提示驱动的低空边缘智能：模块化代理与生成式推理

大型人工智能模型（LAMs）在感知、推理和多模态理解方面表现出强大能力，能够为低空边缘智能提供先进功能。然而，LAMs在边缘部署仍受到一些根本性限制。首先，任务与特定模型紧密绑定，限制了灵活性；其次，全规模LAMs的计算和内存需求超出了大多数边缘设备的容量；此外，当前的推理流程通常是静态的，难以应对任务的实时变化。为了解决这些挑战，本文提出了一种提示到代理的边缘认知框架（P2AECF），实现灵活、高效和自适应的边缘智能。具体而言，P2AECF通过三种关键机制将高层语义提示转换为可执行的推理工作流。第一，基于提示的认知解析将任务意图转化为抽象且与模型无关的表示形式；第二，基于代理的模块化执行根据当前资源条件动态选择轻量级且可重用的认知代理来实例化任务；第三，扩散控制的推理规划通过结合运行时反馈和系统上下文自适应地构建和优化执行策略。此外，本文通过一个代表性的低空智能网络用例展示了该框架的能力，证明其可以为实时低空空中协作提供自适应、模块化和可扩展的边缘智能。