)了廣泛關(guān)注。語義通信基于通信第二層級(jí)，結(jié)合智能化技術(shù)，聚焦于傳輸數(shù)據(jù)背后的語義信息。相比于傳統(tǒng)通信，語義通信在減少數(shù)據(jù)傳輸量和提高傳輸效率方面展現(xiàn)出顯著優(yōu)勢(shì)。在此背景下，張平院士提出6G“智簡(jiǎn)”網(wǎng)絡(luò)，強(qiáng)調(diào)語義通信在工業(yè)物聯(lián)網(wǎng)和智能無人機(jī)器網(wǎng)絡(luò)等邊緣場(chǎng)景中的廣泛應(yīng)用潛力[3]。此外，清華大學(xué)秦志金教授指出，深度學(xué)習(xí)驅(qū)動(dòng)的語義通信其核心是深層語義級(jí)別的保真度，而非淺層比特級(jí)別的準(zhǔn)確性，并將其確定為第六代無線通信網(wǎng)絡(luò)的核心技術(shù)挑戰(zhàn)之一[4]。這些研究表明，語義通信通過精準(zhǔn)識(shí)別和傳遞關(guān)鍵信息，能夠顯著優(yōu)化網(wǎng)絡(luò)資源利用，在車聯(lián)網(wǎng)、工業(yè)物聯(lián)網(wǎng)等邊緣計(jì)算場(chǎng)景中具有重要的應(yīng)用前景。

邊緣計(jì)算是一種在網(wǎng)絡(luò)邊緣執(zhí)行計(jì)算任務(wù)的計(jì)算模型，它能夠處理來自云服務(wù)的下行數(shù)據(jù)以及物聯(lián)網(wǎng)設(shè)備產(chǎn)生的上行數(shù)據(jù)[5]。中國(guó)移動(dòng)在其《算力感知白皮書》中指出，未來終端數(shù)據(jù)有超過 50% 的網(wǎng)絡(luò)數(shù)據(jù)需要在網(wǎng)絡(luò)邊緣側(cè)進(jìn)行分析、處理和存儲(chǔ)。在語義通信領(lǐng)域，當(dāng)前大多數(shù)研究集中于邊緣計(jì)算場(chǎng)景，主要原因在于語義通信能夠有效降低邊緣計(jì)算任務(wù)的通信延遲、優(yōu)化帶寬利用效率，并為終端數(shù)據(jù)提供隱私保護(hù)。現(xiàn)有文獻(xiàn)中，多模態(tài)語義通信[6]、圖像語義通信[]以及語義通信安全8等方向已有較為全面的綜述。然而，針對(duì)語義通信在邊緣計(jì)算場(chǎng)景中的應(yīng)用研究尚缺乏系統(tǒng)性總結(jié)。

為此，本文梳理了近五年國(guó)內(nèi)外使用語義通信技術(shù)處理邊緣計(jì)算任務(wù)的研究進(jìn)展，系統(tǒng)總結(jié)了相關(guān)成果，旨在為語義通信的實(shí)際應(yīng)用提供理論指導(dǎo)。同時(shí)，本文還分析了語義通信面臨的計(jì)算能力瓶頸，并提出了針對(duì)此挑戰(zhàn)的未來研究方向。

1研究現(xiàn)狀

1.1邊緣計(jì)算研究現(xiàn)狀

產(chǎn)業(yè)界內(nèi)，邊緣計(jì)算產(chǎn)業(yè)聯(lián)盟（EdgeComputingConsor-tium，ECC）和工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟（AllianceofIndustrialInter-net，AII）在2017年發(fā)布的《邊緣計(jì)算參考架構(gòu) 2.0? 中給出了邊緣計(jì)算的定義：邊緣計(jì)算是在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用核心能力的分布式開放平臺(tái)，就近提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷聯(lián)接、實(shí)時(shí)業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求。近幾年邊緣計(jì)算發(fā)展迅速，2022年ECC發(fā)布《“邊緣計(jì)算 + ”技術(shù)白皮書》，提出了“邊緣計(jì)算 + ”的概念，詳細(xì)介紹了“邊緣計(jì)算 + 人工智能”“邊緣計(jì)算 + 高性能計(jì)算”等六項(xiàng)“邊緣計(jì)算 + ”的關(guān)鍵技術(shù)?！斑吘売?jì)算 + ”將以算網(wǎng)融合為目標(biāo)，加速算力資源與網(wǎng)絡(luò)資源的深度融合。

在學(xué)術(shù)界，2016年，Shi等人[9首次給出了邊緣計(jì)算的正式定義。同年，ACM和IEEE聯(lián)合舉辦了第一屆邊緣計(jì)算研討會(huì)（TheFirstIEEE/ACMSymposium on EdgeComputing），邊緣計(jì)算研討會(huì)（SymposiumonEdgeComputing，SEC）旨在探討邊緣計(jì)算所帶來的機(jī)遇和挑戰(zhàn)，推動(dòng)邊緣計(jì)算技術(shù)的創(chuàng)新發(fā)展和產(chǎn)業(yè)化進(jìn)程。截止到2023年12月，SEC會(huì)議已成功舉辦八屆。表1中列出了近四年SEC會(huì)議中涉及的部分研究熱點(diǎn)及其相關(guān)文獻(xiàn)。

1.2語義通信研究現(xiàn)狀

香農(nóng)將通信過程劃分為三個(gè)層級(jí)：數(shù)據(jù)的傳輸和正確接收、傳輸數(shù)據(jù)的語義以及信息的有效性。當(dāng)前，大多數(shù)通信的最終目標(biāo)是交換語義信息[4]，基于通信第二層級(jí)的語義通信，重點(diǎn)關(guān)注傳輸數(shù)據(jù)的語義含義，不僅有效減少了通信網(wǎng)絡(luò)中的數(shù)據(jù)流量，還能夠精準(zhǔn)傳遞信息意圖。

近幾年，語義通信引起了學(xué)術(shù)界的廣泛關(guān)注。圖1列舉了語義通信相關(guān)理論發(fā)展的典型事件，其中張平院士為語義通信基礎(chǔ)理論的發(fā)展作出了卓越的貢獻(xiàn)。

Morris FOO1956年，Brillouin2指出經(jīng)典信息論主要關(guān)注如何有效傳 1992年，Business Objects 2011年，D'Alfonso[29] 2023年，張平等人[31]輸符號(hào)并消除噪聲干擾， 公司注冊(cè)并獲得建立通用 提出利用“真似性” 歸納了語義信息的這是的視 語義層（semantic layer） 概念量化語義信息 度量指標(biāo)系討論信息的語義內(nèi)容

首先，其在文獻(xiàn)［3]中提出了語義基模型（semanticbase，Seb），并在此基礎(chǔ)上進(jìn)一步構(gòu)建一種智能高效語義通信網(wǎng)絡(luò)架構(gòu)（intelligentandefficientsemanticcommunication，IE-SC），最后通過仿真結(jié)果驗(yàn)證了語義通信提升信息傳輸效率的可能性。然后，在文獻(xiàn)[31]中歸納了語義信息的度量指標(biāo)體系，討論了語義壓縮極限，并進(jìn)一步介紹了直接編碼和變換編碼兩種語義編碼的傳輸方法。在人工智能賦能語義通信方面，Xie等人[30]提出一種面向文本傳輸任務(wù)，基于Transformer的語義通信系統(tǒng)DeepSC。與不考慮語義信息交換的傳統(tǒng)通信系統(tǒng)相比，DeepSC系統(tǒng)對(duì)信道變化具有更強(qiáng)的魯棒性。隨后，眾多研究者在DeepSC系統(tǒng)的基礎(chǔ)上，進(jìn)行了大量的研究。具體貢獻(xiàn)如表2所示。

2基于語義通信的邊緣計(jì)算

2.1 面向物聯(lián)網(wǎng)任務(wù)

人工智能物聯(lián)網(wǎng)（ArtificialIntelligenceofThings，AIoT）作為萬物智聯(lián)時(shí)代的創(chuàng)新引擎，推動(dòng)了物聯(lián)網(wǎng)與人工智能深度融合。物聯(lián)網(wǎng)設(shè)備作為互聯(lián)網(wǎng)數(shù)據(jù)的重要來源，采集的數(shù)據(jù)種類繁多，涵蓋了從環(huán)境監(jiān)測(cè)到用戶行為的各個(gè)領(lǐng)域。這些多樣化的數(shù)據(jù)為智能業(yè)務(wù)的廣泛應(yīng)用奠定了基礎(chǔ)，但同時(shí)，數(shù)據(jù)中的冗余信息也對(duì)智能業(yè)務(wù)在低時(shí)延和高可靠性方面的需求構(gòu)成了挑戰(zhàn)。語義通信為應(yīng)對(duì)這些挑戰(zhàn)提供了有效的解決方案，通過減少冗余數(shù)據(jù)和提高數(shù)據(jù)通信效率，使得物聯(lián)網(wǎng)設(shè)備生成的數(shù)據(jù)能夠更精準(zhǔn)地傳遞其語義信息，從而支持更高效、更智能的決策和業(yè)務(wù)操作。

2.1.1面向特定任務(wù)

針對(duì)物聯(lián)網(wǎng)中的機(jī)器視覺任務(wù)，楊雨佳等人[42]首先分析了基于語義分割、注意力機(jī)制和聯(lián)合信源信道編碼的三種語義傳輸架構(gòu)。隨后面向動(dòng)態(tài)信道環(huán)境中的圖像重構(gòu)任務(wù)，作者提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的端到端語義傳輸模型，在低信噪比的實(shí)驗(yàn)環(huán)境中，與傳統(tǒng)的通信方案相比，提出的模型有近2dB的峰值信噪比（peaksignal-to-noiseratio，PSNR）性能提升和0.15的結(jié)構(gòu)相似性（structuralsimilarity，SSIM）性能提升。面向圖像分類任務(wù)，為了有更高的分類準(zhǔn)確率和更低的延時(shí)，劉傳宏等人[43]提出一種針對(duì)圖像分類任務(wù)的語義通信神經(jīng)網(wǎng)絡(luò)架構(gòu)，發(fā)送端利用深度卷積神經(jīng)網(wǎng)絡(luò)提取特征網(wǎng)絡(luò)，隨后使用基于梯度的語義關(guān)系提取方法將語義概念和特征圖進(jìn)行關(guān)聯(lián)，最后根據(jù)實(shí)際通信環(huán)境和資源對(duì)特征圖進(jìn)行壓縮并傳輸最重要的特征圖，從而實(shí)現(xiàn)語義壓縮。接著，壓縮后的特征圖通過信道傳輸?shù)竭吘壏?wù)器的分類器網(wǎng)絡(luò)中，分類器網(wǎng)絡(luò)輸出結(jié)果并返回給AIoT設(shè)備。

盡管上述研究在物聯(lián)網(wǎng)中的機(jī)器視覺任務(wù)方面取得了顯著進(jìn)展。然而，這些研究均未充分考慮深度學(xué)習(xí)在物聯(lián)網(wǎng)設(shè)備中應(yīng)用時(shí)的功耗和資源限制問題。隨著物聯(lián)網(wǎng)設(shè)備的廣泛應(yīng)用，這些限制對(duì)實(shí)際部署深度學(xué)習(xí)模型提出了嚴(yán)峻挑戰(zhàn)，迫切需要在保持高性能的同時(shí)，優(yōu)化功耗和資源使用，以便真正實(shí)現(xiàn)高效、可持續(xù)的智能物聯(lián)網(wǎng)系統(tǒng)。針對(duì)這個(gè)問題，Yang等人[44]提出了一個(gè)系統(tǒng)模型，具體而言，他們考慮了能量受限的IoT設(shè)備通過無線方式接收能量以進(jìn)行文本傳輸，并設(shè)計(jì)了一個(gè)無線供電通信網(wǎng)絡(luò)。該網(wǎng)絡(luò)包含一個(gè)混合接人點(diǎn)（hybridaccesspoint，HAP）和多個(gè)無線供電的IoT設(shè)備。在這個(gè)系統(tǒng)中，HAP被設(shè)定為在特定時(shí)間內(nèi)只向一個(gè)IoT設(shè)備傳輸能量。為了決定能量分配，提出了一種基于深度學(xué)習(xí)的競(jìng)拍機(jī)制，IoT設(shè)備依據(jù)句子相似度和BLEU（bilingualevaluationunderstudy）分?jǐn)?shù)對(duì)能量進(jìn)行出價(jià)競(jìng)拍，拍賣機(jī)制將通過以最大化HAP收入為目標(biāo)確定獲勝者和價(jià)格，確保能量傳輸?shù)阶钣袃r(jià)值（句子相似度和BLEU分?jǐn)?shù)最高）的IoT設(shè)備，從而實(shí)現(xiàn)可靠有效的語義通信。而為了確保IoT設(shè)備能夠承擔(dān)得起深度學(xué)習(xí)模型所消耗的資源。Xie等人[32]針對(duì)低復(fù)雜度的文本傳輸任務(wù)，基于文獻(xiàn)[30]提出一種名為L(zhǎng)-DeepSC的精簡(jiǎn)分布式語義通信系統(tǒng)。具體地，為了解決文獻(xiàn)[30]中衰落信道上的DeepSC模型的訓(xùn)練問題，首先開發(fā)了一種改進(jìn)的最小二乘（least-squared，LS）估計(jì)器以消除系統(tǒng)訓(xùn)練期間信道衰落的影響。其次為了減少訓(xùn)練后模型的規(guī)模和復(fù)雜度，Xie等人[32]提出了網(wǎng)絡(luò)稀疏化修剪權(quán)重和網(wǎng)絡(luò)量化降低權(quán)重分辨率兩種模型壓縮方法。此外，受到網(wǎng)絡(luò)量化的啟發(fā)，作者將原始全分辨率星座圖映射到有限比特星座圖中，以降低IoT設(shè)備的傳輸和硬件成本。最后通過仿真驗(yàn)證了所提出的L-DeepSC系統(tǒng)在AIoT中具有巨大應(yīng)用潛力。

在實(shí)際應(yīng)用中，Huang等人[45]提出一種名為語義數(shù)據(jù)源（semanticdatasourcing，SEMDAS）的框架，SEMDAS可以看作是一種面向任務(wù)、基于語義的“搜索引擎”。其主要包括服務(wù)請(qǐng)求方、控制器、語義數(shù)據(jù)源和語義匹配四個(gè)組成部分。控制器同時(shí)接受數(shù)據(jù)源的數(shù)據(jù)描述和執(zhí)行任務(wù)節(jié)點(diǎn)發(fā)送的含有描述符的查詢請(qǐng)求，并通過基于機(jī)器學(xué)習(xí)的語義匹配技術(shù)，在語義空間內(nèi)查找接近查詢請(qǐng)求的結(jié)果。最后在通過監(jiān)控?cái)z像頭網(wǎng)絡(luò)尋找失蹤人員的任務(wù)場(chǎng)景中驗(yàn)證了其提出的SEMDAS框架的有效性。此外，作者提出了聯(lián)合語義與信道匹配（jointsemantics-and-channelmatching，JSCM）的新概念，并列舉了采用JSCM設(shè)計(jì)以速率為中心的無線技術(shù)的新研究方向。例如多路訪問（multi-access）、空中計(jì)算（over-the-aircomputation）、隨機(jī)波束形成（randombeamforming）等。

2.1.2車聯(lián)網(wǎng)

在車聯(lián)網(wǎng)場(chǎng)景中，自動(dòng)駕駛技術(shù)主要依賴于對(duì)車輛傳感器采集數(shù)據(jù)（雷達(dá)數(shù)據(jù)、攝像頭拍攝的照片數(shù)據(jù)等）的分析與處理。然而，在數(shù)據(jù)處理過程中，車輛面臨兩方面的挑戰(zhàn)。一方面車輛自身的數(shù)據(jù)處理能力有限，部分計(jì)算任務(wù)需要上傳至路側(cè)單元（roadsideunit，RSU）或邊緣服務(wù)器進(jìn)行處理。另一方面，車輛通過集成傳感與通信技術(shù)實(shí)現(xiàn)信息共享和協(xié)作，從而完成高效安全的自動(dòng)駕駛，而這些數(shù)據(jù)的傳輸給資源受限的車聯(lián)網(wǎng)環(huán)境帶來了通信負(fù)擔(dān)。

因此，為了處理車聯(lián)網(wǎng)場(chǎng)景中產(chǎn)生的海量照片數(shù)據(jù)，減少數(shù)據(jù)傳輸占用的帶寬。Huang等人[46]提出了一種基于強(qiáng)化學(xué)習(xí)的自適應(yīng)語義編碼模型，主要包含三個(gè)模塊：語義編碼器、執(zhí)行自適應(yīng)量化的強(qiáng)化學(xué)習(xí)代理 π 、語義解碼器。首先Huang等人[46將語義保真度和感知質(zhì)量整合到語義編碼的優(yōu)化過程中，并提出了一種包含每個(gè)對(duì)象的類別、特征和空間關(guān)系的表示單元，稱為語義概念。發(fā)送端采用了一種卷積語義編碼器提取語義概念并將其轉(zhuǎn)換為比特流。隨后為了更精準(zhǔn)地定位關(guān)鍵語義概念并分配適度的傳輸精度要求，提出了一種基于強(qiáng)化學(xué)習(xí)的語義比特分配模型（reinforcementlearningbasedadaptivesemanticcoding，RL-ASC）。語義編碼器獲得所有語義概念后，編碼過程被建模為馬爾可夫決策過程（Markovdecisionprocess，MDP），強(qiáng)化學(xué)習(xí)代理通過平衡比特成本和重建性能來自適應(yīng)地為每個(gè)語義概念分配量化編碼級(jí)別。最后采用了一種更符合語義通信的生成式對(duì)抗網(wǎng)絡(luò)（generativeadversarialnetwork，GAN）作為模型的語義解碼器，引入注意力機(jī)制融合全局和局部特征來重建語義概念。通過實(shí)驗(yàn)表明，Huang等人[46提出的RL-ASC模型可以保持高自然度的圖像重建，并顯著減少了車聯(lián)網(wǎng)環(huán)境中數(shù)據(jù)傳輸量。

資源分配問題同樣是車聯(lián)網(wǎng)研究的重要方向。Su等人[47]針對(duì)高度動(dòng)態(tài)的車聯(lián)網(wǎng)環(huán)境，提出了一種基于設(shè)備到設(shè)備車載網(wǎng)絡(luò)（device-to-devicevehicular，D2D-V）的長(zhǎng)效動(dòng)態(tài)跨層魯棒資源分配框架以實(shí)現(xiàn)高效的語義通信。利用季雅普諾夫優(yōu)化方法將跨層資源分配問題轉(zhuǎn)換為語義訪問控制和功率控制兩個(gè)子問題。隨后分別采用KKT（Karush-Kuhn-Tucher）條件和拉格朗日函數(shù)方法處理這兩個(gè)子問題。針對(duì)動(dòng)態(tài)的通信環(huán)境，引入一階的馬爾可夫過程從而準(zhǔn)確地描述不確定信道狀態(tài)，并提出了一種魯棒的資源分配算法實(shí)現(xiàn)高效可靠的語義信號(hào)傳輸。最后通過仿真驗(yàn)證了低時(shí)延、高可靠的語義通信同時(shí)保證了用戶的QoS（qualityofservice）需求。林潤(rùn)韜等人[48同樣基于動(dòng)態(tài)車聯(lián)網(wǎng)場(chǎng)景，通過引入了緩存資源改進(jìn)現(xiàn)有的聯(lián)合資源分配算法，構(gòu)建了一種新型的面向語義的多維資源聯(lián)合分配模型。在此模型基礎(chǔ)上，采用了深度雙Q網(wǎng)絡(luò)算法來求解最優(yōu)的資源分配策略。最后通過仿真，驗(yàn)證了該算法在面向車聯(lián)網(wǎng)的視頻和圖像目標(biāo)檢測(cè)任務(wù)中的性能。陳九九等人[49]針對(duì)不同維度的資源類型，提出了三種資源分配模型和算法，并且分析總結(jié)了不同算法、不同計(jì)算場(chǎng)景以及不同資源分配模型的差異。最后在車聯(lián)網(wǎng)仿真場(chǎng)景下，驗(yàn)證和分析了所研究的面向語義通信的資源分配方法的性能優(yōu)勢(shì)。Lu等人[50]提出了一種用于自動(dòng)駕駛技術(shù)的語義感知視覺輔助集成傳感與通信（vision-assisted integrated sensing and communication，SA-VA-ISAC）框架以及相應(yīng)的資源分配方案。具體地，資源分配方案包括深度學(xué)習(xí)驅(qū)動(dòng)的環(huán)境信息收集和聚合、語義通信和波束成形。其中環(huán)境信息收集和聚合指由多個(gè)VA-ISAC基站捕獲的圖像RGB信息和深度信息，在MEC服務(wù)器上使用深度學(xué)習(xí)模型進(jìn)行信息聚合。深度學(xué)習(xí)驅(qū)動(dòng)的語義通信使用參數(shù)化卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)語義編碼器和語義解碼器，并同時(shí)考慮聚合信息，智能應(yīng)用要求和通道狀態(tài)信息。最后提出了兩種基于深度學(xué)習(xí)的波束成形設(shè)計(jì)方案，第一種為有監(jiān)督的深度學(xué)習(xí)方案，使用神經(jīng)網(wǎng)絡(luò)近似于傳統(tǒng)的優(yōu)化算法，通過優(yōu)化算法構(gòu)建的標(biāo)記數(shù)據(jù)集，神經(jīng)網(wǎng)絡(luò)通過梯度下降法對(duì)權(quán)重進(jìn)行更新。此種方法具有更好的泛化性能。第二種為深度強(qiáng)化學(xué)習(xí)，其將波束成形問題視為馬爾可夫決策過程，并通過代理（例如基站）與環(huán)境（例如無線網(wǎng)絡(luò)環(huán)境）交互學(xué)習(xí)最佳波束成形設(shè)計(jì)。與第一種方案相比，深度強(qiáng)化學(xué)習(xí)所需的訓(xùn)練成本更少。

盡管上述研究為語義通信在車聯(lián)網(wǎng)中的應(yīng)用提供了新穎的解決方案和理論基礎(chǔ)，但其大多數(shù)研究集中于通用語義傳輸和資源優(yōu)化，而未充分考慮車聯(lián)網(wǎng)特定任務(wù)的通信需求和應(yīng)用場(chǎng)景。針對(duì)此問題，Raha等人[51]為高空平臺(tái)（highaltitudeplatform，HAP）支持的全連接自動(dòng)駕駛車輛網(wǎng)絡(luò)開發(fā)了一種語義通信框架，當(dāng)自動(dòng)駕駛汽車遇到交通基礎(chǔ)設(shè)施時(shí)，使用卷積自動(dòng)編碼器（convolutionalautoencoder，CAE）將交通設(shè)施中的語義概念提取出來，宏基站（macrobasestation，MBS）接收到語義概念后使用近端策略優(yōu)化PPO算法為自動(dòng)駕駛汽車提供決策。最后通過仿真驗(yàn)證了所提方法可最多降低 63.26% 的通信成本。此外，Raha等人[52]使用智能交通系統(tǒng)（intelligenttransportationsystems，ITS）的真實(shí)6G場(chǎng)景測(cè)試和評(píng)估了其提出的語義通信框架。具體地，首先使用輕量級(jí)移動(dòng)分段任意模型（mobilesegment anythingmodel，MSAM）設(shè)計(jì)了一種語義發(fā)射器來提取語義信息，其次在接收端采用了基于生成式對(duì)抗網(wǎng)絡(luò)（generativeadversarialnetwork，GAN）的方法，與文獻(xiàn)[46]中不同的是，Raha等人[52]在接收端使用像素對(duì)像素生成對(duì)抗網(wǎng)絡(luò)將發(fā)送端發(fā)送的背景信息和語義信息進(jìn)行合并，重建原始信息并對(duì)其去噪。最后在配備RGB相機(jī)和毫米波相控陣的固定基站場(chǎng)景中驗(yàn)證了所提框架可以在保持原有內(nèi)容的同時(shí)，降低了高達(dá) 93.45% 的通信成本。

2.1.3 智慧醫(yī)療（smart healthcare）

盡管語義通信在智慧醫(yī)療領(lǐng)域的研究仍處于初期階段，但其展現(xiàn)出巨大的潛力。一方面，醫(yī)療相關(guān)的傳感器，例如壓電薄膜傳感器和智能織物傳感器[41]，具有高動(dòng)態(tài)采集和海量數(shù)據(jù)傳輸?shù)奶攸c(diǎn)，語義通信通過提取數(shù)據(jù)語義信息，有效壓縮數(shù)據(jù)量，從而提高通信效率。另一方面，醫(yī)療系統(tǒng)對(duì)患者隱私和數(shù)據(jù)保護(hù)具有嚴(yán)格要求。語義通信僅允許接受者獲取信息意圖而非原始的比特信息，這使得攻擊者難從通過語義信息獲取原始數(shù)據(jù)，從而增強(qiáng)了數(shù)據(jù)傳輸?shù)陌踩訹53]

針對(duì)隱私問題，Utkovski等人[54]提出了一個(gè)基于帶有隱私約束的信息瓶頸（informationbottleneck，IB）公式的設(shè)備邊緣協(xié)同推理的語義感知架構(gòu)[55]，并給出了此架構(gòu)在健康檢測(cè)場(chǎng)景中的應(yīng)用。如圖 2^[54] 所示，醫(yī)療傳感器獲取原始數(shù)據(jù) X （如心電圖ECG、體溫），聯(lián)合患者的隱私數(shù)據(jù) s （如姓名、年齡）來遠(yuǎn)程評(píng)估患者的健康狀態(tài) Y 語義感知編碼器將預(yù)處理數(shù)據(jù)（如特征提取/心律失常檢測(cè)）和信道編碼結(jié)合生成傳輸符號(hào) Z 。接收器通過分析接收到的信息 ，推理出患者狀態(tài) 值得注意的是，基于隱私漏斗（privacyfunnel，PF）和潛在變量保密（la-tentvariablesecrecy，LVS），IB框架集成了物理層安全與隱私，目標(biāo)優(yōu)化函數(shù)如下：

其中：失真項(xiàng)表示最小化顯示數(shù)據(jù)（接收到的數(shù)據(jù)） 和目標(biāo) Y 之間的互信息損失，保留盡可能多的有用信息。速率項(xiàng)表示顯示數(shù)據(jù)Z和原始數(shù)據(jù) X 之間的互信息，目標(biāo)是通過參數(shù) β 控制傳輸數(shù)據(jù)量。隱私項(xiàng)確保原始數(shù)據(jù) Z 和敏感數(shù)據(jù) s 之間的隱私泄露低于隱私約束的閾值。

Xiao等人[41同時(shí)關(guān)注數(shù)據(jù)隱私與通信效率問題，在文獻(xiàn)[30]基礎(chǔ)上，提出了名為DeepSC-HealthNet的智能織物[5醫(yī)療保健系統(tǒng)。智能織物傳感器可以通過多種物理形態(tài)與人體交互，能夠更方便靈活地收集用戶的生理信息。首先提出了以織物計(jì)算為中心、以信息通信為基礎(chǔ)的端到端無干擾網(wǎng)絡(luò)服務(wù)框架。該網(wǎng)絡(luò)框架發(fā)送端和接收端分別部署著編碼和解碼神經(jīng)網(wǎng)絡(luò)，不同的健康服務(wù)對(duì)應(yīng)著不同的網(wǎng)絡(luò)結(jié)構(gòu)，因此即使攻擊者截取到了傳輸?shù)男畔ⅲ跓o法得知目標(biāo)網(wǎng)絡(luò)的情況下，也無法將其恢復(fù)為有用數(shù)據(jù)。隨后對(duì)于DeepSC-HealthNet系統(tǒng)網(wǎng)絡(luò)中計(jì)算卸載和資源分配兩個(gè)決策問題，提出了一種基于動(dòng)作組合深度強(qiáng)化學(xué)習(xí)的決策算法APPO-RL。最后通過仿真驗(yàn)證了所提框架在能耗和可靠性方面有顯著的性能提升。

2.2 面向廣義邊緣場(chǎng)景

針對(duì)語義通信部署到邊緣環(huán)境中消耗資源和效率低下問題。Shi等人[57]提出了一種基于聯(lián)邦邊緣智能的新穎架構(gòu)，用戶可以將計(jì)算密集的語義處理任務(wù)卸載到邊緣服務(wù)器，并且和多個(gè)服務(wù)器之間協(xié)作訓(xùn)練共享模型。同時(shí)基于聯(lián)邦學(xué)習(xí)框架處理公共語義知識(shí)，可以保證本地語義數(shù)據(jù)不被泄露。對(duì)于計(jì)算卸載問題，Ji等人[58]提出了一種語義感知多模態(tài)任務(wù)卸載系統(tǒng)。為了處理多模態(tài)數(shù)據(jù)的不同任務(wù)，作者基于任務(wù)執(zhí)行成本和執(zhí)行精度設(shè)計(jì)了統(tǒng)一的體驗(yàn)質(zhì)量標(biāo)準(zhǔn)（qualityofexperience，QoE）。并提出了一種基于近端策略優(yōu)化的多智能體強(qiáng)化學(xué)習(xí)算法MAPPO，以分布式和低計(jì)算復(fù)雜度的方式協(xié)調(diào)本地用戶設(shè)備執(zhí)行計(jì)算資源和通信資源的聯(lián)合管理，本地設(shè)備通過GPS位置、電池壽命、和任務(wù)隊(duì)列作出決策，從而減輕基站的計(jì)算壓力和減少本地?cái)?shù)據(jù)的上傳開銷。最后通過仿真驗(yàn)證了其提出的MAPPO算法在執(zhí)行速度和系統(tǒng)QoE方面優(yōu)于其他強(qiáng)化學(xué)習(xí)算法。

Saadat等人[59]對(duì)考慮延遲和QoS約束的能量最小化語義通信框架進(jìn)行了建模，隨后為語義任務(wù)部署了在MNIST數(shù)據(jù)集上訓(xùn)練的編碼器和分類器，對(duì)數(shù)據(jù)進(jìn)行語義提取、重構(gòu)和分類。之后利用回歸和松弛優(yōu)化技術(shù)對(duì)提出的NP難度（non-deterministicpolynomial-timehardness）的混合整數(shù)非線性規(guī)劃問題給出次優(yōu)解決方案。最后與其他基線方法進(jìn)行比較，所提次優(yōu)解決方案在保證定義約束的同時(shí)，有效地減少了系統(tǒng)的能耗。Xia等人[]解決了語義通信使能網(wǎng)絡(luò)（semcom-enablednetworks，SC-Nets）中的用戶關(guān)聯(lián)（userassociation，UA）和帶寬分配（bandwidthallocation，BA）問題。具體地，首先基于移動(dòng)用戶和基站之間的知識(shí)匹配狀態(tài)定義了兩種SC-Nets，分別為基于完美知識(shí)匹配的SC-Net和基于不完美知識(shí)匹配的SC-Nets。隨后利用比特率到消息率轉(zhuǎn)換函數(shù)有效開發(fā)了一種消息系統(tǒng)吞吐量（systemthroughputinmessage，STM）指標(biāo)，引人SC-Nets以確定語義層次上整體網(wǎng)絡(luò)性能。此外，針對(duì)兩種SC-Nets場(chǎng)景制定了UA和BA的聯(lián)合STM最大化問題。最后通過廣泛的模擬實(shí)驗(yàn)，與其他基線方案相比，所提方案在STM性能方面具有顯著的卓越性。

3算力網(wǎng)絡(luò)驅(qū)動(dòng)語義通信

3.1語義通信面臨的主要瓶頸

語義通信減少通信系統(tǒng)的傳輸信息量是以增加系統(tǒng)復(fù)雜度為代價(jià)的[61]。目前，基于深度學(xué)習(xí)的語義通信系統(tǒng)的編碼器和解碼器通常采用多種神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)，例如本文中提到的卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)以及Transformer等。盡管高性能深度神經(jīng)網(wǎng)絡(luò)顯著提升了語義通信系統(tǒng)的性能，但其龐大的參數(shù)規(guī)模和高計(jì)算需求也顯著增加了系統(tǒng)的算力消耗，使得算力成為了語義通信系統(tǒng)進(jìn)一步發(fā)展的瓶頸[62]

3.2 算力網(wǎng)絡(luò)

隨著生成式人工智能、大模型等創(chuàng)新技術(shù)的飛速發(fā)展，對(duì)算力的需求日益增大，為了解決計(jì)算資源分散造成的算力孤島效應(yīng)，傳統(tǒng)通信網(wǎng)絡(luò)正在向計(jì)算與通信資源深度融合的算力網(wǎng)絡(luò)演進(jìn)[63]。算力網(wǎng)絡(luò)旨在解決云計(jì)算、邊緣計(jì)算及端計(jì)算等多級(jí)算力資源并存情況下的資源統(tǒng)一供給問題。

3.2.1算力網(wǎng)絡(luò)研究現(xiàn)狀

產(chǎn)業(yè)界內(nèi)，早在2019年，中國(guó)移動(dòng)研究院聯(lián)合華為發(fā)布了《算力感知網(wǎng)絡(luò)技術(shù)白皮書》，提出了算力感知網(wǎng)絡(luò)（computing-awarenetworking，CAN），即通過無處不在的網(wǎng)絡(luò)將動(dòng)態(tài)分布的計(jì)算資源互聯(lián)，將網(wǎng)絡(luò)、存儲(chǔ)、計(jì)算等多維度資源統(tǒng)一協(xié)調(diào)，按需分配。同時(shí)，中國(guó)聯(lián)通網(wǎng)絡(luò)技術(shù)研究院發(fā)布的《中國(guó)聯(lián)通算力網(wǎng)絡(luò)白皮書》提出，未來智能社會(huì)的網(wǎng)絡(luò)將呈現(xiàn)為云、邊、端三級(jí)算力架構(gòu)，使算力具有專業(yè)性、彈性、協(xié)同性就需要“計(jì)算 + 網(wǎng)絡(luò)”深度融合的新型網(wǎng)絡(luò)架構(gòu)“算力網(wǎng)絡(luò)”。隨著近幾年人工智能技術(shù)的崛起，眾多企業(yè)開始向智能化轉(zhuǎn)型，AI賦能網(wǎng)絡(luò)的快速發(fā)展，加速了自智網(wǎng)絡(luò)的實(shí)現(xiàn)[64]，現(xiàn)已成為了運(yùn)營(yíng)商的首要選擇。對(duì)此，2024年中國(guó)移動(dòng)發(fā)布了《“九州”算力互聯(lián)網(wǎng)（MATRIXES）目標(biāo)架構(gòu)白皮書》，提出“九州\"算力互聯(lián)網(wǎng)是實(shí)現(xiàn)一體化算力智聯(lián)網(wǎng)的重要基礎(chǔ)，并對(duì)其網(wǎng)絡(luò)架構(gòu)、關(guān)鍵技術(shù)和賦能業(yè)務(wù)場(chǎng)景進(jìn)行了詳細(xì)的闡述。

在學(xué)術(shù)界，雷波等人[首次提出了“算力網(wǎng)絡(luò)”概念，其針對(duì)邊緣計(jì)算部署過程中的算力分配與調(diào)度問題，研究了一種基于云、網(wǎng)、邊深度融合的方案，即算力網(wǎng)絡(luò)。Tang等人結(jié)合6G時(shí)代算力服務(wù)的特點(diǎn)，提出承載網(wǎng)絡(luò)、云化網(wǎng)絡(luò)、計(jì)算網(wǎng)絡(luò)是算力網(wǎng)絡(luò)所需的三個(gè)技術(shù)要素。周曉茂等人[設(shè)計(jì)了一種將算力網(wǎng)絡(luò)與自智網(wǎng)絡(luò)深度融合的自智算力網(wǎng)絡(luò)架構(gòu)，并總結(jié)了自智算力網(wǎng)絡(luò)的三大特征：意圖驅(qū)動(dòng)、閉環(huán)自治和自適演進(jìn)。Jia等人[8]提出了一種確定性算力網(wǎng)絡(luò)（deterministiccomputingpowernetworking，Det-CPN）的新網(wǎng)絡(luò)范式，它集成了確定性網(wǎng)絡(luò)技術(shù)和算力網(wǎng)絡(luò)技術(shù)，為時(shí)間敏感和計(jì)算密集型應(yīng)用提供端到端的確定性網(wǎng)絡(luò)服務(wù)，確保延遲、抖動(dòng)、路徑和計(jì)算的確定性。同時(shí)，算力網(wǎng)絡(luò)中的資源分配和協(xié)同調(diào)度問題也已經(jīng)得到了廣泛研究。Guo等人[為算力網(wǎng)絡(luò)引入了路由機(jī)制，以實(shí)現(xiàn)對(duì)任播流量的動(dòng)態(tài)控制，他們提出的基于模糊邏輯的路由算法和低復(fù)雜度成對(duì)多屬性決策算法在平均處理延遲、用戶滿意度和負(fù)載均衡方面表現(xiàn)出色。Tang等人借鑒了基于意圖網(wǎng)絡(luò)（intent-basednetworking，IBN）的思想，提出了一種面向算力網(wǎng)絡(luò)的服務(wù)意圖感知任務(wù)調(diào)度框架，克服了傳統(tǒng)任務(wù)調(diào)度研究忽略網(wǎng)絡(luò)調(diào)度的缺點(diǎn)，并開發(fā)了一種基于競(jìng)價(jià)的任務(wù)調(diào)度算法，實(shí)現(xiàn)任務(wù)意圖和算力資源的最佳匹配。Di等人[71]在算力網(wǎng)絡(luò)中構(gòu)建了動(dòng)態(tài)資源池，并通過深度強(qiáng)化學(xué)習(xí)（deepreinforcementlearning，DRL）作出最優(yōu)決策，他們提出了一種基于注意力的近端策略優(yōu)化算法，以識(shí)別不同資源池對(duì)系統(tǒng)的貢獻(xiàn)，從而充分利用每個(gè)資源池的優(yōu)勢(shì)。

3.2.2邊緣計(jì)算與算力網(wǎng)絡(luò)

在5G時(shí)代，隨著虛擬現(xiàn)實(shí)、自動(dòng)駕駛、智慧城市等新興智能業(yè)務(wù)的快速發(fā)展，通信網(wǎng)絡(luò)中的數(shù)據(jù)量爆發(fā)式增長(zhǎng)，傳統(tǒng)云計(jì)算模式在應(yīng)對(duì)這些需求時(shí)面臨延遲高、能耗高、安全性不足等問題。邊緣計(jì)算將云中心的計(jì)算能力下沉至網(wǎng)絡(luò)邊緣，減輕了核心網(wǎng)的壓力，為終端用戶提供了高效的計(jì)算服務(wù)。然而，這種模式也導(dǎo)致大量的計(jì)算資源分布于網(wǎng)絡(luò)中，如何高效協(xié)同調(diào)度這些計(jì)算資源，并依據(jù)用戶業(yè)務(wù)需求提供高質(zhì)量網(wǎng)絡(luò)服務(wù)，成為亟待解決的關(guān)鍵問題。針對(duì)這一挑戰(zhàn)，算力網(wǎng)絡(luò)作為一種解決多級(jí)算力資源（云計(jì)算、邊緣計(jì)算以及端計(jì)算）并存情況下資源統(tǒng)一供給問題的新型網(wǎng)絡(luò)技術(shù)方案被提出[63]。表3對(duì)比了5G邊緣計(jì)算和算力網(wǎng)絡(luò)的特性。

邊緣計(jì)算是在網(wǎng)絡(luò)邊緣執(zhí)行計(jì)算任務(wù)的一種計(jì)算模型，其能在靠近數(shù)據(jù)輸入的位置為用戶提供計(jì)算、存儲(chǔ)等服務(wù)，降低數(shù)據(jù)延遲、提升服務(wù)質(zhì)量[72]。而算力網(wǎng)絡(luò)目標(biāo)則是在任意網(wǎng)絡(luò)接入點(diǎn)上，高效、智能地為用戶提供最優(yōu)的算力資源，實(shí)現(xiàn)多級(jí)算力的靈活調(diào)控。算力網(wǎng)絡(luò)和邊緣計(jì)算的架構(gòu)均為云邊端三級(jí)架構(gòu)[73.74]。如圖3所示。算力網(wǎng)絡(luò)在邊緣計(jì)算架構(gòu)的基礎(chǔ)上，進(jìn)一步增強(qiáng)了資源的協(xié)同調(diào)度和智能分配能力，實(shí)現(xiàn)了跨域資源的無縫連接和優(yōu)化使用，從而提升了整體系統(tǒng)的計(jì)算效率和服務(wù)水平。硬件方面，目前，邊緣計(jì)算的部署應(yīng)用在網(wǎng)絡(luò)邊緣處放置了大量的邊緣服務(wù)器和定制化的邊緣接人設(shè)備，這些設(shè)施包括了CPU、GPU、FPGA、TPU等計(jì)算資源，為算力網(wǎng)絡(luò)的落地應(yīng)用提供了多樣化的算力基礎(chǔ)設(shè)施。除此之外，在算力網(wǎng)絡(luò)中，每臺(tái)帶有計(jì)算能力的設(shè)備都有可能成為算力提供方，其中既包括超算中心的超級(jí)計(jì)算機(jī)，也包括具有移動(dòng)性的智能終端。網(wǎng)絡(luò)基礎(chǔ)設(shè)施方面，5G網(wǎng)絡(luò)的高速率、低時(shí)延、大連接的特點(diǎn)，為邊緣計(jì)算提供了高靈活、高可靠的網(wǎng)絡(luò)能力。而算力網(wǎng)絡(luò)作為6G網(wǎng)絡(luò)發(fā)展的基礎(chǔ)，需要更高品質(zhì)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施。通過構(gòu)筑基于光交叉連接（opticalcross-connect，OXC）的全光網(wǎng)絡(luò)底座和打造云邊端全連接的智能IP網(wǎng)絡(luò)，以保障算力網(wǎng)絡(luò)的實(shí)時(shí)響應(yīng)和高效供給[75]

在主要研究問題上，文獻(xiàn)[76]探討了邊緣計(jì)算的三個(gè)重要問題：計(jì)算卸載、資源分配以及安全與隱私。這些問題同樣是算力網(wǎng)絡(luò)的核心議題，然而，除了上述問題外，算力網(wǎng)絡(luò)還需重點(diǎn)關(guān)注以下方面：

a）算力度量：算力度量和算力建模是算力網(wǎng)絡(luò)技術(shù)底層的基石。如何精準(zhǔn)地衡量算力資源，構(gòu)造統(tǒng)一的算力資源模型標(biāo)準(zhǔn)是提高算力資源利用率和匹配度的重要前提條件[］。目前業(yè)界內(nèi)對(duì)算力資源度量的研究仍處于早期階段，對(duì)CPU、GPU、NPU等諸如此類的異構(gòu)處理單元和算網(wǎng)端側(cè)多樣化的物聯(lián)網(wǎng)設(shè)備的算力進(jìn)行標(biāo)準(zhǔn)化的統(tǒng)一仍存在較大挑戰(zhàn)。

b）算力路由：傳統(tǒng)的路由協(xié)議難以對(duì)算力資源進(jìn)行精準(zhǔn)的把控，算力路由則是在傳統(tǒng)路由協(xié)議中增加算力信息，生成“網(wǎng)絡(luò) + 計(jì)算”的新型路由表，讓算力信息和網(wǎng)絡(luò)信息同時(shí)在網(wǎng)絡(luò)中傳遞。基于用戶的需求，通過網(wǎng)絡(luò)、計(jì)算聯(lián)合路徑計(jì)算，按需、動(dòng)態(tài)地生成業(yè)務(wù)調(diào)度策略[78]

c算力交易：算力具有供需方。算力交易是算力網(wǎng)絡(luò)商用的關(guān)鍵問題。算力網(wǎng)絡(luò)關(guān)注的是整個(gè)網(wǎng)絡(luò)中算力資源，算力消費(fèi)者可以是自動(dòng)駕駛汽車、智能家居設(shè)備、虛擬現(xiàn)實(shí)設(shè)備以及其他需要高性能計(jì)算能力的終端設(shè)備和應(yīng)用。算力提供者可以是邊緣計(jì)算節(jié)點(diǎn)，超算中心甚至可以是任何具有計(jì)算能力的移動(dòng)設(shè)備。交易平臺(tái)如何制定公平的交易規(guī)則、如何設(shè)定激勵(lì)機(jī)制讓更多閑散算力積極加人到算力網(wǎng)絡(luò)中是算力交易的主要研究問題。

綜上所述，邊緣計(jì)算與算力網(wǎng)絡(luò)關(guān)系可以概括為

a）邊緣計(jì)算的部署應(yīng)用催生了算力網(wǎng)絡(luò)，算力網(wǎng)絡(luò)是邊緣計(jì)算的一種新演進(jìn)[79]。b）邊緣計(jì)算為算力網(wǎng)絡(luò)提供了必要的硬件基礎(chǔ)設(shè)施。c）邊緣算力網(wǎng)絡(luò)是連接端側(cè)算力和云中心算力的重要樞紐，是算力網(wǎng)絡(luò)的重要組成部分和研究方向。d）算力網(wǎng)絡(luò)要在邊緣計(jì)算的基礎(chǔ)上，融合人工智能、5G等技術(shù)，實(shí)現(xiàn)高效的資源管理、智能化的業(yè)務(wù)調(diào)度，以及低延遲高可靠的網(wǎng)絡(luò)服務(wù)，進(jìn)一步推動(dòng)新一代信息技術(shù)的發(fā)展。

3.3算力網(wǎng)絡(luò)驅(qū)動(dòng)語義通信

算力網(wǎng)絡(luò)是為語義通信系統(tǒng)提供算力支持的理想基礎(chǔ)設(shè)施。通過算力網(wǎng)絡(luò)，語義通信系統(tǒng)能夠接入廣泛分布的計(jì)算資源，為算力較弱的終端處理語義任務(wù)提供算力支持。目前，算力網(wǎng)絡(luò)和語義通信仍處于初級(jí)發(fā)展階段，兩者融合的相關(guān)研究較為有限?，F(xiàn)有的研究中，Qin等人初步探討了支持語義通信的算力網(wǎng)絡(luò)架構(gòu)及其關(guān)鍵技術(shù)，為之后的研究提供了有價(jià)值的參考。其提出的算力網(wǎng)絡(luò)驅(qū)動(dòng)語義通信架構(gòu)如圖4所示。

算力網(wǎng)絡(luò)驅(qū)動(dòng)語義通信包含兩個(gè)關(guān)鍵技術(shù)模塊：語義采樣模塊與語義信道聯(lián)合編碼（jointsemanticchannelcoding，JSCC）模塊。算力網(wǎng)絡(luò)通過將云、邊、端側(cè)的閑置計(jì)算資源聚合，為語義通信系統(tǒng)提供了強(qiáng)大的算力支持。在語義采樣階段，邊緣計(jì)算服務(wù)器可根據(jù)傳感器數(shù)據(jù)和模型復(fù)雜度，協(xié)助傳感器動(dòng)態(tài)調(diào)整模型更新策略，提升采樣效率。同時(shí)，算力網(wǎng)絡(luò)為計(jì)算復(fù)雜度高的JSCC模塊提供了充足的計(jì)算資源，使其能夠高效地進(jìn)行語義編碼和解碼。此外，文獻(xiàn)[62]以超分辨率視頻重建和語義感知算力資源分配為例，通過仿真實(shí)驗(yàn)驗(yàn)證了算力網(wǎng)絡(luò)驅(qū)動(dòng)語義通信在推動(dòng)6G網(wǎng)絡(luò)通感算智一體化發(fā)展中的優(yōu)勢(shì)，同時(shí)也指出了當(dāng)前算力網(wǎng)絡(luò)與語義通信研究處于初級(jí)階段，缺乏相關(guān)數(shù)學(xué)理論對(duì)算力網(wǎng)絡(luò)驅(qū)動(dòng)的語義通信框架進(jìn)行優(yōu)化指導(dǎo)。

4未來工作

當(dāng)前，算力網(wǎng)絡(luò)和語義通信的研究已經(jīng)有了初步的進(jìn)展，但仍舊存在諸多尚未解決的問題。下面將探討算力網(wǎng)絡(luò)與語義通信未來的研究方向。

4.1 端側(cè)算力網(wǎng)絡(luò)

盡管在2022年，中國(guó)移動(dòng)聯(lián)合北京郵電大學(xué)、中國(guó)信息通信研究院、中國(guó)通信學(xué)會(huì)發(fā)布了《端側(cè)算力網(wǎng)絡(luò)白皮書》，其中明確指出充分利用泛在終端的算力資源是提升網(wǎng)絡(luò)整體資源利用率的關(guān)鍵。然而，根據(jù)筆者的調(diào)研，針對(duì)端側(cè)算力網(wǎng)絡(luò)的研究目前仍處于起步階段。

張興等人[8提出了多級(jí)端側(cè)算力自治網(wǎng)絡(luò)架構(gòu)，指出端側(cè)算力網(wǎng)絡(luò)與邊緣側(cè)算力網(wǎng)絡(luò)緊密銜接，在端側(cè)將終端設(shè)備按照區(qū)域進(jìn)行劃分，分為多個(gè)算力自治網(wǎng)，每個(gè)自治網(wǎng)內(nèi)基于設(shè)備的算力度量值進(jìn)行層次化分組，將其分為多級(jí)終端，其中一級(jí)終端需要向下匯總所有級(jí)別的算力信息，以及通過邊緣服務(wù)器獲得其他自治網(wǎng)的信息。最后通過智能決策，實(shí)現(xiàn)端側(cè)算力資源的統(tǒng)一管理，這對(duì)提升算力資源利用率具有顯著優(yōu)勢(shì)，但在實(shí)際應(yīng)用中仍面臨以下幾個(gè)關(guān)鍵問題：

a）算力資源復(fù)雜性。終端設(shè)備是每個(gè)自治網(wǎng)內(nèi)主要組成部分，復(fù)雜多樣的終端設(shè)備為終端提供了多種多樣的算力信息，極大增加了數(shù)據(jù)管理和處理的復(fù)雜性。同時(shí)，每個(gè)自治網(wǎng)的特性也不盡相同。這給自治網(wǎng)之間相互協(xié)調(diào)帶來了挑戰(zhàn)。

b）智能決策準(zhǔn)確性。在文獻(xiàn)[80]提出的端側(cè)網(wǎng)絡(luò)架構(gòu)中，一級(jí)終端設(shè)備承擔(dān)著進(jìn)行智能決策的角色，進(jìn)行決策就需要對(duì)匯總的所有信息進(jìn)行計(jì)算和判斷，而需處理信息之繁雜極易影響決策的準(zhǔn)確性。

c）數(shù)據(jù)傳輸高效性。端側(cè)算力網(wǎng)絡(luò)為新興智慧應(yīng)用提供了便利。同時(shí)，這些應(yīng)用也產(chǎn)生了海量的數(shù)據(jù)，例如高分辨率的視頻、圖像。如何在資源受限的邊端側(cè)網(wǎng)絡(luò)中高效傳輸這些數(shù)據(jù)是一個(gè)重要的研究方向。

4.2 語義通信

a）語義通信基礎(chǔ)理論與實(shí)踐探索。語義通信基礎(chǔ)理論的研究對(duì)該領(lǐng)域的發(fā)展具有重要的指導(dǎo)意義。牛凱教授和張平院士在文獻(xiàn)[81]中基于經(jīng)典信息論構(gòu)建了一個(gè)具有高可行性的語義信息理論框架，系統(tǒng)闡述了語義信息度量體系及語義通信理論極限。同時(shí)，他們對(duì)經(jīng)典香農(nóng)公式進(jìn)行了擴(kuò)展，提出了新的信道容量公式，如式（2）所示。

其中： s 代表信息的辨識(shí)能力。在這一理論基礎(chǔ)上，進(jìn)一步的實(shí)踐研究顯得尤為重要。為此，張平院士團(tuán)隊(duì)搭建了國(guó)際首個(gè)6G與AI融合的外場(chǎng)試驗(yàn)網(wǎng)，驗(yàn)證了其提出的語義信息論的有效性。

此外，語義通信在惡劣通信環(huán)境（如衛(wèi)星通信、深海通信和地下通信）中的應(yīng)用亟需進(jìn)一步探索。通過將語義信息理論應(yīng)用于實(shí)際通信系統(tǒng)的設(shè)計(jì)與優(yōu)化，不僅可以驗(yàn)證該理論體系的有效性，還可以促進(jìn)其進(jìn)一步完善與發(fā)展。這些研究將為語義通信在各種挑戰(zhàn)性環(huán)境中的實(shí)際應(yīng)用奠定堅(jiān)實(shí)基礎(chǔ)。

b）語義知識(shí)庫構(gòu)建與更新。語義知識(shí)庫是實(shí)現(xiàn)端到端語義通信的基礎(chǔ)。針對(duì)不同任務(wù)場(chǎng)景，數(shù)據(jù)模態(tài)與算法類型，研究多層級(jí)的知識(shí)庫建模方法至關(guān)重要。此外，如何動(dòng)態(tài)更新語義知識(shí)庫以適應(yīng)不斷變化的知識(shí)體系，以及如何有效保護(hù)知識(shí)庫中的敏感數(shù)據(jù)以防止信息泄露和惡意攻擊，是確保其有效性和可靠性的關(guān)鍵所在。

c）大模型賦能語義通信。近來，各種大模型如Chat-GPT^[82] 、Gemini[83]備受關(guān)注。這些模型在上下文理解、知識(shí)學(xué)習(xí)、多模態(tài)數(shù)據(jù)處理和分析等方面展現(xiàn)出卓越的能力，為語義通信提供了全新的技術(shù)解決方案。然而，如何將大模型高效地集成至語義通信系統(tǒng)中，缺乏算力資源和存儲(chǔ)資源的端側(cè)設(shè)備如何部署大模型[84]，以及面向復(fù)雜任務(wù)的大模型如何訓(xùn)練，依然是當(dāng)前亟待解決的關(guān)鍵問題。為了應(yīng)對(duì)上述挑戰(zhàn)，需要探索新型網(wǎng)絡(luò)架構(gòu)與技術(shù)，例如算力網(wǎng)絡(luò)，以提供足夠的算力和存儲(chǔ)資源支持。此外，開發(fā)高效的模型壓縮和優(yōu)化技術(shù)也是關(guān)鍵，以確保大模型能夠在資源受限的環(huán)境中高效運(yùn)行。這些研究方向不僅關(guān)乎語義通信的實(shí)際應(yīng)用前景，更將推動(dòng)大模型技術(shù)的進(jìn)一步發(fā)展。

5結(jié)束語

算力網(wǎng)絡(luò)和語義通信有望為6G智能化通信系統(tǒng)提供有力的技術(shù)支撐。本文梳理了近年來語義通信在邊緣計(jì)算中應(yīng)用的相關(guān)研究成果，分析了語義通信面臨的發(fā)展瓶頸，討論了邊緣計(jì)算與算力網(wǎng)絡(luò)特性，并介紹了一種算力網(wǎng)絡(luò)驅(qū)動(dòng)的語義通信解決方案，旨在為算力網(wǎng)絡(luò)與語義通信融合的研究提供參考。最后，本文對(duì)端側(cè)算力網(wǎng)絡(luò)與語義通信的未來研究方向進(jìn)行了展望。

參考文獻(xiàn)：

[1]Shannon C E.A mathematical theory of communication[J].Bell SystemTechnical Journal，1948，27（3）：379-423.

[2]牛凱，戴金晟，張平，等.面向6G的語義通信[J].移動(dòng)通信， 2021，45（4）：85-90.（NiuKai，DaiJinsheng，ZhangPing，etal.6Goriented Semantic Communications[J].Mobile Communications， 2021，45（4） ：85-90.）

[3]ZhangPing，Xu Wenjun，Gao Hui，et al.Toward wisdom-evolutionary and primitive-concise 6G：anewparadigm of semantic communication networks[J].Engineering，2022，8：60-73.

[4]Qin Zhijin，Tao Xiaoming，Lu Jianhua，etal.Semantic communications：principlesand challenges[EB/OL].（2022-06-27）.https：// arxiv.org/abs/2201.01389.

[5]施巍松，張星洲，王一帆，等.邊緣計(jì)算：現(xiàn)狀與展望[J].計(jì)算機(jī)研 究與發(fā)展，2019，56（1）：69-89.（ShiWeisong，ZhangXingzhou， WangYifan，et al.Edgecomputing：state-of-the-artand future directions[J].Journal of Computer Research and Development， 2019，56（1） ：69-89.）

[6]秦志金，趙菼菼，李凡，等.多模態(tài)語義通信研究綜述[J].通信學(xué) 報(bào)，2023，44（5）：28-41.（QinZhijin，ZhaoTantan，LiFan，etal. Survey of research onmultimodal semantic communication[J].JournalonCommunications，2023，44（5）：28-41.）

[7]郭暢，何占豪，楊君剛，等.圖像語義通信技術(shù)綜述與展望[ J OL].電訊技術(shù).[2024-09-27].https：//doi.org/10.20079/j.issn. 1001-893x.240416001.（Guo Chang，He Zhanhao，Yang Jungang，et al.Reviewand perspective on imagesemantic communication technologies[J/OL].Telecommunication Engineering.[2024-09-27]. https：//doi.0rg/10.20079/j.issn.1001-893x.240416001.）

[8]施繼婷，曾維昊，張騫允，等.語義通信安全研究綜述[ Π_J/OL] .南 京信息工程大學(xué)學(xué)報(bào).[2024-09-12].https：//doi.org/10.13878/ j.cnki. jnuist.20240425002．（Shi Jiting，Zeng Weihao，Zhang Qianyun，etal.Surveyofresearchonsemanticcommunicationsecurity [J].Joumal of Nanjing University of Information Scienceamp; Technology.[2024-09-12]. htps：//doi.org/10.13878/j.cnki. jnuist. 20240425002.）

[9]Shi Weisong，Cao Jie，Zhang Quan，et al.Edge computing：vision and challenges[J].IEEE Internetof Things Journal，2016，3（5）：637-646.

[10]FangBiyi，Zeng Xiao，ZhangFa’en，et al.FlexDNN：input-adaptive on-device deep learning for effcient mobilevision[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway， NJ： IEEE Press，2020：84-95.

[11]Nigade V，Wang Lin，Bal H. Clownfish： edge and cloud symbiosis for video stream analytics[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2020 ：55-69.

[12]Huang Chanying，Hu Yingxun. BEAF：a blockchain and edge assistant framework with data sharing for IoTnetworks[C]//Proc of IEEE/ ACM Symposium on Edge Computing. Piscataway，NJ： IEEE Press， 2020 ;370-375.

[13]Li Ang，Sun Jingwei，Wang Binghui，et al.LotteryFL;empower edge intelligence with personalizedand communication-efficient federated learning[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2021：68-79.

[14]PrakashP，Ding Jiahao，Shu Minglei，et al.SQuaFL：sketchquantization inspired communication effcient federated learning [C]//Proc of IEEE/ACM Symposium on Edge Computing.Piscataway，NJ： IEEE Press，2021：350-354.

[15]Pinyoanuntapong P，Pothuneedi T，Balakrishnan R，et al.Sim-to-real transferin multi-agent reinforcement networking for federated edge computing[ C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2021：355-360.

[16]Lu Rui，Shi Siping，Wang Dan，et al.Preva：protecting inference privacythrough policy-based video-frame transformation[C]//Proc of the 7th IEEE/ACM Symposium on Edge Computing.Piscataway，NJ： IEEE Press，2022：175-188.

[17] Stein S，Mao Ying，Ang J，et al. QuCNN：a quantum convolutional neural network with entanglement based backpropagation[C]//Proc of the 7th IEEE/ACM Symposium on Edge Computing. Piscataway，NJ： IEEEPress，2022：368-374.

[18]Wu Jindi，Li Qun.Poster：scalable quantum convolutional neural networks for edge computing[C]//Proc of the 7th IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2022 ：307-309.

[19]Alanezi K，Mishra S.Towards a scalable architecture for building digital twins at the edge[C]//Proc of IEEE/ACM Symposium on Edge Computing.Piscataway，NJ：IEEE Press，2023：325-329.

[20]Hasan S M N，Zhu Qiuming，Hossain M. Empowering digital twin：earlyaction decision through GAN-enhanced predictive frame synthesis for autonomous vehicles[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2023 ：330-335.

[21]Morris CW.Foundationsof the theory of signs[M].[S.1.]： University of Chicago Press，1938.

[22]Hockett C F，Shannon C L，Weaver W. The mathematical theory of communication[J].Language，1953，29（1） ：69.

[23]Elias P，Carnap R，Bar-Hilel Y.An outline of a theory of semantic information，Technical ReportNo.247[R].Massachusetts，MA：Research Laboratory of Electronics，MIT，1952.

[24]Bar-HillelY，CarnapR.Semantic information[J].The British Journal for the Philosophy of Science，1953，4（14） ：147-157.

[25]Brillouin L. Science and information theory[M].New York ： Academic Press，1956.

[26]Barwise J，Perry J.Situations and attitudes[J].The Journal of Philosophy，1981，78（11） ：668-691.

[27］石光明，肖泳，李瑩玉，等.面向萬物智聯(lián)的語義通信網(wǎng)絡(luò)[J].物 聯(lián)網(wǎng)學(xué)報(bào)，2021，5（2）：26-36．（Shi Guangming，Xiao Yong，Li Yingyu，etal.Semantic communicationnetworkingfor theintelligence of everything[J]. Chinese Journal on Internet of Things，2021，5 （2） ：26-36.）

[28]FloridiIOutline of information[1] Minds and Machines，2004，14（2）：197-221.

[29]D’Alfonso S. On quantifying semantic information[J]. Information， 2011，2（1） ：61-101.

[30]Xie Huiqiang，Qin Zhijin，Li G Y，et al.Deep learning enabled semantic communication systems[J]. IEEE Trans on Signal Processing， 2021，69 ：2663-2675.

[31]張平，牛凱，姚圣時(shí)，等.面向未來的語義通信：基本原理與實(shí)現(xiàn)方 法[J].通信學(xué)報(bào)，2023，44（5）：1-14.（Zhang Ping，Niu Kai，Yao Shengshi，et al.Semantic communications for future：basic principle and implementation methodology[J]. Journal on Communications， 2023，44（5） ：1-14.）

[32]Xie Huiqiang，Qin Zhijin.A lite distributed semantic communication system for Internet of Things[J]. IEEE Journal on Selected Areas in Communications，2021，39（1）：142-153.

[33]Weng Zhenzi，Qin Zhijin.Semantic communication systems for speech transmission[J].IEEE Jourmal on Selected Areas in Communications，2021，39（8）：2434-2444.

[34]Xie Huiqiang，Qin Zhijin，Tao Xiaoming，etal. Task-oriented multiuser semantic communications[J]. IEEE Journal on Selected Areas inCommunications，2022，40（9）：2584-2597.

[35]Xie Huiqiang，Qin Zhijin，Li G Y.Task-oriented multi-user semantic communications for VQA[J]. IEEE Wireless Communications Letters，2022，11（3） ：553-557.

[36] Zhang Guangyi，Hu Qiyu，Qin Zhijin，et al. A unified multi-task semanticcommunication system for multimodal data[J].IEEE Trans on Communications，2024，72（7） ：4101-4116.

[37] Peng Xiang，Qin Zhijin，Tao Xiaoming，et al. A robust semantic text communication system[J]. IEEE Trans on Wireless Communications，2024，23（9） ：11372-11385.

[38]Fu Qifan， Xie Huiqiang，Qin Zhijin，et al. Vector quantized semantic communication system[J]. IEEE Wireless Communications Letters，2023，12（6） ：982-986.

[39] Xie Huiqiang，Qin Zhijin，Li G Y.Semantic communication with memory[J].IEEE Joumal on Selected Areas in Communications， 2023，41（8） ：2658-2669.

[40]Weng Zhenzi，Qin Zhijin，Tao Xiaoming，etal.Deep learning enabledsemantic communications with speech recognition and synthesis[J]. IEEE Trans on Wireless Communications，2023，22（9）：6227-6240.

[41]Xiao Wenjing，TangYuan，Liu Jia，etal.Semantic-drivenefficient servicenetwork towardssmart healthcaresystem in intelligent fabric [J].IEEE Trans on Network Science and Engineering，2023，10 （5）：2480-2489.

[42]楊雨佳，宋奕樂，孫玉潔，等.面向機(jī)器視覺任務(wù)的語義傳輸方案 [J].移動(dòng)通信，2024，48（2）：123-128．（Yang Yujia，Song Yile， Sun Yujie，et al.Semantic transmission schemes for machine vision tasks[J].Mobile Communications，2024，48（2）：123-128.）

[43]劉傳宏，郭彩麗，楊洋，等.人工智能物聯(lián)網(wǎng)中面向智能任務(wù)的語 義通信方法[J].通信學(xué)報(bào)，2021，42（11）：97-108.（Liu Chuanhong，Guo Caili，Yang Yang，et al. Intelligent task-oriented semantic communicationmethod inartificial intellgenceof things[J].Joumal on Communications，2021，42（11） ：97-108.）

[44]YangWanting，LiewZQ，LimWYB，et al.Semanticcommunication meets edge intelligence[J]. IEEE Wireless Communications， 2022，29（5） ：28-35.

[45]Huang Kaibin，Lan Qiao，Liu Zhiyan，et al.Semantic data sourcing for 6Gedgeintelligence[J].IEEECommunicationsMagazine，2023， 61（12） ：70-76.

[46]Huang Danlan，GaoFeifei，Tao Xiaoming，et al.Toward semanticcommunications：deep learning-based image semantic coding[J]. IEEE Journal onSelected Areas in Communications，2023，41（1） ：55- 71.

[47]Su Jiawei，Liu Zhixin，Xie Yuan’ai，et al.Semantic communicationbased dynamic resource allocation in D2D vehicular networks[J]. IEEE TransonVehicular Technology，2023，72（8）：10784- 10796.

[48]林潤(rùn)韜，郭彩麗，陳九九，等.語義通信中基于深度雙Q網(wǎng)絡(luò)的多 維資源聯(lián)合分配算法[J].移動(dòng)通信，2023，47（4）：45-53.（Lin Runtao，Guo Caili，Chen Jiujiu，etal.Multidimensional resource joint allcation algorithm based on deep double Q network in semantic communication[J].Mobile Communications，2023，47（4） ：45-53.）

[49］陳九九，郭彩麗，馮春燕，等.智能網(wǎng)聯(lián)環(huán)境下面向語義通信的資 源分配[J].物聯(lián)網(wǎng)學(xué)報(bào)，2022，6（3）：47-57．（Chen Jiujiu，Guo Caili，F(xiàn)eng Chunyan，et al. Resource alocation for the semantic communication in the intelligent networked environment[J].Chinese Journal on Internet of Things，2022，6（3）：47-57.）

[50]Lu Yang，Mao Weihao，Du Hongyang，etal.Semantic-aware visionassisted integrated sensing and communication：architecture and resource allocation[J]. IEEE Wireless Communications，2024，31 （3）：302-308.

[51]Raha AD，Munir MS，Adhikary A，et al.Anartificial intellgent-driven semantic communication framework for connected autonomous vehicular network[C]//ProcofInternational ConferenceonInformation Networking.Piscataway，NJ：IEEEPress，202352-57.

[52]Raha A D，Munir M S，Adhikary A ，et al. Generative AI-driven semantic communication framework for NextG wireless network[EB/OL]. （2023））. htps：//arxiv.org/abs/2310.09021.

[53]Yang Zhaohui，Chen Mingzhe，Li Gaolei，et al.Secure semantic communications：fundamentals and challenges[J].IEEE Network，2024， 38（6） ：513-520.

[54]Utkovski Z，Munari A，Caire G，et al.Semantic communication for edge intelligence：theoretical foundations and implications on protocols [J].IEEE Internet of ThingsMagazine，2023，6（4）：48-53.

[55]TishbyN，Pereira FC，Bialek W.The informationbotleneck method [EB/OL]. （2020-04-24）. htps：//arxiv.org/abs/physics/0004057.

[56]Lin Rongzhou，Kim HJ，Achavananthadith S，etal. Wireless batteryfree body sensor networksusing near-field-enabled clothing[J].Nature Communications，2020，11（1））：444.

[57]Shi Guangming，Xiao Yong，Li Yingyu，et al.From semantic communication to semantic-aware networking：model，architecture，and open problems[J].IEEE Communications Magazine，2021，59（8）：44-50.

[58] Ji Zelin，Qin Zhijin，Tao Xiaoming，et al.Resource optimization forsemantic-aware networkswith task offloading[J].IEEE Trans on Wireless Communications，2024，23（9）：12284-12296.

[59]Saadat H，AlbaseerA，AbdallahM，etal.Energy-awareserviceoffloading for semantic communications in wireless networks[EB/OL]. （2024-09-29）. https：//arxiv.org/abs/2401.15924.

[60]XiaLe，SunYao，NiyatoD，et al.Joint user associationand bandwidth allcation in semantic communication networks[J]. IEEE Trans on Vehicular Technology，2024，73（2） ：2699-2711.

[61]Yang Wanting，Du Hongyang，Liew ZQ，et al.Semanticcommnications for future Internet： fundamentals，applications，and challenges [J].IEEE Communications Surveys amp; Tutorials，2023，25（1）： 213-250.

[62]Qin Zhijin，Ying Jingkai，Yang Dingxi，et al.Computing networks enabled semantic communications[J].IEEE Network，2024，38（2）： 122-131.

[63]雷波，趙倩穎，趙慧玲.邊緣計(jì)算與算力網(wǎng)絡(luò)綜述[J].中興通訊 技術(shù)，2021，27（3）：3-6．（LeiBo，Zhao Qianying，Zhao Huiling. Overview of edge computing and computing power network[J]. ZTE Technology Jourmal，2021，27（3） ：3-6.）

[64］中興通信．自智網(wǎng)絡(luò)白皮書[R].2022.（ZTECommunication. White paper on autonomous network[R].2022）

[65]雷波，劉增義，王旭亮，等.基于云、網(wǎng)、邊融合的邊緣計(jì)算新方案： 算力網(wǎng)絡(luò)[J].電信科學(xué)，2019，35（9）：44-51．（LeiBo，Liu Zengyi，Wang Xuliang，et al. Computing network ： a new multi-access edge computing[J].Telecommunications Science，2019，35（9））： 44-51.）

[66] Tang Xiongyan，Cao Chang， Wang Youxiang，et al. Computing power network：the architecture of convergence of computing and networking towards 6G requirement[J].China Communications，2021，18（2）： 175-185.

[67]周曉茂，賈慶民，胡玉姣，等.自智算力網(wǎng)絡(luò)：架構(gòu)、技術(shù)與展望 [J].物聯(lián)網(wǎng)學(xué)報(bào)，2023，7（4）：1-12.（Zhou Xiaomao，Jia Qingmin， Hu Yujiao，et al. Autonomous computing and network convergence：architecture，technologies，and prospects[J]. Chinese Journal on Internetof Things，2023，7（4） ：1-12.）

[68]Jia Qingmin，Hu Yujiao，Zhou Xiaomao，et al.Deterministiccomputing power networking： architecture ，technologies and prospects[EB/OL]. （2024-01-31）.https：//arxiv.org/abs/2401.17812.

[69] Guo Lujie，Guo Fengxian，Peng Mugen.A novel routing method for dynamic control in distributed computing power networks[J].Digital Communications and Networks，2024，10（6）：1644-1652.

[70]Tang Qinqin，Xie Renchao，F(xiàn)eng Li，etal. SIaTS： a service intentaware task scheduling framework for computing power networks[J]. IEEE Network，2024，38（4）：233-240.

[71]Di Zheng，Luo Tao，Qiu Chao，et al.In-network pooling： contributionaware allocation optimization for computing power network in B5G/6G era[J].IEEE Trans on Network Science and Engineering，2023， 10（3）：1190-1202.

[72]施巍松，孫輝，曹杰，等.邊緣計(jì)算：萬物互聯(lián)時(shí)代新型計(jì)算模型 [J].計(jì)算機(jī)研究與發(fā)展，2017，54（5）：907-924．（Shi Weisong， Sun Hui，Cao Jie，et al. Edge computing—an emerging computing model for the Internet of everything era[J].Journal of Computer Research and Development，2017，54（5） ：907-924.）

[73]SunYukun，Lei Bo，LiuJulin，etal.Computing powernetworkur vey[J]. China Communications，2024，21（9） ：109-145.

[74]Yang Ruizhe，Yu F R，Si Pengbo，et al. Integrated blockchain and edge computing systems：a survey，some research issues and challenges [J]. IEEE Communications Surveys amp; Tutorials，2019，21（2）： 1508-1532.

[75］中國(guó)移動(dòng)研究院.算力網(wǎng)絡(luò)白皮書[R].2021.（China Mobile Research Institute.Computing force network white paper[R].2021.）

[76]Hua Haochen，Li Yutong，Wang Tonghe，et al.Edge computing with artificial intelligence ：a machine learning perspective[J].ACM Computing Surveys，2023，55（9） ：1-35.

[77]何濤，楊振東，曹暢，等.算力網(wǎng)絡(luò)發(fā)展中的若干關(guān)鍵技術(shù)問題分 析[J].電信科學(xué)，2022，38（6）：62-70.（He Tao，Yang Zhendong， Cao Chang，et al.Analysis of some key technical problems in the development of computing power network[J].Telecommunications Science，2022，38（6） ：62-70.）

[78]段曉東，姚惠娟，付月霞，等.面向算網(wǎng)一體化演進(jìn)的算力網(wǎng)絡(luò)技 術(shù)[J].電信科學(xué)，2021，37（10）：76-85．（Duan Xiaodong，Yao Huijuan，F(xiàn)u Yuexia，et al.Computing force network technologies for computing and network integration evolution[J].Telecommunications Science，2021，37（10）：76-85.）

[79]Liu Junlin，Sun Yukun，Su Junqi，et al.Computing power netork：;a testbed and applications with edge intellgence[C]//Proc of IEEE Conference on Computer CommunicationsWorkshops.Piscataway， NJ：IEEE Press，2022：1-2.

[80]張興，曲哲言，孫鈺坤，等.端側(cè)算力網(wǎng)絡(luò)：架構(gòu)與關(guān)鍵技術(shù)[J]. 北京郵電大學(xué)學(xué)報(bào)，2024，47（3）：1-9，23．（Zhang Xing，Qu Zheyan，Sun Yukun，et al.Terminal-sidecomputing power network：architecture andkey technologies[J].Journal of Beijing Universityof Posts and Telecommunications，2024，47（3）：1-9，23.）

[81]牛凱，張平.語義通信的數(shù)學(xué)理論[J].通信學(xué)報(bào)，2024，45（6）：7- 59.（Niu Kai，ZhangPing.Amathematical theory of semantic communication[J]. Journal on Communications，2024，45（6） ：7-59.）

[82]Achiam J，Adler S，Agarwal S，et al. GPT-4 technical report[EB/ OL].（2024-03-04）. https：//arxiv.org/abs/2303.08774.

[83]Team G，Anil R，Borgeaud S，et al. Gemini：a family of highly capable multimodal models[EB/OL].（2023-12-19）.https：//arxiv.org/abs/ 2312. 11805.

[84]Xie Huiqiang，Qin Zhijin，Tao Xiaoming，et al. Towardsintelligent communications：Large model empowered semantic communications [EB/OL]. （2024-03-19）. https：//arxiv.org/abs/2402.13073.