2026年4月26日下午，南京大学计算机学院教授、国家级人才、博士生导师陈贵海教授莅临武汉科技大学黄家湖校区计算机学院30404报告厅作题为"自演进异构融合的边缘智能计算"的专题学术报告。武汉科技大学计算机科学与技术学院"演化计算与人工智能"团队师生参加报告会，并围绕边缘智能计算、自演进学习、异构融合、分布式系统与智能计算应用等前沿问题进行了深入学习和交流。
陈贵海教授长期从事分布式网络与数据处理相关研究，主要研究方向包括未来网络系统与协议、无线网络结构与优化、物联网与传感网、新型计算机体系结构、数据中心核心技术、数据分析与处理、端智能与边缘计算等，在分布式计算、网络系统、边缘智能和数据处理领域取得了系统性成果。陈贵海教授曾获国家自然科学基金委项目特优评价、中创软件人才奖、留学回国人员特殊贡献奖、国家杰出青年科学基金、国务院政府特殊津贴、教育部自然科学一等奖、江苏省科学技术一等奖、CCF自然科学一等奖以及上海市科学技术一等奖等奖励。其已发表论文900余篇，其中包括ACM/IEEE Transactions系列论文160余篇，Google Scholar引用3万余次，并多次获得国际会议论文奖项。陈贵海教授现为IEEE Fellow、CCF会士，担任CCF分布计算与系统专委会荣誉主任、ACM SIGCOMM China主席、华为全国重点实验室学术委员会委员等学术职务，在分布式系统、网络计算与边缘智能领域具有重要学术影响。
报告中，陈贵海教授围绕人工智能发展从"云端集中式智能"向"端边协同智能"演进的趋势，系统分析了大模型快速发展背景下边缘智能计算面临的理论问题、技术瓶颈与应用需求。陈贵海教授指出，随着大模型规模持续扩大，模型参数量、训练成本、算力消耗和数据中心能耗不断上升，单纯依赖云端数据中心的集中式智能计算模式面临资源受限、通信开销、隐私安全、实时响应和环境能耗等多重挑战。与此同时，移动终端、无人系统、可穿戴设备、巡检机器人、智能车辆和物联网设备快速发展，端侧设备在计算、存储、感知和通信方面的能力不断增强，为智能模型向边缘侧部署、迁移和自适应演进提供了新的基础条件。
围绕"为什么要发展端智能"这一核心问题，报告从云智能约束与端智能优势两个层面进行了深入阐释。一方面，云端智能在数据规模、传输成本、终端数量、突发峰值、隐私保护和安全约束等方面存在客观限制，难以充分满足复杂场景下海量终端实时智能分析的需求；另一方面，端智能具有低时延、高实时性、低成本、易扩展和贴近应用场景等优势，能够在无人机巡航、卫星智能计算、自动驾驶、电力巡检、农业林业监测和复杂环境感知等场景中发挥重要作用。因此，边缘智能不仅是人工智能应用落地的重要路径，也是未来智能计算体系结构发展的重要方向。
在技术层面，陈贵海教授重点介绍了"自演进异构融合的边缘智能计算"研究框架。该框架面向边缘设备数量巨大、环境动态变化、任务需求多样、硬件体系异构和资源持续受限等典型特征，强调通过"泛在演进、协同融合、通用适配"构建边缘智能计算理论技术体系。报告指出，边缘智能系统需要突破三个关键科学问题：一是模型从泛化模型走向领域专用模型，解决场景可适应问题；二是从单机智能走向多机协同智能，解决资源受限条件下的高效协作与持续适应问题；三是从通用计算环境走向异构硬件环境，解决不同芯片、设备、框架和运行环境之间的兼容适配问题。
围绕上述问题，报告进一步讨论了知识互迁在线学习、多机异步合作式学习、资源高效自主持续学习、场景自适应模型自演进、终端模型自主演进、多机聚类协同演进以及面向边缘设备的智能计算支撑环境等关键技术。陈贵海教授结合无人机、卫星遥感、电力巡检和多模态感知等典型应用场景，展示了边缘智能在复杂多变环境下的应用价值。例如，在电力智能巡检场景中，输电、变电等任务需要对图像、视频、声纹等多源异构数据进行实时分析，但传统模式在场景适应、单机能力和异构兼容方面仍存在明显瓶颈。通过自演进边缘智能计算系统，可以在端侧资源受限条件下实现模型迁移、持续学习、协同更新和低功耗智能分析，为复杂工程系统中的实时决策与智能运维提供支撑。
报告内容引发了团队师生的深入思考。团队长期围绕演化计算、人工智能、多目标优化、智能交通、路径规划、调度决策和复杂系统优化等方向开展研究，其中许多问题同样面临大规模、动态性、异构性、资源受限和实时决策等挑战。陈贵海教授关于边缘智能、自演进学习和异构融合计算体系的报告，为团队进一步思考智能优化算法与边缘计算、分布式协同、多智能体决策和工程应用场景的结合提供了重要启发。特别是在智能交通系统、无人系统路径规划、应急物流调度和复杂资源配置等方向，如何将智能算法嵌入资源受限、环境动态和多设备协同的真实场景，是未来值得持续探索的重要研究问题。
通过参加本次专题学术报告会，与会师生进一步加深了对边缘智能计算发展趋势、关键科学问题和系统实现路径的理解，也更加深刻认识到人工智能应用从"模型能力提升"走向"系统能力构建"的重要趋势。边缘智能不仅涉及模型压缩、联邦学习、持续学习和端侧部署等算法问题，也涉及分布式系统、异构硬件、资源调度、通信协同和场景适配等系统性挑战，其研究需要计算机科学多个方向的深度交叉与协同创新。
下一步，团队将以此次学术交流为契机，进一步拓展在人工智能、智能优化、边缘计算和复杂系统决策等方向的研究视野，持续关注智能算法与真实工程系统之间的深度融合，推动相关研究在理论方法、系统机制和应用场景上的协同发展，为学院计算机科学与技术学科建设、高水平科研创新和人才培养质量提升贡献力量。