论文阅读： Mobile Edge Intelligence for Large LanguageModels: A Contemporary Survey

地址： Mobile Edge Intelligence for Large Language Models: A Contemporary Survey

摘要

设备端大型语言模型（LLMs）指在边缘设备上运行 LLMs，与云端模式相比，其成本效益更高、延迟更低且更能保护隐私，因此引发了广泛关注。然而，设备端 LLMs 的性能本质上受限于边缘设备的资源约束。移动边缘智能（MEI）介于云端 AI 和设备端 AI 之间，通过在移动网络边缘提供 AI 能力，允许终端用户将繁重的 AI 计算卸载到附近的边缘服务器，为这一问题提供了可行解决方案。本文对利用 MEI 支持 LLMs 的研究进行了最新综述：首先，通过若干典型应用场景说明在网络边缘部署 LLMs 的迫切需求；其次，介绍 LLMs 和 MEI 的基础知识，以及资源高效的 LLM 技术；随后，概述面向 LLMs 的 MEI 架构（MEI4LLM），阐述其核心组件及对 LLMs 部署的支持方式；接着，深入探讨 MEI4LLM 的各个方面，包括边缘 LLM 缓存与分发、边缘 LLM 训练和边缘 LLM 推理；最后，指出未来的研究方向。希望本文能启发研究者利用移动边缘计算推动 LLMs 部署，从而在各类隐私敏感和延迟敏感型应用中释放 LLMs 的潜力。

概述

1. 背景与动机

   • 云端 LLMs 存在隐私泄露、带宽成本高、延迟长等问题；设备端 LLMs 受限于资源，难以支持大规模模型和复杂任务。
   • MEI 作为折中方案，通过边缘服务器提供 AI 能力，平衡计算资源、延迟和隐私需求，成为 6G 时代 LLMs 部署的关键方向。

2. 核心应用场景

   聚焦四个对边缘部署 LLMs 需求迫切的场景：

   • 移动医疗：需低延迟处理敏感健康数据，符合隐私法规（如 GDPR）；
   • 类人机器人：依赖实时响应（10-100ms 延迟）和本地化数据处理；
   • 虚拟助手：要求低延迟交互（<200ms）和用户数据隐私保护；
   • 自动驾驶：需超低延迟（10ms 级）和处理海量多模态传感器数据。

3. 基础技术

   • LLMs 基础：基于 Transformer 架构，分为编码器仅用、解码器仅用、编码器 - 解码器三类，支持文本、图像等多模态输入，存在自回归生成等特性。
   • MEI 基础：融合移动边缘计算与 AI，通过边缘服务器实现分布式训练和推理，支持联邦学习、拆分学习等框架。
   • 资源高效技术：包括模型压缩（量化、剪枝、知识蒸馏）、快速解码（投机解码、早期退出）、参数高效微调（LoRA、前缀调优）等。

4. MEI4LLM 架构

   • 核心组件：AI 原生网络架构、参数共享的 LLM 缓存与分发、分布式 LLM 训练、分布式 LLM 推理。
   • 关键技术：
     • 缓存与分发：利用参数共享特性优化边缘缓存（如 TrimCaching），通过多播和量化减少传输成本；
     • 训练：支持集中式边缘学习、联邦学习、拆分学习和分层协同学习，结合参数高效微调降低资源消耗；
     • 推理：包括集中式推理（边缘服务器统一处理）、拆分推理（设备与服务器分工）、协同推理（设备生成初步结果，服务器验证）。

5. 未来方向

   • 绿色边缘 LLM（降低能耗）、安全边缘 LLM（防御隐私攻击）、质量感知的边缘 LLM 训练（数据质量控制）。

一、相关技术总结

1. 资源高效的 LLM 技术

   | 技术类别 | 具体方法 | 核心原理 | 优点 | 缺点 | 性能表现（典型案例） |
   | 模型压缩 | 量化（PTQ/QAT） | 将高精度参数（如 FP16）转为低精度（如 INT4/INT8） | 减少存储和计算量，适配边缘设备内存 | 可能导致精度损失，QAT 需额外训练资源 | Llama2-7B 经 4-bit 量化后内存从 28GB 降至 3.5GB，精度损失 <1% [8,131] |
   | | 剪枝（结构化 / 非结构化） | 移除冗余参数（如注意力头、权重） | 降低模型复杂度，加速推理 | 非结构化剪枝需专用硬件支持 | GPT-3 经 60% 非结构化剪枝后，精度无显著损失 [133] |
   | | 知识蒸馏 | 用小模型（学生）学习大模型（教师）的输出分布 | 保留核心能力，模型体积大幅缩减（如 10 倍） | 蒸馏过程需大量标注数据，可能丢失细粒度知识 | MiniLLM 在文本生成任务上性能接近教师模型，体积缩减 90% [134] |
   | 快速解码 | 投机解码 | 轻量模型生成候选 token，大模型验证修正 | 减少自回归迭代次数，延迟降低 50% 以上 | 需维护轻量模型，验证错误可能引入额外成本 | llama.cpp 中投机解码使生成速度提升 2 倍，能耗降低 50% [129] |
   | | 早期退出 | 在中间层设置出口，满足置信度时终止推理 | 动态平衡速度与精度，短文本任务加速显著 | 长文本生成中需保留 KV 缓存，增加内存占用 | BERT 经早期退出优化后，推理速度提升 40%，精度损失 <2% [137] |
   | 参数高效微调 | LoRA | 冻结预训练权重，仅训练低秩矩阵 | 微调参数减少 99%，适配边缘设备计算能力 | 推理时需合并低秩矩阵，可能增加延迟 | LLaMA-7B 经 LoRA 微调后，下游任务性能接近全量微调，参数仅增加 0.1% [153] |

   	前缀调优	在输入前添加可训练的软提示（Soft Prompt）	无需修改模型结构，适配多任务场景	提示设计依赖人工经验，复杂任务性能有限	GPT-2 通过前缀调优在机器翻译任务上 BLEU 值达 69，接近全量微调 [149]

   • 模型压缩 ：
     • 量化：将高精度参数转为低精度（如 INT4），减少存储和计算量（如 GPTQ、AWQ）；
     • 剪枝：移除冗余参数，分结构化（剪枝注意力头）和非结构化（稀疏化权重）两类；
     • 知识蒸馏：通过 "教师 - 学生" 模型传递知识，适配边缘设备（如 MiniLLM）。
   • 快速解码 ：
     • 投机解码：用轻量模型生成候选 tokens，由大模型验证，减少迭代次数；
     • 早期退出：在中间层终止推理，平衡速度与精度；
     • KV 缓存优化：压缩或动态管理缓存，减少内存占用（如 MiniCache）。
   • 参数高效微调 ：
     • 适配器调优（Adapter Tuning）、前缀调优（Prefix Tuning）等，仅更新少量参数即可适配下游任务；
     • LoRA 通过低秩矩阵分解减少微调参数，兼容边缘设备。

2. 边缘 LLM 缓存与分发

   | 技术方法 | 核心原理 | 优点 | 缺点 | 性能表现（典型案例） |
   | 参数共享缓存 | 缓存共享参数块（如预训练权重），仅存储任务特定参数（如 LoRA 适配器） | 存储效率提升 5-10 倍，支持多模型并发 | 缓存替换策略复杂，依赖参数共享度 | TrimCaching 在 12 个边缘服务器部署 100 个微调模型，缓存命中率提升至 80% [197] |
   | 多播分发 | 对共享参数块多播，任务特定参数单播 | 传输效率提升 3-5 倍，减少带宽消耗 | 多播组管理复杂，适用于密集用户场景 | 多播分发 Llama2-7B，下载延迟从 5s 降至 1.2s [198] |

   量化传输	模型参数量化后传输，边缘设备解压使用	传输量减少 4-8 倍，适配低带宽边缘网络	解压增加设备计算负担，可能损失精度	4-bit 量化传输 GPT-3，传输时间减少 75%，精度损失 <2% [199]

   • 缓存策略：利用 LLM 参数共享特性（如 LoRA 微调模型共享预训练权重），采用 TrimCaching 等方法减少存储冗余；
   • 分发优化：通过参数块多播、量化传输、联合缓存与路由优化，降低传输延迟和带宽消耗。

3. 边缘 LLM 训练与推理

   • 训练框架 ：

     | 训练框架 | 核心原理 | 优点 | 缺点 | 性能表现（典型案例） |
     | 集中式边缘学习 | 边缘设备上传数据至服务器，统一训练 | 训练效率高，适合数据非敏感场景 | 隐私风险高，上传海量多模态数据消耗带宽 | 用 12 个边缘服务器并行训练 LLaMA-2 7B，每轮迭代 latency 降低至 80s [216] |
     | 联邦学习（FL） | 设备本地训练，仅上传模型更新，服务器聚合 | 保护数据隐私，适配分布式数据场景 | 通信成本高，设备异构性导致训练不稳定 | 联邦 LoRA 微调 LLaMA-13B，通信量减少 99%，精度损失 <3% [218] |
     | 拆分学习（SL） | 模型拆分为设备端和服务器端子模型，通过中间特征交互训练 | 避免原始数据上传，平衡隐私与计算效率 | 中间特征传输仍可能泄露隐私，拆分点选择影响性能 | 拆分 GPT-3 在医疗数据上训练，隐私泄露风险降低 70%，精度保持 95% [225] |

     分层协同学习	云 - 边缘 - 设备三级协同，边缘聚合本地模型，云端聚合全局知识	兼顾全局泛化与本地适配，支持大规模部署	架构复杂，跨层通信延迟高	自动驾驶场景中，分层训练使模型适配不同区域路况，精度提升 15% [228]

     • 联邦学习：边缘设备本地训练，仅上传模型更新，保护数据隐私（如 FedLoRA）；
     • 拆分学习：将模型拆分为设备端和服务器端子模型，通过中间特征交互协同训练，减少原始数据传输；
     • 分层协同学习：结合云、边缘、设备三级资源，平衡全局知识与本地适配。

   • 推理框架 ：

     | 推理框架 | 核心原理 | 优点 | 缺点 | 性能表现（典型案例） |
     | ** 集中式推理 | 设备上传数据至边缘服务器，由服务器执行完整推理 | 利用服务器强算力，支持大模型 | 隐私风险高，上传多模态数据带宽消耗大 | 边缘服务器部署 Llama2-70B，推理延迟比云端低 60% [24] |
     | ** 拆分推理 | 设备处理底层网络，服务器处理高层网络，通过中间特征交互 | 减少原始数据传输，平衡隐私与延迟 | 特征传输仍占带宽，拆分点需优化 | 拆分 GPT-4 在自动驾驶场景中，延迟降至 50ms，带宽消耗减少 40% [277] |

     ** 协同推理	设备用轻量模型生成初步结果，服务器用大模型验证修正	设备端快速响应，服务器保证精度	验证错误可能导致返工，需协调设备与服务器模型	虚拟助手场景中，协同推理使响应延迟 <100ms，准确率达 92% [278]

     • 集中式推理：边缘服务器统一处理，适用于非敏感数据；
     • 拆分推理：设备处理部分层并上传中间特征，服务器完成剩余计算，平衡隐私与延迟；
     • 协同推理：设备用轻量模型生成初步结果，服务器用大模型验证，提升效率（如投机解码）。

二、未来研究方向

1. 绿色边缘 LLM：聚焦降低边缘 LLM 训练和推理的能耗，通过优化算法（如基于零阶优化器减少内存消耗）、硬件创新（如三星的 PIM 和 PNM 技术提升内存带宽与容量同时降低能耗），适配电池供电的边缘设备，满足可持续发展需求 。

2. 安全边缘 LLM：抵御隐私攻击（如防止通过中间特征恢复原始数据）、对抗攻击（如数据投毒），保障 LLM 在边缘安全运行。研究安全聚合协议、加密机制，确保联邦学习中模型更新安全传输；开发鲁棒训练算法，提升模型抗攻击能力 。

3. 质量感知的边缘 LLM 训练：在边缘数据质量参差不齐的情况下，实现数据质量控制。研究数据筛选、增强技术，结合边缘设备数据特性优化训练过程，如利用分层协同学习框架，在不同层次对数据质量进行评估与处理，提升模型泛化性和准确性 。

三、难点

1. 通信瓶颈：现有研究多关注计算效率，忽视通信对 LLM 训练、推理、缓存及分发的影响。在移动边缘网络中，多模态数据上传下载、中间特征传输消耗大量带宽，制约 LLM 性能，需设计通信高效的边缘架构与协议 。

2. 模型与网络协同优化：当前 LLM 资源高效技术与无线边缘网络相互作用研究不足。如参数高效微调、分割推理等技术在复杂网络环境下性能不稳定，需联合优化模型部署与网络资源分配 。

3. 边缘设备异构性：边缘设备在计算、内存、存储能力上差异大，难以统一适配 LLM。需开发自适应技术，根据设备能力动态调整模型配置、训练推理策略，保障不同设备上 LLM 的可用性与性能 。