ادغام هوش مصنوعی مولد در رایانش لبه برای شبکه های اینترنت اشیا - بررسی جامع چالش ها و راهکارها

گسترش چشمگیر و روز افزون شبکه های اینترنت اشیا (IoT)، نیازمند معماری های نوینی و جدید است که بتوانند حجم بزرگ داده های تولید شده را با کمترین تاخیر پردازش کنند. انتقال بار پردازشی به لبه شبکه (Edge Computing) تا حد زیادی محدودیت های پهنای باند را مرتفع ساخته است؛ با این وجود ظهور هوش مصنوعی مولد (Generative AI) و نیاز به تحلیل های خودمختار چالش پردازشی جدیدی را برای دستگاه های لبه با منابع محدود ایجاد کرده است. در این مقاله مروری با هدف بررسی راهکارهای پیاده سازی مدل های مولد در گره های اینترنت اشیا پژوهش های منتشر شده در پایگاه های معتبر طی سال های ۲۰۲۴ تا ۲۰۲۶ مورد ارزیابی عمیق قرار گرفته اند. یافته ها نشان می دهد که تکنیک های کوانتیزاسیون پویای زیر ۸ بیت و تقطیر دانش نقش کلیدی در فشرده سازی مدل های زبانی بزرگ (LLMs) برای اجرا روی میکروکنترلرها دارند، همچنین استفاده از معماری یادگیری فدرال غیرهمزمان توانسته است چالش های حریم خصوصی و مصرف انرژی را در شبکه های حسگر تا حد قابل قبولی پوشش دهد. در نهایت چالش های باز نظیر امنیت پسا کوانتومی و مدیریت توان به عنوان مسیرهای تحقیقاتی آینده معرفی شده اند.

کلیدواژه ها:

اینترنت اشیا ، رایانش لبه ، هوش مصنوعی مولد ، تقطیر دانش ، فشرده سازی مدل