基于专家混合和大语言模型的代理式AI联合计算与网络优化

未来第六代（6G）移动网络被设想为配备一系列强大但高度专业化的优化专家，这些专家能够针对特定的网络性能指标进行精细调优。然而，这种多样性也带来了一个关键挑战：如何根据高层操作意图和不确定性描述，可扩展地选择、组合和编排这些专家？本文提出了一种基于代理式人工智能（AI）的网络优化框架，巧妙地将专家混合（MoE）架构与大语言模型（LLM）相结合。在该框架中，LLM扮演语义门的角色，能够对操作员提出的高层目标（如“最小化延迟”或“最大化吞吐量”）进行推理，并动态地调用最合适的优化代理（AI agent）来协同工作。该框架被设计为模型无关的，因此可以适应不同的网络模型和优化算法，从而在异构目标和条件下实现灵活优化。作为一个具体的实例，作者将这一框架应用于联合通信与计算网络——一个既考虑通信链路质量又考虑计算资源分配的场景。他们设计了一个专门的优化专家库，包括针对吞吐量、公平性和延迟的专家，并且同时考虑了常规条件和需要鲁棒性的场景。通过广泛的数值仿真，结果表明所提出的代理式MoE框架能够始终如一地达到接近穷举专家组合的最优性能，同时显著优于任何单一专家。例如，在延迟最小化任务中，该框架比最优的单一专家降低了约15%的延迟；在吞吐量最大化任务中，也取得了类似的优势。这项工作为6G网络的智能编排提供了一种全新的思路，有望推动未来网络向更加自主、灵活和高效的方向发展。这项研究由Robert-Jeron Reifert、Alaa Alameer Ahmad、Hayssam Dahrouj和Aydin Sezgin共同完成，论文于2026年4月提交至arXiv，并计划投稿至IEEE。