在人工智能与物联网技术高速发展的今天，多用户无线传感系统正迅速成为智慧生活、智慧安防和智慧医疗等场景中的关键支撑。然而，如何在资源受限的传感器设备上实现高精度、低延迟的AI推理，仍是一个极具挑战的课题。随着AI算法的快速演进，训练有素的深度神经网络被广泛用于图像识别、行为检测和目标追踪等领域。在无线传感系统中，传感器设备（Sensor Device，简称SD）能够通过分析无线信号中的波动来推测人的存在、移动轨迹甚至动作类别。这种“看不见的感知”方式因其隐私性强、部署灵活而备受关注。
然而，强大的AI模型需要大量计算资源，这与传感器设备天生的资源匮乏形成了天然矛盾。传统的处理方法包括将整个模型卸载至边缘服务器（Edge Server，简称ES）或完全在本地计算，但前者会受限于通信带宽与网络波动，后者则受限于本地算力与能耗瓶颈。为了解决这一矛盾，业内开始探索设备边缘协同推理的新范式，即通过模型分裂，让SD执行部分前置计算，剩余任务由ES接力完成。如此一来，既可缓解SD的计算压力，又可降低通信负载，从而实现更为灵活、高效的智能服务。微算法科技（NASDAQ:MLGO）最新研发成果——一种融合深度强化学习（DRL）与凸优化的设备边缘协同推理优化系统。这一技术不仅在模型分裂策略上实现突破，还在资源分配上达成近乎最优的能耗控制目标，预示着无线感知智能系统迈入一个更高效、智能的新时代。
设备边缘协同推理在实际设计中却极具挑战。其核心问题在于模型分裂的策略选择：即将一个AI模型划分为两个连续子部分，分别部署于SD和ES。不同的分裂点会直接影响前后两部分的计算量、特征数据体积及通信需求。由于各个SD的信道状态、可用计算资源、能量预算等差异显著，模型分裂不可能采用统一的策略，而需根据每个用户的具体情况进行个性化决策。
更复杂的是，在多用户协作场景中，所有SD的推理任务共享同一边缘服务器，其资源（如带宽、处理能力）具有一定上限。因此，某一个SD的分裂点选择将影响到其他用户的资源使用上限，模型分裂决策因此高度耦合。同时，分裂点本质上是一个离散的组合变量，整套系统的优化问题呈现出混合整数非线性特征（MINLP），不仅求解空间巨大，而且传统算法难以有效求解。
微算法科技研发团队采用了“分布式”的算法设计理念，将整个优化任务拆解为两个子问题：组合优化的模型分裂问题与连续优化的资源分配问题，并分别采用深度强化学习和凸优化手段进行求解，形成一个高效而协同的集成学习与优化框架。
首先，针对模型分裂这一离散决策问题，微算法科技（NASDAQ:MLGO）研发团队引入了深度强化学习技术。在该方法中，每个传感器设备被建模为一个智能体，其动作空间由可选的分裂点组成，环境状态则包含当前的信道增益、剩余能量、本地计算能力等信息。在训练阶段，系统通过交互式模拟不断更新策略网络，强化那些能在满足延迟约束下最小化能耗的分裂点选择。该方法的优势在于不需要枚举所有可能组合，极大缩减搜索空间，并能灵活适应不同用户和网络条件的变化。
而后，在模型分裂策略确定后，系统将模型的后半部分任务分配给边缘服务器处理，同时需进行资源分配优化。具体包括无线传输资源分配（带宽分配、发射功率调节）和ES处理资源分配（CPU周期划分等）。由于分裂点已定，此阶段的变量为连续型，且目标函数及约束均具有凸性，因此可采用高效的凸优化算法进行全局求解。该阶段的优化确保系统在满足多个用户时延约束的同时，实现整体能耗最小化。
此外，微算法科技该集成算法具有良好的模块化结构，训练好的DRL策略可离线部署，仅在运行时调用一次，而凸优化部分则可通过现有高效求解器快速完成，确保系统整体运行效率与可扩展性。
为验证该技术的实用性与性能，微算法科技在实验无线环境下构建了一个多用户无线室内人群计数系统作为验证平台。在该系统中，多个部署于不同房间的SD设备协同检测屋内人数变化。每个设备搭载一个可分裂的卷积神经网络模型用于分析无线CSI（Channel State Information）序列，其前段用于本地预处理，后段用于在边缘侧进行深度特征提取与分类。
实验中，通过设定不同的推理时延约束（如100ms、300ms）和无线信道条件，系统可动态调整每个SD的分裂点。例如，信道较好、传输代价低的SD倾向于选择较早的分裂点，以减轻本地计算负担；而信道较差或本地算力富余的设备则选择靠后的分裂点，减少通信开销。这一分裂策略呈现出典型的基于信道增益的阈值型结构，即当信道增益高于某一阈值时优先本地执行更多计算，反之则早早分裂传输数据，体现了算法所挖掘出的深层工程规律。
这项集成学习与优化算法的应用，不仅是AI模型协同执行在无线边缘系统中的一项重要技术突破，更是对“泛在感知”这一愿景的积极推进。在未来智慧城市的构想中，系统都需在能耗可控、通信可靠的前提下，实时完成复杂AI感知任务。而这正是设备边缘协同推理所擅长的领域。
后续，微算法科技（NASDAQ:MLGO）计划引入自适应的模型压缩技术与跨设备联邦调度机制，进一步提升系统的能效比与模型泛化能力。同时，也将探索该方法在其他多模态传感任务中的适配能力，如语音、图像与雷达融合推理等方向，为构建真正智能的“感知神经系统”提供理论与工程基础。
随着AI从“中心智能”走向“边缘智能”，模型分裂与资源协同正成为决定系统性能的关键技术路径。微算法科技这项融合深度强化学习与凸优化的集成技术，以突破性的系统性方法解决了无线感知中长期未解的协同推理难题，其理论创新与工程价值皆获得业界广泛认可。相信在不远的未来，该技术将成为智慧城市建设、工业智能感知与医疗辅助检测等领域的核心基石之一。
