中國移動研究院通算智融合領域論文入選 IEEE GLOBECOM 2025 推動生成式 AI 與邊緣智能融合創新

　　近日，中國移動研究院在生成式 AI 與邊緣智能融合領域取得重要突破 —— 其研究論文《Prompt Similarity-Aware Offloading for AI-driven Text-to-Image Generation Tasks》被國際通信領域旗艦會議IEEE GLOBECOM 2025正式錄用，标志着我國在 “通信 + 計算 + 智能” 融合技術領域的研究獲得國際權威認可。

　　聚焦核心挑戰：破解文本生成圖像任務的調度難題

　　随着生成式 AI 應用的爆發式增長，文本生成圖像(text-to-image)等 AIGC 任務因計算密集、延遲敏感、終端資源受限等特點，對移動通信網絡的邊緣智能與通算一體協同調度能力提出了極高要求。例如，用戶通過終端發起 “生成一幅未來城市夜景” 的指令時，既需要強大的算力支撐複雜的圖像生成過程，又要求快速響應以保障交互體驗，傳統的集中式計算或簡單邊緣卸載模式難以兼顧效率與質量。

　　中國移動研究院的研究團隊針對這一痛點，創新提出了基于提示詞相似性的圖文生成任務性能增強與智能邊緣計算卸載框架（JPEO，Joint Performance Enhancement and Offloading），為無線網絡支撐交互式 AIGC 業務提供了全新解決方案。

　　JPEO 框架的雙重創新：性能增強與智能卸載協同

　　JPEO 框架的核心突破體現在兩方面，實現了 “算力高效利用” 與 “服務質量提升” 的雙重目标：

　　計算增強方案：為基站、MEC(多接入邊緣計算)等邊緣節點設計智能緩存與複用機制。通過分析曆史任務的提示詞語義，識别相似任務的中間計算結果并存儲，當新任務發起時，可直接複用這些結果加速生成過程 —— 在不增加額外計算負載的前提下，顯著提升圖像生成質量，讓 “相似描述生成更優圖像” 成為可能。

　　動态卸載策略：基于終端需求與邊緣節點狀态，智能匹配最優計算節點。框架通過精準評估卸載時延，确保交互響應的确定性;同時結合節點的計算能力與曆史表現，優化生成性能，避免 “算力浪費” 或 “任務擁堵”。

　　技術支撐：基于 RMAB 理論的智能調度

　　為實現高效協同，團隊進一步設計了提示詞相似性感知的卸載策略，其核心是引入Restless Multi-Armed Bandit（RMAB）動态決策理論：

　　通過分析提示詞的語義相似性與時序相關性，實時學習邊緣節點的服務能力，動态選擇最優卸載節點;

　　針對無線環境波動(如信号強度變化)和節點資源動态(如算力空閑率)，引入滑動窗口機制，強化近期觀測數據的權重，實現 “探索潛在高效節點” 與 “利用已知最優節點” 的平衡，确保策略在複雜場景下的魯棒性。

　　實證效果：質量提升 13%，魯棒性顯著

　　仿真測試結果顯示，JPEO 框架表現優異：

　　在保障确定性卸載時延的前提下，圖像生成質量(以 CLIP-similarity Score 為指标)相比傳統算法提升13.04%;

　　即使在用戶提示詞内容大幅變化(如主題從 “山水風景” 切換為 “科幻建築”)或邊緣節點資源劇烈波動(如突發任務擁堵)時，框架仍能保持穩定性能，展現出極強的适應性。

　　行業意義：為 6G 時代智能服務奠定基礎

　　該研究成果不僅推動了生成式 AI 與邊緣智能的深度融合，更前瞻性地探索了 6G 時代 “邊緣智能 - 網絡協同 - 生成 AI 服務” 的融合路徑。其價值在于：

　　為無線網絡賦能 AIGC、元宇宙等新興業務提供了技術範式;

　　驗證了 “通算智融合” 的可行性，讓 “算力像水電一樣随取随用” 的願景更進一步;

　　展現了我國在通信與 AI 交叉領域的研究實力，為全球下一代網絡技術發展貢獻 “中國方案”。

　　随着 IEEE GLOBECOM 2025 的召開(通常為每年 12 月)，該論文的技術細節将進一步向全球同行展示，有望推動相關領域的學術交流與産業落地。