基於專家混合和大語言模型的代理式AI聯合計算與網路最佳化

未來第六代（6G）行動網路被設想為配備一系列強大但高度專業化的最佳化專家，這些專家能夠針對特定的網路效能指標進行精細調優。然而，這種多樣性也帶來了一個關鍵挑戰：如何根據高層操作意圖和不確定性描述，可擴充套件地選擇、組合和編排這些專家？本文提出了一種基於代理式人工智慧（AI）的網路最佳化框架，巧妙地將專家混合（MoE）架構與大語言模型（LLM）相結合。在該框架中，LLM扮演語義門的角色，能夠對操作員提出的高層目標（如“最小化延遲”或“最大化吞吐量”）進行推理，並動態地呼叫最合適的最佳化代理（AI agent）來協同工作。該框架被設計為模型無關的，因此可以適應不同的網路模型和最佳化演算法，從而在異構目標和條件下實現靈活最佳化。作為一個具體的例項，作者將這一框架應用於聯合通訊與計算網路——一個既考慮通訊鏈路質量又考慮計算資源分配的場景。他們設計了一個專門的最佳化專家庫，包括針對吞吐量、公平性和延遲的專家，並且同時考慮了常規條件和需要魯棒性的場景。透過廣泛的數值模擬，結果表明所提出的代理式MoE框架能夠始終如一地達到接近窮舉專家組合的最優效能，同時顯著優於任何單一專家。例如，在延遲最小化任務中，該框架比最優的單一專家降低了約15%的延遲；在吞吐量最大化任務中，也取得了類似的優勢。這項工作為6G網路的智慧編排提供了一種全新的思路，有望推動未來網路向更加自主、靈活和高效的方向發展。這項研究由Robert-Jeron Reifert、Alaa Alameer Ahmad、Hayssam Dahrouj和Aydin Sezgin共同完成，論文於2026年4月提交至arXiv，並計劃投稿至IEEE。