When Large Language Model Agents Meet 6G Networks: Perception, Grounding, and Alignment

本文是LLM系列文章，针对《When Large Language Model Agents Meet 6G Networks: Perception, Grounding, and Alignment》的翻译。

摘要

基于多模态大语言模型（LLM）的人工智能代理有望彻底改变人机交互，并在医疗、教育、制造和娱乐等各个领域提供更个性化的辅助服务。在6G网络中部署LLM代理使用户能够通过移动设备民主地访问以前昂贵的人工智能助理服务，从而减少交互延迟，更好地保护用户隐私。然而，移动设备的有限容量限制了部署和执行本地LLM的有效性，这需要在长期交互期间将复杂任务卸载到运行在边缘服务器上的全局LLM。在本文中，我们提出了一种用于6G网络中LLM代理的分离学习系统，该系统利用移动设备和边缘服务器之间的协作，其中具有不同角色的多个LLM分布在移动设备和边界服务器之间，以协作执行用户-代理交互任务。在所提出的系统中，LLM代理被分为感知、基准和对齐模块，促进了模块间通信，以满足用户对6G网络功能的扩展需求，包括集成传感和通信、数字孪生和面向任务的通信。此外，我们在所提出的系统中为LLM引入了一种新的模型缓存算法，以提高上下文中的模型利用率，从而降低协作移动和边缘LLM代理的网络成本。

1 引言

2 6G网络中LLM代理的协同端云计算

3 用于无线感知的ISAC：普遍性和适应性

4 无线接地的数字孪生：可靠性和一致性

5 面向任务的无线对准通信：可信赖性和可推广性

6 协作移动和边缘LLM代理的模型缓存实例研究

7 结论和未来方向

在本文中，我们提出了一种用于6G网络中协作端边缘云计算的LLM代理的分离学习系统，用于多模式感知、交互基础和对齐。我们介绍了LLM代理的演变，以及通过协作移动和边缘LLM代理在端边缘云计算上构建LLM代理。此外，我们还研究了开发移动边缘授权代理时的通信和网络问题，包括感知、基准和对齐。最后，我们开发了一个移动和边缘LLM代理在车载网络中应用的用例，并提出了一种模型缓存算法，以优化AI代理服务的性能，同时降低执行成本。
在未来的研究中，探索6G网络和人工智能代理的进一步集成是很重要的。这可能涉及结合下一代多址、元表面和空中计算，以支持动态无线环境中的LLM代理。此外，解决移动和边缘LLM代理之间协作过程中可能出现的模型隐私问题至关重要。这将有助于防止任何潜在的信息泄露，尤其是在恶意边缘服务器可能试图通过运行模型访问用户的私人信息的情况下。