針對大規模人工智能的分布式網絡基礎設施構建與性能優化

當前大規模人工智能應用依賴集中式大數據和算力，受限於單一服務器能力和高質量數據稀缺。構建分布式網絡可整合多樣算力、突破硬件瓶頸，並通過網絡優化拓展人工智能的邊界，但也帶來流數據、通信和資源動態變化等復雜性，導致設備間協同困難，增加模型訓練與更新的難度。本項目通過構建面向大規模人工智能的雲-邊-端分布式網絡基礎設施，實現算力資源協同與智能任務自適應調度。重點包括：提出雲-邊-端層次化資源整合及激勵機制，支撐多類型設備高效協作；設計面向動態環境的在線分布式學習與模型優化算法，提升系統在復雜波動場景下的實時性與魯棒性；開發基於容器和微服務的動態資源管理與調度技術，保障模型訓練和推理過程的資源高效利用與低延遲；探索大模型驅動的多智能體系統協同機制，推動無人集群在的高效協作。本項目理論創新與工程實現並重，構建了從底層資源協同到上層智能協作的完整技術體系，可服務於智能交通、醫療、教育、制造等多領域應用。