語義通信在邊緣算力網絡中的應用研究綜述

關鍵詞：語義通信；算力網絡；邊緣計算

中圖分類號：TP393 文獻標志碼：A 文章編號：1001-3695（2025）07-002-1930-09

doi：10. 19734/j.issn.1001-3695.2024.09.0477

Abstract：Semanticcommunication（SemCom）isanemerging technologythatintegrates inteligenceandcommunication.Itis expected to break throughthebandwidth botleneck of traditional communication and becomes anew communication paradigm forthe 6th generationmobilecommunicationsystem（6G）.Currently，theaplicationofsemanticcommunicationtechnologyin edge computing scenarios hasachieved somepreliminaryresearchresults，but there isstillalackof systematicanalysisand summary.Topromotethefurtherdevelopmentofthesemanticommunicationfield，thisarticleelaboratedindetailontherepresentativeresearchachievementsofsemanticcommunicationinspecificcomputing task scenarios inthepast fiveyears fromthe perspectivesof theIntemetofTings（IoT）taskscenariosandgeneralizededgescenarios.Moreover，thebotleneck inthedevelopmentof semanticcommunication technology lies inthe high demand forcomputing power.Thecomputing power network （CPN）-rivensemanticcommunication has becomeanidealsolution tothis botleneck.Thearticlefurther introducedtheresearch status of thecomputing power network，adeacomparativeanalysisofthecharacteristics of edgecomputing andcomputingpowernetwork，deeplyanalyzedthepotentialof thecomputing powernetwork inpromotingthedevelopmentofsemantic communication technology，ndfinallylooked forward tothefutureresearch prospectsof thecomputing power networkandsemantic communication.

Key words： semantic communication； computing power network； edge computing

0 引言

傳統通信網絡的發展基于香農提出的通信第一層級理論，主要關注數據的有效傳輸和正確接收1。目前，第五代移動通信技術已經逐漸逼近信道容量的香農極限。因此，為了滿足新型智慧應用對網絡低時延和高智能化的需求，探索和發展一種新的通信技術范式已成為突破現有技術瓶頸的關鍵。

近年來，語義通信作為一種以“達意”為目標的新型通信范式，在學術界引發了廣泛關注。語義通信基于通信第二層級，結合智能化技術，聚焦于傳輸數據背后的語義信息。相比于傳統通信，語義通信在減少數據傳輸量和提高傳輸效率方面展現出顯著優勢。在此背景下，張平院士提出6G“智簡”網絡，強調語義通信在工業物聯網和智能無人機器網絡等邊緣場景中的廣泛應用潛力[3]。此外，清華大學秦志金教授指出，深度學習驅動的語義通信其核心是深層語義級別的保真度，而非淺層比特級別的準確性，并將其確定為第六代無線通信網絡的核心技術挑戰之一[4]。這些研究表明，語義通信通過精準識別和傳遞關鍵信息，能夠顯著優化網絡資源利用，在車聯網、工業物聯網等邊緣計算場景中具有重要的應用前景。

邊緣計算是一種在網絡邊緣執行計算任務的計算模型，它能夠處理來自云服務的下行數據以及物聯網設備產生的上行數據[5]。中國移動在其《算力感知白皮書》中指出，未來終端數據有超過 50% 的網絡數據需要在網絡邊緣側進行分析、處理和存儲。在語義通信領域，當前大多數研究集中于邊緣計算場景，主要原因在于語義通信能夠有效降低邊緣計算任務的通信延遲、優化帶寬利用效率，并為終端數據提供隱私保護。現有文獻中，多模態語義通信[6]、圖像語義通信[]以及語義通信安全8等方向已有較為全面的綜述。然而，針對語義通信在邊緣計算場景中的應用研究尚缺乏系統性總結。

為此，本文梳理了近五年國內外使用語義通信技術處理邊緣計算任務的研究進展，系統總結了相關成果，旨在為語義通信的實際應用提供理論指導。同時，本文還分析了語義通信面臨的計算能力瓶頸，并提出了針對此挑戰的未來研究方向。

1研究現狀

1.1邊緣計算研究現狀

產業界內，邊緣計算產業聯盟（EdgeComputingConsor-tium，ECC）和工業互聯網產業聯盟（AllianceofIndustrialInter-net，AII）在2017年發布的《邊緣計算參考架構 2.0? 中給出了邊緣計算的定義：邊緣計算是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的分布式開放平臺，就近提供邊緣智能服務，滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。近幾年邊緣計算發展迅速，2022年ECC發布《“邊緣計算 + ”技術白皮書》，提出了“邊緣計算 + ”的概念，詳細介紹了“邊緣計算 + 人工智能”“邊緣計算 + 高性能計算”等六項“邊緣計算 + ”的關鍵技術。“邊緣計算 + ”將以算網融合為目標，加速算力資源與網絡資源的深度融合。

在學術界，2016年，Shi等人[9首次給出了邊緣計算的正式定義。同年，ACM和IEEE聯合舉辦了第一屆邊緣計算研討會（TheFirstIEEE/ACMSymposium on EdgeComputing），邊緣計算研討會（SymposiumonEdgeComputing，SEC）旨在探討邊緣計算所帶來的機遇和挑戰，推動邊緣計算技術的創新發展和產業化進程。截止到2023年12月，SEC會議已成功舉辦八屆。表1中列出了近四年SEC會議中涉及的部分研究熱點及其相關文獻。

1.2語義通信研究現狀

香農將通信過程劃分為三個層級：數據的傳輸和正確接收、傳輸數據的語義以及信息的有效性。當前，大多數通信的最終目標是交換語義信息[4]，基于通信第二層級的語義通信，重點關注傳輸數據的語義含義，不僅有效減少了通信網絡中的數據流量，還能夠精準傳遞信息意圖。

近幾年，語義通信引起了學術界的廣泛關注。圖1列舉了語義通信相關理論發展的典型事件，其中張平院士為語義通信基礎理論的發展作出了卓越的貢獻。

Morris FOO1956年，Brillouin2指出經典信息論主要關注如何有效傳 1992年，Business Objects 2011年，D'Alfonso[29] 2023年，張平等人[31]輸符號并消除噪聲干擾， 公司注冊并獲得建立通用 提出利用“真似性” 歸納了語義信息的這是的視 語義層（semantic layer） 概念量化語義信息 度量指標系討論信息的語義內容

首先，其在文獻［3]中提出了語義基模型（semanticbase，Seb），并在此基礎上進一步構建一種智能高效語義通信網絡架構（intelligentandefficientsemanticcommunication，IE-SC），最后通過仿真結果驗證了語義通信提升信息傳輸效率的可能性。然后，在文獻[31]中歸納了語義信息的度量指標體系，討論了語義壓縮極限，并進一步介紹了直接編碼和變換編碼兩種語義編碼的傳輸方法。在人工智能賦能語義通信方面，Xie等人[30]提出一種面向文本傳輸任務，基于Transformer的語義通信系統DeepSC。與不考慮語義信息交換的傳統通信系統相比，DeepSC系統對信道變化具有更強的魯棒性。隨后，眾多研究者在DeepSC系統的基礎上，進行了大量的研究。具體貢獻如表2所示。

2基于語義通信的邊緣計算

2.1 面向物聯網任務

人工智能物聯網（ArtificialIntelligenceofThings，AIoT）作為萬物智聯時代的創新引擎，推動了物聯網與人工智能深度融合。物聯網設備作為互聯網數據的重要來源，采集的數據種類繁多，涵蓋了從環境監測到用戶行為的各個領域。這些多樣化的數據為智能業務的廣泛應用奠定了基礎，但同時，數據中的冗余信息也對智能業務在低時延和高可靠性方面的需求構成了挑戰。語義通信為應對這些挑戰提供了有效的解決方案，通過減少冗余數據和提高數據通信效率，使得物聯網設備生成的數據能夠更精準地傳遞其語義信息，從而支持更高效、更智能的決策和業務操作。

2.1.1面向特定任務

針對物聯網中的機器視覺任務，楊雨佳等人[42]首先分析了基于語義分割、注意力機制和聯合信源信道編碼的三種語義傳輸架構。隨后面向動態信道環境中的圖像重構任務，作者提出了一種基于卷積神經網絡的端到端語義傳輸模型，在低信噪比的實驗環境中，與傳統的通信方案相比，提出的模型有近2dB的峰值信噪比（peaksignal-to-noiseratio，PSNR）性能提升和0.15的結構相似性（structuralsimilarity，SSIM）性能提升。面向圖像分類任務，為了有更高的分類準確率和更低的延時，劉傳宏等人[43]提出一種針對圖像分類任務的語義通信神經網絡架構，發送端利用深度卷積神經網絡提取特征網絡，隨后使用基于梯度的語義關系提取方法將語義概念和特征圖進行關聯，最后根據實際通信環境和資源對特征圖進行壓縮并傳輸最重要的特征圖，從而實現語義壓縮。接著，壓縮后的特征圖通過信道傳輸到邊緣服務器的分類器網絡中，分類器網絡輸出結果并返回給AIoT設備。

盡管上述研究在物聯網中的機器視覺任務方面取得了顯著進展。然而，這些研究均未充分考慮深度學習在物聯網設備中應用時的功耗和資源限制問題。隨著物聯網設備的廣泛應用，這些限制對實際部署深度學習模型提出了嚴峻挑戰，迫切需要在保持高性能的同時，優化功耗和資源使用，以便真正實現高效、可持續的智能物聯網系統。針對這個問題，Yang等人[44]提出了一個系統模型，具體而言，他們考慮了能量受限的IoT設備通過無線方式接收能量以進行文本傳輸，并設計了一個無線供電通信網絡。該網絡包含一個混合接人點（hybridaccesspoint，HAP）和多個無線供電的IoT設備。在這個系統中，HAP被設定為在特定時間內只向一個IoT設備傳輸能量。為了決定能量分配，提出了一種基于深度學習的競拍機制，IoT設備依據句子相似度和BLEU（bilingualevaluationunderstudy）分數對能量進行出價競拍，拍賣機制將通過以最大化HAP收入為目標確定獲勝者和價格，確保能量傳輸到最有價值（句子相似度和BLEU分數最高）的IoT設備，從而實現可靠有效的語義通信。而為了確保IoT設備能夠承擔得起深度學習模型所消耗的資源。Xie等人[32]針對低復雜度的文本傳輸任務，基于文獻[30]提出一種名為L-DeepSC的精簡分布式語義通信系統。具體地，為了解決文獻[30]中衰落信道上的DeepSC模型的訓練問題，首先開發了一種改進的最小二乘（least-squared，LS）估計器以消除系統訓練期間信道衰落的影響。其次為了減少訓練后模型的規模和復雜度，Xie等人[32]提出了網絡稀疏化修剪權重和網絡量化降低權重分辨率兩種模型壓縮方法。此外，受到網絡量化的啟發，作者將原始全分辨率星座圖映射到有限比特星座圖中，以降低IoT設備的傳輸和硬件成本。最后通過仿真驗證了所提出的L-DeepSC系統在AIoT中具有巨大應用潛力。

在實際應用中，Huang等人[45]提出一種名為語義數據源（semanticdatasourcing，SEMDAS）的框架，SEMDAS可以看作是一種面向任務、基于語義的“搜索引擎”。其主要包括服務請求方、控制器、語義數據源和語義匹配四個組成部分。控制器同時接受數據源的數據描述和執行任務節點發送的含有描述符的查詢請求，并通過基于機器學習的語義匹配技術，在語義空間內查找接近查詢請求的結果。最后在通過監控攝像頭網絡尋找失蹤人員的任務場景中驗證了其提出的SEMDAS框架的有效性。此外，作者提出了聯合語義與信道匹配（jointsemantics-and-channelmatching，JSCM）的新概念，并列舉了采用JSCM設計以速率為中心的無線技術的新研究方向。例如多路訪問（multi-access）、空中計算（over-the-aircomputation）、隨機波束形成（randombeamforming）等。

2.1.2車聯網

在車聯網場景中，自動駕駛技術主要依賴于對車輛傳感器采集數據（雷達數據、攝像頭拍攝的照片數據等）的分析與處理。然而，在數據處理過程中，車輛面臨兩方面的挑戰。一方面車輛自身的數據處理能力有限，部分計算任務需要上傳至路側單元（roadsideunit，RSU）或邊緣服務器進行處理。另一方面，車輛通過集成傳感與通信技術實現信息共享和協作，從而完成高效安全的自動駕駛，而這些數據的傳輸給資源受限的車聯網環境帶來了通信負擔。

因此，為了處理車聯網場景中產生的海量照片數據，減少數據傳輸占用的帶寬。Huang等人[46]提出了一種基于強化學習的自適應語義編碼模型，主要包含三個模塊：語義編碼器、執行自適應量化的強化學習代理 π 、語義解碼器。首先Huang等人[46將語義保真度和感知質量整合到語義編碼的優化過程中，并提出了一種包含每個對象的類別、特征和空間關系的表示單元，稱為語義概念。發送端采用了一種卷積語義編碼器提取語義概念并將其轉換為比特流。隨后為了更精準地定位關鍵語義概念并分配適度的傳輸精度要求，提出了一種基于強化學習的語義比特分配模型（reinforcementlearningbasedadaptivesemanticcoding，RL-ASC）。語義編碼器獲得所有語義概念后，編碼過程被建模為馬爾可夫決策過程（Markovdecisionprocess，MDP），強化學習代理通過平衡比特成本和重建性能來自適應地為每個語義概念分配量化編碼級別。最后采用了一種更符合語義通信的生成式對抗網絡（generativeadversarialnetwork，GAN）作為模型的語義解碼器，引入注意力機制融合全局和局部特征來重建語義概念。通過實驗表明，Huang等人[46提出的RL-ASC模型可以保持高自然度的圖像重建，并顯著減少了車聯網環境中數據傳輸量。

資源分配問題同樣是車聯網研究的重要方向。Su等人[47]針對高度動態的車聯網環境，提出了一種基于設備到設備車載網絡（device-to-devicevehicular，D2D-V）的長效動態跨層魯棒資源分配框架以實現高效的語義通信。利用季雅普諾夫優化方法將跨層資源分配問題轉換為語義訪問控制和功率控制兩個子問題。隨后分別采用KKT（Karush-Kuhn-Tucher）條件和拉格朗日函數方法處理這兩個子問題。針對動態的通信環境，引入一階的馬爾可夫過程從而準確地描述不確定信道狀態，并提出了一種魯棒的資源分配算法實現高效可靠的語義信號傳輸。最后通過仿真驗證了低時延、高可靠的語義通信同時保證了用戶的QoS（qualityofservice）需求。林潤韜等人[48同樣基于動態車聯網場景，通過引入了緩存資源改進現有的聯合資源分配算法，構建了一種新型的面向語義的多維資源聯合分配模型。在此模型基礎上，采用了深度雙Q網絡算法來求解最優的資源分配策略。最后通過仿真，驗證了該算法在面向車聯網的視頻和圖像目標檢測任務中的性能。陳九九等人[49]針對不同維度的資源類型，提出了三種資源分配模型和算法，并且分析總結了不同算法、不同計算場景以及不同資源分配模型的差異。最后在車聯網仿真場景下，驗證和分析了所研究的面向語義通信的資源分配方法的性能優勢。Lu等人[50]提出了一種用于自動駕駛技術的語義感知視覺輔助集成傳感與通信（vision-assisted integrated sensing and communication，SA-VA-ISAC）框架以及相應的資源分配方案。具體地，資源分配方案包括深度學習驅動的環境信息收集和聚合、語義通信和波束成形。其中環境信息收集和聚合指由多個VA-ISAC基站捕獲的圖像RGB信息和深度信息，在MEC服務器上使用深度學習模型進行信息聚合。深度學習驅動的語義通信使用參數化卷積神經網絡實現語義編碼器和語義解碼器，并同時考慮聚合信息，智能應用要求和通道狀態信息。最后提出了兩種基于深度學習的波束成形設計方案，第一種為有監督的深度學習方案，使用神經網絡近似于傳統的優化算法，通過優化算法構建的標記數據集，神經網絡通過梯度下降法對權重進行更新。此種方法具有更好的泛化性能。第二種為深度強化學習，其將波束成形問題視為馬爾可夫決策過程，并通過代理（例如基站）與環境（例如無線網絡環境）交互學習最佳波束成形設計。與第一種方案相比，深度強化學習所需的訓練成本更少。

盡管上述研究為語義通信在車聯網中的應用提供了新穎的解決方案和理論基礎，但其大多數研究集中于通用語義傳輸和資源優化，而未充分考慮車聯網特定任務的通信需求和應用場景。針對此問題，Raha等人[51]為高空平臺（highaltitudeplatform，HAP）支持的全連接自動駕駛車輛網絡開發了一種語義通信框架，當自動駕駛汽車遇到交通基礎設施時，使用卷積自動編碼器（convolutionalautoencoder，CAE）將交通設施中的語義概念提取出來，宏基站（macrobasestation，MBS）接收到語義概念后使用近端策略優化PPO算法為自動駕駛汽車提供決策。最后通過仿真驗證了所提方法可最多降低 63.26% 的通信成本。此外，Raha等人[52]使用智能交通系統（intelligenttransportationsystems，ITS）的真實6G場景測試和評估了其提出的語義通信框架。具體地，首先使用輕量級移動分段任意模型（mobilesegment anythingmodel，MSAM）設計了一種語義發射器來提取語義信息，其次在接收端采用了基于生成式對抗網絡（generativeadversarialnetwork，GAN）的方法，與文獻[46]中不同的是，Raha等人[52]在接收端使用像素對像素生成對抗網絡將發送端發送的背景信息和語義信息進行合并，重建原始信息并對其去噪。最后在配備RGB相機和毫米波相控陣的固定基站場景中驗證了所提框架可以在保持原有內容的同時，降低了高達 93.45% 的通信成本。

2.1.3 智慧醫療（smart healthcare）

盡管語義通信在智慧醫療領域的研究仍處于初期階段，但其展現出巨大的潛力。一方面，醫療相關的傳感器，例如壓電薄膜傳感器和智能織物傳感器[41]，具有高動態采集和海量數據傳輸的特點，語義通信通過提取數據語義信息，有效壓縮數據量，從而提高通信效率。另一方面，醫療系統對患者隱私和數據保護具有嚴格要求。語義通信僅允許接受者獲取信息意圖而非原始的比特信息，這使得攻擊者難從通過語義信息獲取原始數據，從而增強了數據傳輸的安全性[53]

針對隱私問題，Utkovski等人[54]提出了一個基于帶有隱私約束的信息瓶頸（informationbottleneck，IB）公式的設備邊緣協同推理的語義感知架構[55]，并給出了此架構在健康檢測場景中的應用。如圖 2^[54] 所示，醫療傳感器獲取原始數據 X （如心電圖ECG、體溫），聯合患者的隱私數據 s （如姓名、年齡）來遠程評估患者的健康狀態 Y 語義感知編碼器將預處理數據（如特征提取/心律失常檢測）和信道編碼結合生成傳輸符號 Z 。接收器通過分析接收到的信息 ，推理出患者狀態 值得注意的是，基于隱私漏斗（privacyfunnel，PF）和潛在變量保密（la-tentvariablesecrecy，LVS），IB框架集成了物理層安全與隱私，目標優化函數如下：

其中：失真項表示最小化顯示數據（接收到的數據） 和目標 Y 之間的互信息損失，保留盡可能多的有用信息。速率項表示顯示數據Z和原始數據 X 之間的互信息，目標是通過參數 β 控制傳輸數據量。隱私項確保原始數據 Z 和敏感數據 s 之間的隱私泄露低于隱私約束的閾值。

Xiao等人[41同時關注數據隱私與通信效率問題，在文獻[30]基礎上，提出了名為DeepSC-HealthNet的智能織物[5醫療保健系統。智能織物傳感器可以通過多種物理形態與人體交互，能夠更方便靈活地收集用戶的生理信息。首先提出了以織物計算為中心、以信息通信為基礎的端到端無干擾網絡服務框架。該網絡框架發送端和接收端分別部署著編碼和解碼神經網絡，不同的健康服務對應著不同的網絡結構，因此即使攻擊者截取到了傳輸的信息，在無法得知目標網絡的情況下，也無法將其恢復為有用數據。隨后對于DeepSC-HealthNet系統網絡中計算卸載和資源分配兩個決策問題，提出了一種基于動作組合深度強化學習的決策算法APPO-RL。最后通過仿真驗證了所提框架在能耗和可靠性方面有顯著的性能提升。

2.2 面向廣義邊緣場景

針對語義通信部署到邊緣環境中消耗資源和效率低下問題。Shi等人[57]提出了一種基于聯邦邊緣智能的新穎架構，用戶可以將計算密集的語義處理任務卸載到邊緣服務器，并且和多個服務器之間協作訓練共享模型。同時基于聯邦學習框架處理公共語義知識，可以保證本地語義數據不被泄露。對于計算卸載問題，Ji等人[58]提出了一種語義感知多模態任務卸載系統。為了處理多模態數據的不同任務，作者基于任務執行成本和執行精度設計了統一的體驗質量標準（qualityofexperience，QoE）。并提出了一種基于近端策略優化的多智能體強化學習算法MAPPO，以分布式和低計算復雜度的方式協調本地用戶設備執行計算資源和通信資源的聯合管理，本地設備通過GPS位置、電池壽命、和任務隊列作出決策，從而減輕基站的計算壓力和減少本地數據的上傳開銷。最后通過仿真驗證了其提出的MAPPO算法在執行速度和系統QoE方面優于其他強化學習算法。

Saadat等人[59]對考慮延遲和QoS約束的能量最小化語義通信框架進行了建模，隨后為語義任務部署了在MNIST數據集上訓練的編碼器和分類器，對數據進行語義提取、重構和分類。之后利用回歸和松弛優化技術對提出的NP難度（non-deterministicpolynomial-timehardness）的混合整數非線性規劃問題給出次優解決方案。最后與其他基線方法進行比較，所提次優解決方案在保證定義約束的同時，有效地減少了系統的能耗。Xia等人[]解決了語義通信使能網絡（semcom-enablednetworks，SC-Nets）中的用戶關聯（userassociation，UA）和帶寬分配（bandwidthallocation，BA）問題。具體地，首先基于移動用戶和基站之間的知識匹配狀態定義了兩種SC-Nets，分別為基于完美知識匹配的SC-Net和基于不完美知識匹配的SC-Nets。隨后利用比特率到消息率轉換函數有效開發了一種消息系統吞吐量（systemthroughputinmessage，STM）指標，引人SC-Nets以確定語義層次上整體網絡性能。此外，針對兩種SC-Nets場景制定了UA和BA的聯合STM最大化問題。最后通過廣泛的模擬實驗，與其他基線方案相比，所提方案在STM性能方面具有顯著的卓越性。

3算力網絡驅動語義通信

3.1語義通信面臨的主要瓶頸

語義通信減少通信系統的傳輸信息量是以增加系統復雜度為代價的[61]。目前，基于深度學習的語義通信系統的編碼器和解碼器通常采用多種神經網絡模型實現，例如本文中提到的卷積神經網絡、生成對抗網絡以及Transformer等。盡管高性能深度神經網絡顯著提升了語義通信系統的性能，但其龐大的參數規模和高計算需求也顯著增加了系統的算力消耗，使得算力成為了語義通信系統進一步發展的瓶頸[62]

3.2 算力網絡

隨著生成式人工智能、大模型等創新技術的飛速發展，對算力的需求日益增大，為了解決計算資源分散造成的算力孤島效應，傳統通信網絡正在向計算與通信資源深度融合的算力網絡演進[63]。算力網絡旨在解決云計算、邊緣計算及端計算等多級算力資源并存情況下的資源統一供給問題。

3.2.1算力網絡研究現狀

產業界內，早在2019年，中國移動研究院聯合華為發布了《算力感知網絡技術白皮書》，提出了算力感知網絡（computing-awarenetworking，CAN），即通過無處不在的網絡將動態分布的計算資源互聯，將網絡、存儲、計算等多維度資源統一協調，按需分配。同時，中國聯通網絡技術研究院發布的《中國聯通算力網絡白皮書》提出，未來智能社會的網絡將呈現為云、邊、端三級算力架構，使算力具有專業性、彈性、協同性就需要“計算 + 網絡”深度融合的新型網絡架構“算力網絡”。隨著近幾年人工智能技術的崛起，眾多企業開始向智能化轉型，AI賦能網絡的快速發展，加速了自智網絡的實現[64]，現已成為了運營商的首要選擇。對此，2024年中國移動發布了《“九州”算力互聯網（MATRIXES）目標架構白皮書》，提出“九州\"算力互聯網是實現一體化算力智聯網的重要基礎，并對其網絡架構、關鍵技術和賦能業務場景進行了詳細的闡述。

在學術界，雷波等人[首次提出了“算力網絡”概念，其針對邊緣計算部署過程中的算力分配與調度問題，研究了一種基于云、網、邊深度融合的方案，即算力網絡。Tang等人結合6G時代算力服務的特點，提出承載網絡、云化網絡、計算網絡是算力網絡所需的三個技術要素。周曉茂等人[設計了一種將算力網絡與自智網絡深度融合的自智算力網絡架構，并總結了自智算力網絡的三大特征：意圖驅動、閉環自治和自適演進。Jia等人[8]提出了一種確定性算力網絡（deterministiccomputingpowernetworking，Det-CPN）的新網絡范式，它集成了確定性網絡技術和算力網絡技術，為時間敏感和計算密集型應用提供端到端的確定性網絡服務，確保延遲、抖動、路徑和計算的確定性。同時，算力網絡中的資源分配和協同調度問題也已經得到了廣泛研究。Guo等人[為算力網絡引入了路由機制，以實現對任播流量的動態控制，他們提出的基于模糊邏輯的路由算法和低復雜度成對多屬性決策算法在平均處理延遲、用戶滿意度和負載均衡方面表現出色。Tang等人借鑒了基于意圖網絡（intent-basednetworking，IBN）的思想，提出了一種面向算力網絡的服務意圖感知任務調度框架，克服了傳統任務調度研究忽略網絡調度的缺點，并開發了一種基于競價的任務調度算法，實現任務意圖和算力資源的最佳匹配。Di等人[71]在算力網絡中構建了動態資源池，并通過深度強化學習（deepreinforcementlearning，DRL）作出最優決策，他們提出了一種基于注意力的近端策略優化算法，以識別不同資源池對系統的貢獻，從而充分利用每個資源池的優勢。

3.2.2邊緣計算與算力網絡

在5G時代，隨著虛擬現實、自動駕駛、智慧城市等新興智能業務的快速發展，通信網絡中的數據量爆發式增長，傳統云計算模式在應對這些需求時面臨延遲高、能耗高、安全性不足等問題。邊緣計算將云中心的計算能力下沉至網絡邊緣，減輕了核心網的壓力，為終端用戶提供了高效的計算服務。然而，這種模式也導致大量的計算資源分布于網絡中，如何高效協同調度這些計算資源，并依據用戶業務需求提供高質量網絡服務，成為亟待解決的關鍵問題。針對這一挑戰，算力網絡作為一種解決多級算力資源（云計算、邊緣計算以及端計算）并存情況下資源統一供給問題的新型網絡技術方案被提出[63]。表3對比了5G邊緣計算和算力網絡的特性。

邊緣計算是在網絡邊緣執行計算任務的一種計算模型，其能在靠近數據輸入的位置為用戶提供計算、存儲等服務，降低數據延遲、提升服務質量[72]。而算力網絡目標則是在任意網絡接入點上，高效、智能地為用戶提供最優的算力資源，實現多級算力的靈活調控。算力網絡和邊緣計算的架構均為云邊端三級架構[73.74]。如圖3所示。算力網絡在邊緣計算架構的基礎上，進一步增強了資源的協同調度和智能分配能力，實現了跨域資源的無縫連接和優化使用，從而提升了整體系統的計算效率和服務水平。硬件方面，目前，邊緣計算的部署應用在網絡邊緣處放置了大量的邊緣服務器和定制化的邊緣接人設備，這些設施包括了CPU、GPU、FPGA、TPU等計算資源，為算力網絡的落地應用提供了多樣化的算力基礎設施。除此之外，在算力網絡中，每臺帶有計算能力的設備都有可能成為算力提供方，其中既包括超算中心的超級計算機，也包括具有移動性的智能終端。網絡基礎設施方面，5G網絡的高速率、低時延、大連接的特點，為邊緣計算提供了高靈活、高可靠的網絡能力。而算力網絡作為6G網絡發展的基礎，需要更高品質的網絡基礎設施。通過構筑基于光交叉連接（opticalcross-connect，OXC）的全光網絡底座和打造云邊端全連接的智能IP網絡，以保障算力網絡的實時響應和高效供給[75]

在主要研究問題上，文獻[76]探討了邊緣計算的三個重要問題：計算卸載、資源分配以及安全與隱私。這些問題同樣是算力網絡的核心議題，然而，除了上述問題外，算力網絡還需重點關注以下方面：

a）算力度量：算力度量和算力建模是算力網絡技術底層的基石。如何精準地衡量算力資源，構造統一的算力資源模型標準是提高算力資源利用率和匹配度的重要前提條件[］。目前業界內對算力資源度量的研究仍處于早期階段，對CPU、GPU、NPU等諸如此類的異構處理單元和算網端側多樣化的物聯網設備的算力進行標準化的統一仍存在較大挑戰。

b）算力路由：傳統的路由協議難以對算力資源進行精準的把控，算力路由則是在傳統路由協議中增加算力信息，生成“網絡 + 計算”的新型路由表，讓算力信息和網絡信息同時在網絡中傳遞。基于用戶的需求，通過網絡、計算聯合路徑計算，按需、動態地生成業務調度策略[78]

c算力交易：算力具有供需方。算力交易是算力網絡商用的關鍵問題。算力網絡關注的是整個網絡中算力資源，算力消費者可以是自動駕駛汽車、智能家居設備、虛擬現實設備以及其他需要高性能計算能力的終端設備和應用。算力提供者可以是邊緣計算節點，超算中心甚至可以是任何具有計算能力的移動設備。交易平臺如何制定公平的交易規則、如何設定激勵機制讓更多閑散算力積極加人到算力網絡中是算力交易的主要研究問題。

綜上所述，邊緣計算與算力網絡關系可以概括為

a）邊緣計算的部署應用催生了算力網絡，算力網絡是邊緣計算的一種新演進[79]。b）邊緣計算為算力網絡提供了必要的硬件基礎設施。c）邊緣算力網絡是連接端側算力和云中心算力的重要樞紐，是算力網絡的重要組成部分和研究方向。d）算力網絡要在邊緣計算的基礎上，融合人工智能、5G等技術，實現高效的資源管理、智能化的業務調度，以及低延遲高可靠的網絡服務，進一步推動新一代信息技術的發展。

3.3算力網絡驅動語義通信

算力網絡是為語義通信系統提供算力支持的理想基礎設施。通過算力網絡，語義通信系統能夠接入廣泛分布的計算資源，為算力較弱的終端處理語義任務提供算力支持。目前，算力網絡和語義通信仍處于初級發展階段，兩者融合的相關研究較為有限。現有的研究中，Qin等人初步探討了支持語義通信的算力網絡架構及其關鍵技術，為之后的研究提供了有價值的參考。其提出的算力網絡驅動語義通信架構如圖4所示。

算力網絡驅動語義通信包含兩個關鍵技術模塊：語義采樣模塊與語義信道聯合編碼（jointsemanticchannelcoding，JSCC）模塊。算力網絡通過將云、邊、端側的閑置計算資源聚合，為語義通信系統提供了強大的算力支持。在語義采樣階段，邊緣計算服務器可根據傳感器數據和模型復雜度，協助傳感器動態調整模型更新策略，提升采樣效率。同時，算力網絡為計算復雜度高的JSCC模塊提供了充足的計算資源，使其能夠高效地進行語義編碼和解碼。此外，文獻[62]以超分辨率視頻重建和語義感知算力資源分配為例，通過仿真實驗驗證了算力網絡驅動語義通信在推動6G網絡通感算智一體化發展中的優勢，同時也指出了當前算力網絡與語義通信研究處于初級階段，缺乏相關數學理論對算力網絡驅動的語義通信框架進行優化指導。

4未來工作

當前，算力網絡和語義通信的研究已經有了初步的進展，但仍舊存在諸多尚未解決的問題。下面將探討算力網絡與語義通信未來的研究方向。

4.1 端側算力網絡

盡管在2022年，中國移動聯合北京郵電大學、中國信息通信研究院、中國通信學會發布了《端側算力網絡白皮書》，其中明確指出充分利用泛在終端的算力資源是提升網絡整體資源利用率的關鍵。然而，根據筆者的調研，針對端側算力網絡的研究目前仍處于起步階段。

張興等人[8提出了多級端側算力自治網絡架構，指出端側算力網絡與邊緣側算力網絡緊密銜接，在端側將終端設備按照區域進行劃分，分為多個算力自治網，每個自治網內基于設備的算力度量值進行層次化分組，將其分為多級終端，其中一級終端需要向下匯總所有級別的算力信息，以及通過邊緣服務器獲得其他自治網的信息。最后通過智能決策，實現端側算力資源的統一管理，這對提升算力資源利用率具有顯著優勢，但在實際應用中仍面臨以下幾個關鍵問題：

a）算力資源復雜性。終端設備是每個自治網內主要組成部分，復雜多樣的終端設備為終端提供了多種多樣的算力信息，極大增加了數據管理和處理的復雜性。同時，每個自治網的特性也不盡相同。這給自治網之間相互協調帶來了挑戰。

b）智能決策準確性。在文獻[80]提出的端側網絡架構中，一級終端設備承擔著進行智能決策的角色，進行決策就需要對匯總的所有信息進行計算和判斷，而需處理信息之繁雜極易影響決策的準確性。

c）數據傳輸高效性。端側算力網絡為新興智慧應用提供了便利。同時，這些應用也產生了海量的數據，例如高分辨率的視頻、圖像。如何在資源受限的邊端側網絡中高效傳輸這些數據是一個重要的研究方向。

4.2 語義通信

a）語義通信基礎理論與實踐探索。語義通信基礎理論的研究對該領域的發展具有重要的指導意義。牛凱教授和張平院士在文獻[81]中基于經典信息論構建了一個具有高可行性的語義信息理論框架，系統闡述了語義信息度量體系及語義通信理論極限。同時，他們對經典香農公式進行了擴展，提出了新的信道容量公式，如式（2）所示。

其中： s 代表信息的辨識能力。在這一理論基礎上，進一步的實踐研究顯得尤為重要。為此，張平院士團隊搭建了國際首個6G與AI融合的外場試驗網，驗證了其提出的語義信息論的有效性。

此外，語義通信在惡劣通信環境（如衛星通信、深海通信和地下通信）中的應用亟需進一步探索。通過將語義信息理論應用于實際通信系統的設計與優化，不僅可以驗證該理論體系的有效性，還可以促進其進一步完善與發展。這些研究將為語義通信在各種挑戰性環境中的實際應用奠定堅實基礎。

b）語義知識庫構建與更新。語義知識庫是實現端到端語義通信的基礎。針對不同任務場景，數據模態與算法類型，研究多層級的知識庫建模方法至關重要。此外，如何動態更新語義知識庫以適應不斷變化的知識體系，以及如何有效保護知識庫中的敏感數據以防止信息泄露和惡意攻擊，是確保其有效性和可靠性的關鍵所在。

c）大模型賦能語義通信。近來，各種大模型如Chat-GPT^[82] 、Gemini[83]備受關注。這些模型在上下文理解、知識學習、多模態數據處理和分析等方面展現出卓越的能力，為語義通信提供了全新的技術解決方案。然而，如何將大模型高效地集成至語義通信系統中，缺乏算力資源和存儲資源的端側設備如何部署大模型[84]，以及面向復雜任務的大模型如何訓練，依然是當前亟待解決的關鍵問題。為了應對上述挑戰，需要探索新型網絡架構與技術，例如算力網絡，以提供足夠的算力和存儲資源支持。此外，開發高效的模型壓縮和優化技術也是關鍵，以確保大模型能夠在資源受限的環境中高效運行。這些研究方向不僅關乎語義通信的實際應用前景，更將推動大模型技術的進一步發展。

5結束語

算力網絡和語義通信有望為6G智能化通信系統提供有力的技術支撐。本文梳理了近年來語義通信在邊緣計算中應用的相關研究成果，分析了語義通信面臨的發展瓶頸，討論了邊緣計算與算力網絡特性，并介紹了一種算力網絡驅動的語義通信解決方案，旨在為算力網絡與語義通信融合的研究提供參考。最后，本文對端側算力網絡與語義通信的未來研究方向進行了展望。

參考文獻：

[1]Shannon C E.A mathematical theory of communication[J].Bell SystemTechnical Journal，1948，27（3）：379-423.

[2]牛凱，戴金晟，張平，等.面向6G的語義通信[J].移動通信， 2021，45（4）：85-90.（NiuKai，DaiJinsheng，ZhangPing，etal.6Goriented Semantic Communications[J].Mobile Communications， 2021，45（4） ：85-90.）

[3]ZhangPing，Xu Wenjun，Gao Hui，et al.Toward wisdom-evolutionary and primitive-concise 6G：anewparadigm of semantic communication networks[J].Engineering，2022，8：60-73.

[4]Qin Zhijin，Tao Xiaoming，Lu Jianhua，etal.Semantic communications：principlesand challenges[EB/OL].（2022-06-27）.https：// arxiv.org/abs/2201.01389.

[5]施巍松，張星洲，王一帆，等.邊緣計算：現狀與展望[J].計算機研 究與發展，2019，56（1）：69-89.（ShiWeisong，ZhangXingzhou， WangYifan，et al.Edgecomputing：state-of-the-artand future directions[J].Journal of Computer Research and Development， 2019，56（1） ：69-89.）

[6]秦志金，趙菼菼，李凡，等.多模態語義通信研究綜述[J].通信學 報，2023，44（5）：28-41.（QinZhijin，ZhaoTantan，LiFan，etal. Survey of research onmultimodal semantic communication[J].JournalonCommunications，2023，44（5）：28-41.）

[7]郭暢，何占豪，楊君剛，等.圖像語義通信技術綜述與展望[ J OL].電訊技術.[2024-09-27].https：//doi.org/10.20079/j.issn. 1001-893x.240416001.（Guo Chang，He Zhanhao，Yang Jungang，et al.Reviewand perspective on imagesemantic communication technologies[J/OL].Telecommunication Engineering.[2024-09-27]. https：//doi.0rg/10.20079/j.issn.1001-893x.240416001.）

[8]施繼婷，曾維昊，張騫允，等.語義通信安全研究綜述[ Π_J/OL] .南 京信息工程大學學報.[2024-09-12].https：//doi.org/10.13878/ j.cnki. jnuist.20240425002．（Shi Jiting，Zeng Weihao，Zhang Qianyun，etal.Surveyofresearchonsemanticcommunicationsecurity [J].Joumal of Nanjing University of Information Scienceamp; Technology.[2024-09-12]. htps：//doi.org/10.13878/j.cnki. jnuist. 20240425002.）

[9]Shi Weisong，Cao Jie，Zhang Quan，et al.Edge computing：vision and challenges[J].IEEE Internetof Things Journal，2016，3（5）：637-646.

[10]FangBiyi，Zeng Xiao，ZhangFa’en，et al.FlexDNN：input-adaptive on-device deep learning for effcient mobilevision[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway， NJ： IEEE Press，2020：84-95.

[11]Nigade V，Wang Lin，Bal H. Clownfish： edge and cloud symbiosis for video stream analytics[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2020 ：55-69.

[12]Huang Chanying，Hu Yingxun. BEAF：a blockchain and edge assistant framework with data sharing for IoTnetworks[C]//Proc of IEEE/ ACM Symposium on Edge Computing. Piscataway，NJ： IEEE Press， 2020 ;370-375.

[13]Li Ang，Sun Jingwei，Wang Binghui，et al.LotteryFL;empower edge intelligence with personalizedand communication-efficient federated learning[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2021：68-79.

[14]PrakashP，Ding Jiahao，Shu Minglei，et al.SQuaFL：sketchquantization inspired communication effcient federated learning [C]//Proc of IEEE/ACM Symposium on Edge Computing.Piscataway，NJ： IEEE Press，2021：350-354.

[15]Pinyoanuntapong P，Pothuneedi T，Balakrishnan R，et al.Sim-to-real transferin multi-agent reinforcement networking for federated edge computing[ C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2021：355-360.

[16]Lu Rui，Shi Siping，Wang Dan，et al.Preva：protecting inference privacythrough policy-based video-frame transformation[C]//Proc of the 7th IEEE/ACM Symposium on Edge Computing.Piscataway，NJ： IEEE Press，2022：175-188.

[17] Stein S，Mao Ying，Ang J，et al. QuCNN：a quantum convolutional neural network with entanglement based backpropagation[C]//Proc of the 7th IEEE/ACM Symposium on Edge Computing. Piscataway，NJ： IEEEPress，2022：368-374.

[18]Wu Jindi，Li Qun.Poster：scalable quantum convolutional neural networks for edge computing[C]//Proc of the 7th IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2022 ：307-309.

[19]Alanezi K，Mishra S.Towards a scalable architecture for building digital twins at the edge[C]//Proc of IEEE/ACM Symposium on Edge Computing.Piscataway，NJ：IEEE Press，2023：325-329.

[20]Hasan S M N，Zhu Qiuming，Hossain M. Empowering digital twin：earlyaction decision through GAN-enhanced predictive frame synthesis for autonomous vehicles[C]//Proc of IEEE/ACM Symposium on Edge Computing. Piscataway，NJ：IEEE Press，2023 ：330-335.

[21]Morris CW.Foundationsof the theory of signs[M].[S.1.]： University of Chicago Press，1938.

[22]Hockett C F，Shannon C L，Weaver W. The mathematical theory of communication[J].Language，1953，29（1） ：69.

[23]Elias P，Carnap R，Bar-Hilel Y.An outline of a theory of semantic information，Technical ReportNo.247[R].Massachusetts，MA：Research Laboratory of Electronics，MIT，1952.

[24]Bar-HillelY，CarnapR.Semantic information[J].The British Journal for the Philosophy of Science，1953，4（14） ：147-157.

[25]Brillouin L. Science and information theory[M].New York ： Academic Press，1956.

[26]Barwise J，Perry J.Situations and attitudes[J].The Journal of Philosophy，1981，78（11） ：668-691.

[27］石光明，肖泳，李瑩玉，等.面向萬物智聯的語義通信網絡[J].物 聯網學報，2021，5（2）：26-36．（Shi Guangming，Xiao Yong，Li Yingyu，etal.Semantic communicationnetworkingfor theintelligence of everything[J]. Chinese Journal on Internet of Things，2021，5 （2） ：26-36.）

[28]FloridiIOutline of information[1] Minds and Machines，2004，14（2）：197-221.

[29]D’Alfonso S. On quantifying semantic information[J]. Information， 2011，2（1） ：61-101.

[30]Xie Huiqiang，Qin Zhijin，Li G Y，et al.Deep learning enabled semantic communication systems[J]. IEEE Trans on Signal Processing， 2021，69 ：2663-2675.

[31]張平，牛凱，姚圣時，等.面向未來的語義通信：基本原理與實現方 法[J].通信學報，2023，44（5）：1-14.（Zhang Ping，Niu Kai，Yao Shengshi，et al.Semantic communications for future：basic principle and implementation methodology[J]. Journal on Communications， 2023，44（5） ：1-14.）

[32]Xie Huiqiang，Qin Zhijin.A lite distributed semantic communication system for Internet of Things[J]. IEEE Journal on Selected Areas in Communications，2021，39（1）：142-153.

[33]Weng Zhenzi，Qin Zhijin.Semantic communication systems for speech transmission[J].IEEE Jourmal on Selected Areas in Communications，2021，39（8）：2434-2444.

[34]Xie Huiqiang，Qin Zhijin，Tao Xiaoming，etal. Task-oriented multiuser semantic communications[J]. IEEE Journal on Selected Areas inCommunications，2022，40（9）：2584-2597.

[35]Xie Huiqiang，Qin Zhijin，Li G Y.Task-oriented multi-user semantic communications for VQA[J]. IEEE Wireless Communications Letters，2022，11（3） ：553-557.

[36] Zhang Guangyi，Hu Qiyu，Qin Zhijin，et al. A unified multi-task semanticcommunication system for multimodal data[J].IEEE Trans on Communications，2024，72（7） ：4101-4116.

[37] Peng Xiang，Qin Zhijin，Tao Xiaoming，et al. A robust semantic text communication system[J]. IEEE Trans on Wireless Communications，2024，23（9） ：11372-11385.

[38]Fu Qifan， Xie Huiqiang，Qin Zhijin，et al. Vector quantized semantic communication system[J]. IEEE Wireless Communications Letters，2023，12（6） ：982-986.

[39] Xie Huiqiang，Qin Zhijin，Li G Y.Semantic communication with memory[J].IEEE Joumal on Selected Areas in Communications， 2023，41（8） ：2658-2669.

[40]Weng Zhenzi，Qin Zhijin，Tao Xiaoming，etal.Deep learning enabledsemantic communications with speech recognition and synthesis[J]. IEEE Trans on Wireless Communications，2023，22（9）：6227-6240.

[41]Xiao Wenjing，TangYuan，Liu Jia，etal.Semantic-drivenefficient servicenetwork towardssmart healthcaresystem in intelligent fabric [J].IEEE Trans on Network Science and Engineering，2023，10 （5）：2480-2489.

[42]楊雨佳，宋奕樂，孫玉潔，等.面向機器視覺任務的語義傳輸方案 [J].移動通信，2024，48（2）：123-128．（Yang Yujia，Song Yile， Sun Yujie，et al.Semantic transmission schemes for machine vision tasks[J].Mobile Communications，2024，48（2）：123-128.）

[43]劉傳宏，郭彩麗，楊洋，等.人工智能物聯網中面向智能任務的語 義通信方法[J].通信學報，2021，42（11）：97-108.（Liu Chuanhong，Guo Caili，Yang Yang，et al. Intelligent task-oriented semantic communicationmethod inartificial intellgenceof things[J].Joumal on Communications，2021，42（11） ：97-108.）

[44]YangWanting，LiewZQ，LimWYB，et al.Semanticcommunication meets edge intelligence[J]. IEEE Wireless Communications， 2022，29（5） ：28-35.

[45]Huang Kaibin，Lan Qiao，Liu Zhiyan，et al.Semantic data sourcing for 6Gedgeintelligence[J].IEEECommunicationsMagazine，2023， 61（12） ：70-76.

[46]Huang Danlan，GaoFeifei，Tao Xiaoming，et al.Toward semanticcommunications：deep learning-based image semantic coding[J]. IEEE Journal onSelected Areas in Communications，2023，41（1） ：55- 71.

[47]Su Jiawei，Liu Zhixin，Xie Yuan’ai，et al.Semantic communicationbased dynamic resource allocation in D2D vehicular networks[J]. IEEE TransonVehicular Technology，2023，72（8）：10784- 10796.

[48]林潤韜，郭彩麗，陳九九，等.語義通信中基于深度雙Q網絡的多 維資源聯合分配算法[J].移動通信，2023，47（4）：45-53.（Lin Runtao，Guo Caili，Chen Jiujiu，etal.Multidimensional resource joint allcation algorithm based on deep double Q network in semantic communication[J].Mobile Communications，2023，47（4） ：45-53.）

[49］陳九九，郭彩麗，馮春燕，等.智能網聯環境下面向語義通信的資 源分配[J].物聯網學報，2022，6（3）：47-57．（Chen Jiujiu，Guo Caili，Feng Chunyan，et al. Resource alocation for the semantic communication in the intelligent networked environment[J].Chinese Journal on Internet of Things，2022，6（3）：47-57.）

[50]Lu Yang，Mao Weihao，Du Hongyang，etal.Semantic-aware visionassisted integrated sensing and communication：architecture and resource allocation[J]. IEEE Wireless Communications，2024，31 （3）：302-308.

[51]Raha AD，Munir MS，Adhikary A，et al.Anartificial intellgent-driven semantic communication framework for connected autonomous vehicular network[C]//ProcofInternational ConferenceonInformation Networking.Piscataway，NJ：IEEEPress，202352-57.

[52]Raha A D，Munir M S，Adhikary A ，et al. Generative AI-driven semantic communication framework for NextG wireless network[EB/OL]. （2023））. htps：//arxiv.org/abs/2310.09021.

[53]Yang Zhaohui，Chen Mingzhe，Li Gaolei，et al.Secure semantic communications：fundamentals and challenges[J].IEEE Network，2024， 38（6） ：513-520.

[54]Utkovski Z，Munari A，Caire G，et al.Semantic communication for edge intelligence：theoretical foundations and implications on protocols [J].IEEE Internet of ThingsMagazine，2023，6（4）：48-53.

[55]TishbyN，Pereira FC，Bialek W.The informationbotleneck method [EB/OL]. （2020-04-24）. htps：//arxiv.org/abs/physics/0004057.

[56]Lin Rongzhou，Kim HJ，Achavananthadith S，etal. Wireless batteryfree body sensor networksusing near-field-enabled clothing[J].Nature Communications，2020，11（1））：444.

[57]Shi Guangming，Xiao Yong，Li Yingyu，et al.From semantic communication to semantic-aware networking：model，architecture，and open problems[J].IEEE Communications Magazine，2021，59（8）：44-50.

[58] Ji Zelin，Qin Zhijin，Tao Xiaoming，et al.Resource optimization forsemantic-aware networkswith task offloading[J].IEEE Trans on Wireless Communications，2024，23（9）：12284-12296.

[59]Saadat H，AlbaseerA，AbdallahM，etal.Energy-awareserviceoffloading for semantic communications in wireless networks[EB/OL]. （2024-09-29）. https：//arxiv.org/abs/2401.15924.

[60]XiaLe，SunYao，NiyatoD，et al.Joint user associationand bandwidth allcation in semantic communication networks[J]. IEEE Trans on Vehicular Technology，2024，73（2） ：2699-2711.

[61]Yang Wanting，Du Hongyang，Liew ZQ，et al.Semanticcommnications for future Internet： fundamentals，applications，and challenges [J].IEEE Communications Surveys amp; Tutorials，2023，25（1）： 213-250.

[62]Qin Zhijin，Ying Jingkai，Yang Dingxi，et al.Computing networks enabled semantic communications[J].IEEE Network，2024，38（2）： 122-131.

[63]雷波，趙倩穎，趙慧玲.邊緣計算與算力網絡綜述[J].中興通訊 技術，2021，27（3）：3-6．（LeiBo，Zhao Qianying，Zhao Huiling. Overview of edge computing and computing power network[J]. ZTE Technology Jourmal，2021，27（3） ：3-6.）

[64］中興通信．自智網絡白皮書[R].2022.（ZTECommunication. White paper on autonomous network[R].2022）

[65]雷波，劉增義，王旭亮，等.基于云、網、邊融合的邊緣計算新方案： 算力網絡[J].電信科學，2019，35（9）：44-51．（LeiBo，Liu Zengyi，Wang Xuliang，et al. Computing network ： a new multi-access edge computing[J].Telecommunications Science，2019，35（9））： 44-51.）

[66] Tang Xiongyan，Cao Chang， Wang Youxiang，et al. Computing power network：the architecture of convergence of computing and networking towards 6G requirement[J].China Communications，2021，18（2）： 175-185.

[67]周曉茂，賈慶民，胡玉姣，等.自智算力網絡：架構、技術與展望 [J].物聯網學報，2023，7（4）：1-12.（Zhou Xiaomao，Jia Qingmin， Hu Yujiao，et al. Autonomous computing and network convergence：architecture，technologies，and prospects[J]. Chinese Journal on Internetof Things，2023，7（4） ：1-12.）

[68]Jia Qingmin，Hu Yujiao，Zhou Xiaomao，et al.Deterministiccomputing power networking： architecture ，technologies and prospects[EB/OL]. （2024-01-31）.https：//arxiv.org/abs/2401.17812.

[69] Guo Lujie，Guo Fengxian，Peng Mugen.A novel routing method for dynamic control in distributed computing power networks[J].Digital Communications and Networks，2024，10（6）：1644-1652.

[70]Tang Qinqin，Xie Renchao，Feng Li，etal. SIaTS： a service intentaware task scheduling framework for computing power networks[J]. IEEE Network，2024，38（4）：233-240.

[71]Di Zheng，Luo Tao，Qiu Chao，et al.In-network pooling： contributionaware allocation optimization for computing power network in B5G/6G era[J].IEEE Trans on Network Science and Engineering，2023， 10（3）：1190-1202.

[72]施巍松，孫輝，曹杰，等.邊緣計算：萬物互聯時代新型計算模型 [J].計算機研究與發展，2017，54（5）：907-924．（Shi Weisong， Sun Hui，Cao Jie，et al. Edge computing—an emerging computing model for the Internet of everything era[J].Journal of Computer Research and Development，2017，54（5） ：907-924.）

[73]SunYukun，Lei Bo，LiuJulin，etal.Computing powernetworkur vey[J]. China Communications，2024，21（9） ：109-145.

[74]Yang Ruizhe，Yu F R，Si Pengbo，et al. Integrated blockchain and edge computing systems：a survey，some research issues and challenges [J]. IEEE Communications Surveys amp; Tutorials，2019，21（2）： 1508-1532.

[75］中國移動研究院.算力網絡白皮書[R].2021.（China Mobile Research Institute.Computing force network white paper[R].2021.）

[76]Hua Haochen，Li Yutong，Wang Tonghe，et al.Edge computing with artificial intelligence ：a machine learning perspective[J].ACM Computing Surveys，2023，55（9） ：1-35.

[77]何濤，楊振東，曹暢，等.算力網絡發展中的若干關鍵技術問題分 析[J].電信科學，2022，38（6）：62-70.（He Tao，Yang Zhendong， Cao Chang，et al.Analysis of some key technical problems in the development of computing power network[J].Telecommunications Science，2022，38（6） ：62-70.）

[78]段曉東，姚惠娟，付月霞，等.面向算網一體化演進的算力網絡技 術[J].電信科學，2021，37（10）：76-85．（Duan Xiaodong，Yao Huijuan，Fu Yuexia，et al.Computing force network technologies for computing and network integration evolution[J].Telecommunications Science，2021，37（10）：76-85.）

[79]Liu Junlin，Sun Yukun，Su Junqi，et al.Computing power netork：;a testbed and applications with edge intellgence[C]//Proc of IEEE Conference on Computer CommunicationsWorkshops.Piscataway， NJ：IEEE Press，2022：1-2.

[80]張興，曲哲言，孫鈺坤，等.端側算力網絡：架構與關鍵技術[J]. 北京郵電大學學報，2024，47（3）：1-9，23．（Zhang Xing，Qu Zheyan，Sun Yukun，et al.Terminal-sidecomputing power network：architecture andkey technologies[J].Journal of Beijing Universityof Posts and Telecommunications，2024，47（3）：1-9，23.）

[81]牛凱，張平.語義通信的數學理論[J].通信學報，2024，45（6）：7- 59.（Niu Kai，ZhangPing.Amathematical theory of semantic communication[J]. Journal on Communications，2024，45（6） ：7-59.）

[82]Achiam J，Adler S，Agarwal S，et al. GPT-4 technical report[EB/ OL].（2024-03-04）. https：//arxiv.org/abs/2303.08774.

[83]Team G，Anil R，Borgeaud S，et al. Gemini：a family of highly capable multimodal models[EB/OL].（2023-12-19）.https：//arxiv.org/abs/ 2312. 11805.

[84]Xie Huiqiang，Qin Zhijin，Tao Xiaoming，et al. Towardsintelligent communications：Large model empowered semantic communications [EB/OL]. （2024-03-19）. https：//arxiv.org/abs/2402.13073.