本文档属于类型b（综述类论文），以下为针对《面向边缘智能的协同推理综述》的学术报告：

作者及机构
本文由王睿（北京科技大学计算机与通信工程学院/顺德研究生院）、齐建鹏、陈亮、杨龙（均来自北京科技大学计算机与通信工程学院）合作完成，发表于《Journal of Computer Research and Development》2023年第60卷第2期。

主题
论文系统梳理了边缘智能（Edge Intelligence, EI）中协同推理（Collaborative Inference）的技术发展现状，重点围绕动态场景下的资源协同优化问题，从智能化方法与架构设计两大维度展开分析。

主要观点与论据

1. 边缘协同推理的必要性与技术挑战

作者指出，传统云计算面临高延迟、带宽受限、隐私安全等问题，而边缘计算通过将计算下沉至用户侧缓解了这些矛盾。然而，边缘设备资源性能普遍较低，需通过协同推理实现高效智能任务处理。支持证据包括：
- 数据增长需求：引用Gartner和IDC数据，指出2022年75%的企业数据产生于边缘侧，2025年边缘设备互联数据量将达79.4 ZB。
- 技术瓶颈：云计算在实时性、能耗、维护成本上的缺陷（文献[3-7]），促使边缘计算成为解决“人工智能最后一公里”问题的关键（文献[18-22]）。

2. 边缘协同推理的技术分类与核心方法

作者将协同推理技术划分为智能化方法与架构设计两类：
- 智能化方法：
- 模型切割（Model Partition）：分为横切（按层划分）、纵切（按通道划分）和混切（混合划分），例如DeepThings（纵切）、Neurosurgeon（横切）等。文献[45-57]对比了不同切割方式的适用场景，指出动态场景下需结合资源状态实时调整切割策略。
- 模型压缩（Model Compression）：包括剪枝（结构化/非结构化）、量化（二值/三值/线性）及软硬件协同优化（如硬件感知的神经架构搜索HNAS）。文献[68-70]表明，量化技术可降低模型位宽，但需权衡精度损失与计算效率。
- 模型选择与早期退出（Early Exit）：通过分支结构（如BranchyNet）或轻量化模型（如知识蒸馏）实现动态推理终止。文献[102-106]提出基于熵或时延约束的退出点决策算法。

• 架构设计：
  
  • 云边协同：如图7(a)©，模型切割或选择后分派至云端与边缘端，优化通信与计算负载（文献[34,49,54]）。
    
  • 边边协同：如图7(b)(d)，通过网状或星状拓扑实现多节点协作，适用于无云端支持的动态场景（文献[45,120]）。
    

3. 动态场景下的特殊挑战与解决方案

动态场景（如网络拓扑变化、资源性能波动）要求协同推理具备鲁棒性。作者提出：
- 资源感知技术：如Edgent[54]通过实时带宽监测调整切割点；AOFL[51]采用周期性节点状态收集优化部署。
- 弹性架构设计：星状拓扑（中心协调）灵活性优于网状拓扑，但需解决调度开销问题（表1对比）。文献[107]开发的Easie仿真平台支持动态场景验证。

4. 未来研究方向

作者提出五个关键领域：
1. 模型切割并行化：设计无数据依赖的切割模型（如计算复用技术）。
2. 轻量化技术自动化：结合NAS（Neural Architecture Search）实现硬件适配的压缩。
3. 多用户协同优化：探索通用模型切片共享（文献[63]）。
4. 动态阈值调整：早期退出中基于实时状态的决策机制。
5. 存内计算（Processing in Memory）：减少内存墙对稀疏模型的影响（文献[97]）。

论文价值与意义

1. 学术价值：首次系统归纳边缘协同推理的技术谱系，提出“智能化方法-架构”二维分类框架，填补了动态场景下协同推理研究的空白。
   
2. 应用价值：为智能医疗、工业物联网等低延迟场景提供技术选型参考，如模型切割与早期退出的结合可优化工业检测流程（文献[115]）。
   
3. 方法论创新：通过纵向技术演进分析（图1-2）与横向对比（表1-2），揭示了技术适配性与场景的关联规律。
   

亮点总结

1. 全面性：覆盖模型处理（切割/压缩/选择）与架构（云边/边边协同）全链条技术。
   
2. 动态视角：强调资源不确定性的影响，提出动态调整的核心思路。
   
3. 前瞻性：指出软硬件协同优化与自动化设计是未来突破点。
   

（注：全文引用文献均来自原文档标注，术语翻译如“边缘智能（Edge Intelligence）”首次出现时保留英文对照。）