中國科學(xué)院沈陽(yáng)自動(dòng)化研究所李安順，許馳，曾鵬

1　概述

在數字化轉型浪潮下，工業(yè)互聯(lián)網(wǎng)作為新一代信息技術(shù)與工業(yè)制造技術(shù)深度融合的產(chǎn)物，正重塑全球工業(yè)格局。它將互聯(lián)網(wǎng)、大數據、人工智能等前沿技術(shù)融入工業(yè)生產(chǎn)全流程，為制造業(yè)智能化升級注入強大動(dòng)力。然而，面向智能化升級的迫切要求，工業(yè)互聯(lián)網(wǎng)仍面臨諸多嚴峻挑戰。

首先，在數據層面，工業(yè)場(chǎng)景數據海量、多源且異構。各類(lèi)生產(chǎn)設備、傳感器及管理系統產(chǎn)生的數據格式多樣，格式涵蓋結構化生產(chǎn)參數、半結構化日志文件和非結構化圖像、視頻等。不同來(lái)源數據接口協(xié)議和存儲格式各異，導致數據整合、清洗與分析難度極大，數據價(jià)值難以充分挖掘。

其次，在算力層面，工業(yè)互聯(lián)網(wǎng)涉及從云、邊、端廣泛部署的計算資源，各層級算力差異顯著(zhù)。云端計算能力強大，但數據傳輸延遲較高，適用于大規模非實(shí)時(shí)計算任務(wù)；邊緣設備靠近數據源，能滿(mǎn)足部分實(shí)時(shí)性需求，但受硬件條件限制，算力相對薄弱。這種算力異構與不均衡嚴重制約整體計算效率。

最后，在算法層面，工業(yè)生產(chǎn)涵蓋設備故障預測、生產(chǎn)流程優(yōu)化、供應鏈管理等復雜業(yè)務(wù)場(chǎng)景，各場(chǎng)景對算法要求不同，且不同算法協(xié)同困難，難以實(shí)現全局最優(yōu)決策。

面向上述挑戰，迫切需要開(kāi)展工業(yè)互聯(lián)網(wǎng)的云邊端協(xié)同調度，如圖1所示。然而，傳統的優(yōu)化算法及小模型機器學(xué)習，并不足以解決復雜的網(wǎng)絡(luò )系統調度問(wèn)題，成為當前研究熱點(diǎn)。以大模型為代表的生成式人工智能，憑借強大的學(xué)習、泛化學(xué)習能力，為工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調度提供了新的思路。將網(wǎng)絡(luò )大模型與工業(yè)互聯(lián)網(wǎng)相結合意義重大。大模型不僅可深度分析工業(yè)互聯(lián)網(wǎng)中的海量異構數據，挖掘潛在規律和趨勢，為工業(yè)決策提供更具前瞻性和精準性的支持，還能根據業(yè)務(wù)需求和算力條件，智能優(yōu)化算法選擇與組合，實(shí)現高效任務(wù)調度和資源分配。其中，大模型可協(xié)調云邊端算力資源，根據任務(wù)實(shí)時(shí)需求動(dòng)態(tài)分配計算任務(wù)，提高整體算力利用率，降低能耗。

圖1 工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同

本文聚焦工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調度，綜合考量數據、算力、算法異構等因素，深入探討網(wǎng)絡(luò )大模型的應用。首先，本文剖析了云邊端協(xié)同調度的挑戰，然后闡述了NetGPT、NetLLM和LAMBO等典型網(wǎng)絡(luò )大模型及其應用，探討了不同網(wǎng)絡(luò )大模型的優(yōu)勢，最后提出了未來(lái)發(fā)展方向并分析了實(shí)施難點(diǎn)與解決方案。

2　基于網(wǎng)絡(luò )大模型的云邊端協(xié)同調度分析

2.1　工業(yè)互聯(lián)網(wǎng)數據異構難題與大模型破局

在工業(yè)互聯(lián)網(wǎng)領(lǐng)域，數據生態(tài)極為復雜，數據來(lái)源廣泛且多樣。不同設備和系統所采用的數據采集協(xié)議、格式存在巨大差異，結構化數據與非結構化數據同時(shí)存在。以汽車(chē)制造生產(chǎn)線(xiàn)為例，傳感器、機器人、數控機床等設備產(chǎn)生的數據，要進(jìn)行統一處理難度極大。在數據融合過(guò)程中，繁瑣的協(xié)議轉換和格式適配工作，會(huì )嚴重拉低數據處理的效率。同時(shí)，隨著(zhù)工業(yè)設備數量不斷攀升，數據量呈爆發(fā)式增長(cháng)態(tài)勢。傳統的數據處理方法以及傳統AI模型，由于其自身局限性，在特征提取和學(xué)習能力上較為薄弱，已難以滿(mǎn)足工業(yè)互聯(lián)網(wǎng)對數據深度分析和智能決策的要求。

與之形成鮮明對比的是，網(wǎng)絡(luò )大模型憑借其強大的特征提取和學(xué)習能力，能夠高效地整合并處理多種異構數據。大模型可以快速理解和分析不同格式、不同協(xié)議的數據，減少了數據處理過(guò)程中的繁瑣轉換環(huán)節。這不僅提升了數據處理效率，還為云邊端協(xié)同調度提供了全面、準確的數據支持，有力地推動(dòng)了工業(yè)互聯(lián)網(wǎng)智能化發(fā)展。

2.2　云邊端算力異構困境下的大模型的協(xié)同賦能

在工業(yè)互聯(lián)網(wǎng)體系里，云邊端設備算力呈現出顯著(zhù)的異構特性。云端擁有充沛的計算資源，具備強大的運算能力。然而，由于數據傳輸需要經(jīng)過(guò)網(wǎng)絡(luò )鏈路，不可避免地存在較高的通信時(shí)延，導致其難以滿(mǎn)足工業(yè)任務(wù)嚴苛的實(shí)時(shí)性要求。例如，工業(yè)生產(chǎn)線(xiàn)上毫秒級響應的設備控制與故障預警等場(chǎng)景。與之相對，邊緣設備雖然在數據傳輸上具有低時(shí)延的優(yōu)勢，能夠快速地對本地數據做出反應，但其硬件配置相對受限，算力單一且資源有限，難以獨立承擔復雜的計算任務(wù)，如大規模數據的深度分析與復雜模型的訓練。在生產(chǎn)高峰期，這種云邊端算力的不均衡問(wèn)題愈發(fā)凸顯。傳統的靜態(tài)資源分配策略缺乏靈活性與智能性，常導致邊緣設備因任務(wù)量過(guò)載而出現任務(wù)積壓，無(wú)法及時(shí)處理數據；與此同時(shí)，云端卻存在大量資源閑置未被充分利用，造成資源的極大浪費，嚴重制約了工業(yè)生產(chǎn)效率的提升和智能化發(fā)展進(jìn)程。

網(wǎng)絡(luò )大模型的出現為解決這一難題提供了創(chuàng )新思路與有效方案。與傳統機器學(xué)習小模型相比，網(wǎng)絡(luò )大模型在結構設計和算法優(yōu)化上展現出獨特優(yōu)勢。它能夠依據不同的算力條件，動(dòng)態(tài)調整自身的運行模式，實(shí)現高效運行。在邊緣側，大模型可利用其輕量化的結構和高效算法，快速對海量原始數據進(jìn)行預處理和初步分析，篩選出關(guān)鍵信息，極大地減少了向云端傳輸的數據量，降低了網(wǎng)絡(luò )帶寬壓力和傳輸時(shí)延。而在云端，憑借其強大的計算能力，大模型可開(kāi)展深度模型訓練和復雜決策計算，挖掘數據深層價(jià)值。通過(guò)這種云邊端協(xié)同的方式，網(wǎng)絡(luò )大模型可望實(shí)現云邊算力的合理分配與協(xié)同利用，有效克服了傳統機器學(xué)習在應對云邊算力異構問(wèn)題時(shí)的局限性，為工業(yè)互聯(lián)網(wǎng)的智能化升級提供了堅實(shí)的技術(shù)保障。

2.3　工業(yè)互聯(lián)網(wǎng)算法困局與大模型協(xié)同優(yōu)化

工業(yè)互聯(lián)網(wǎng)體系復雜，業(yè)務(wù)場(chǎng)景豐富多樣，其涵蓋生產(chǎn)制造、設備維護、供應鏈管理等多個(gè)領(lǐng)域。不同場(chǎng)景對調度算法有著(zhù)差異化的需求，例如在設備故障預測場(chǎng)景中，更側重于基于歷史數據和設備運行狀態(tài)進(jìn)行精準的故障概率推算；而在生產(chǎn)任務(wù)調度場(chǎng)景，則著(zhù)重于在有限資源下，依據訂單需求、生產(chǎn)流程等因素實(shí)現生產(chǎn)任務(wù)的高效分配。更為復雜的是，這些不同的算法之間存在相互干擾的可能性。

傳統的調度方法，包括基于規則的調度策略以及傳統機器學(xué)習所衍生的調度算法，在如此復雜的情況下暴露出諸多局限性。一方面，傳統方法難以對眾多不同類(lèi)型算法的內在關(guān)系進(jìn)行有效協(xié)調。由于其缺乏對各類(lèi)算法深層次理解和動(dòng)態(tài)調整能力，在實(shí)際應用中，當多個(gè)算法同時(shí)運行時(shí)，往往會(huì )出現顧此失彼的情況，無(wú)法實(shí)現系統整體的最優(yōu)調度。另一方面，傳統方法在面對場(chǎng)景變化時(shí)，缺乏自適應性和靈活性，難以快速調整算法以適應新的業(yè)務(wù)需求和約束條件。

網(wǎng)絡(luò )大模型憑借其強大的自適應學(xué)習能力，為解決上述難題提供了新的途徑。大模型能夠自動(dòng)學(xué)習不同算法的特點(diǎn)、適用條件以及它們之間潛在的相互作用關(guān)系。通過(guò)對大量歷史數據和實(shí)時(shí)信息的深度挖掘與分析，大模型可以進(jìn)行智能決策，在不同業(yè)務(wù)場(chǎng)景下精準選擇最合適的算法，并實(shí)現多算法的有機融合。這種算法協(xié)同優(yōu)化機制，不僅提高了云邊協(xié)同調度的整體效率，還增強了調度結果的準確性和穩定性。在實(shí)際工業(yè)生產(chǎn)中，大模型能夠顯著(zhù)提升生產(chǎn)效率、降低成本，有效克服傳統方法和傳統機器學(xué)習在工業(yè)互聯(lián)網(wǎng)調度應用中的瓶頸。

3　典型網(wǎng)絡(luò )大模型及其應用

3.1　NetGPT大模型

NetGPT是一款基于Transformer框架的網(wǎng)絡(luò )大模型，旨在攻克網(wǎng)絡(luò )流量建模與網(wǎng)絡(luò )任務(wù)優(yōu)化難題。在網(wǎng)絡(luò )流量處理與網(wǎng)絡(luò )任務(wù)執行中，傳統方法面臨數據、算力、算法異構的嚴峻挑戰。數據異構方面，網(wǎng)絡(luò )流量模式多樣，不同協(xié)議下流量頭部與負載語(yǔ)法結構差異大，加密流量增加了數據語(yǔ)義整合難度，且不同網(wǎng)絡(luò )任務(wù)數據處理需求不同，加劇了復雜性。算力異構方面，傳統針對特定任務(wù)構建模型，小樣本任務(wù)下模型訓練不充分，開(kāi)發(fā)成本高且算力利用低效，不同任務(wù)算力需求和計算方式差異大，調度協(xié)同困難。算法異構方面，不同網(wǎng)絡(luò )任務(wù)算法差異大，缺乏統一標準和接口，協(xié)同工作和整合困難，影響整體性能。

圖2 NetGPT架構

圖2所示是NetGPT的基本架構。處理數據異構時(shí)，采用基于十六進(jìn)制的通用編碼策略統一處理不同模式流量，重構詞匯表保留復雜語(yǔ)義，同時(shí)兼顧明密文流量，實(shí)現多源異構數據語(yǔ)義整合。應對算力異構，預訓練階段使用多場(chǎng)景無(wú)標簽數據集增強泛化能力以減少算力的浪費；微調階段通過(guò)打亂頭部字段等操作優(yōu)化數據處理，提升單向學(xué)習性能，緩解小樣本問(wèn)題，提高算力利用率。針對算法異構，建立統一算法框架整合不同算法模塊，實(shí)現數據和參數共享，設計標準化接口，提升算法兼容性和整體性能。

3.2　NetLLM大模型

NetLLM大模型結合大語(yǔ)言模型（LLMs）可解決數據、算力和算法異構問(wèn)題突出。數據異構時(shí)，網(wǎng)絡(luò )任務(wù)輸入模態(tài)多樣，與LLMs的純文本輸入不匹配，像ABR（自適應比特率流）任務(wù)中的網(wǎng)絡(luò )數據就難以被LLMs處理。算力異構時(shí)，設計適配的DNN架構困難且成本高，不同任務(wù)單獨建模導致算力分散，LLMs的應用更使問(wèn)題加劇，CJS（集群作業(yè)調度）任務(wù)就是典型例子。算法異構讓不同任務(wù)的算法協(xié)同困難，缺乏統一標準和接口，ABR與CJS任務(wù)的算法就難以協(xié)同。

圖3所示是NetLLM的基本架構。處理數據異構時(shí)，其多模態(tài)編碼器能把多模態(tài)數據轉成LLM可處理的形式，VP（視口預測）任務(wù)借助該編碼器，MAE（平均絕對誤差）相比提示學(xué)習方案降低19.7%。應對算力異構，NetLLM用網(wǎng)絡(luò )頭替代默認語(yǔ)言建模頭，提升算力效率，同時(shí)DD-LRNA（數據驅動(dòng)的低秩網(wǎng)絡(luò )適配）方案降低LLMs獲取知識成本，減少訓練時(shí)間和GPU內存消耗，ABR和CJS任務(wù)的訓練時(shí)間分別減少51.1%和37.7%，GPU內存消耗分別降低60.9%和15.1%。針對算法異構，NetLLM構建統一框架、設計標準化接口，提升算法兼容性與整體性能。在實(shí)際應用中，NetLLM在VP、ABR、CJS任務(wù)上優(yōu)勢明顯，分別降低MAE10.1%~36.6%、提升QoE14.5%~36.6%、減少JCT6.8%~41.3%，充分展現出其解決網(wǎng)絡(luò )異構問(wèn)題的能力。

3.3　LAMBO大模型

圖4 LAMBO架構

LAMBO同樣是一款基于Transformer架構的大模型，如圖4所示。但是，LAMBO是專(zhuān)門(mén)面向邊緣智能卸載的框架，旨在解決傳統邊緣智能卸載架構面臨的異構約束、部分感知、不確定泛化和缺乏可處理性等難題，推動(dòng)邊緣智能領(lǐng)域的發(fā)展。在傳統的邊緣智能卸載過(guò)程中，系統面臨數據、算力和算法異構的多重挑戰。

針對數據異構問(wèn)題，LAMBO采用輸入嵌入（Input Embedding，IE）技術(shù)，將各種異構輸入信息（如用戶(hù)設備的信道狀態(tài)、任務(wù)需求、邊緣服務(wù)器資源約束等）以及任務(wù)提示（如最小延遲或最小能耗）轉化為統一的歸一化特征表示，從而實(shí)現復雜約束條件下的高質(zhì)量特征表征。

針對算力異構問(wèn)題，LAMBO設計了非對稱(chēng)編碼器解碼器（Asymmetric Encoder-Decoder，AED）架構，其中深編碼器通過(guò)多層自注意力機制提取全局特征，淺解碼器則利用輕量級結構生成卸載決策與資源分配結果。在動(dòng)態(tài)環(huán)境中，LAMBO僅需對解碼器進(jìn)行微調，顯著(zhù)降低了計算資源需求，并支持并行計算加速，提升了資源受限場(chǎng)景下的推理效率。

針對算法異構問(wèn)題，LAMBO通過(guò)演員-評論家學(xué)習（Actor-Critic Learning，ACL）預訓練模型，使AED能夠從大量無(wú)標簽數據中學(xué)習多任務(wù)優(yōu)化目標的通用策略。進(jìn)一步，結合基于專(zhuān)家反饋的主動(dòng)學(xué)習，LAMBO在動(dòng)態(tài)環(huán)境中利用最大熵查詢(xún)策略篩選高價(jià)值樣本，并通過(guò)專(zhuān)家算法、混合整數規劃或啟發(fā)式算法，實(shí)現不同優(yōu)化目標與動(dòng)態(tài)環(huán)境的自適應跟蹤，且無(wú)需全模型重訓練。此外，LAMBO還引入自然語(yǔ)言提示（Prompts）作為任務(wù)指令，指導模型針對不同優(yōu)化目標生成差異化決策。例如，“最小延遲”提示驅動(dòng)模型優(yōu)先優(yōu)化時(shí)延敏感任務(wù)，而“最小能耗”提示則引導模型聚焦能效優(yōu)化。通過(guò)預訓練階段對多提示任務(wù)的聯(lián)合學(xué)習，LAMBO實(shí)現了單一模型對多目標任務(wù)的靈活適配，進(jìn)一步降低了算法異構場(chǎng)景下的模型維護成本。

4　未來(lái)研究方向

4.1　多模態(tài)模型協(xié)同

在未來(lái)工業(yè)互聯(lián)網(wǎng)應用中，業(yè)務(wù)復雜性使單一模型難以滿(mǎn)足需求，多模態(tài)模型融合成為提升云邊協(xié)同調度性能的關(guān)鍵。以智能電網(wǎng)為例，Transformer模型預處理電力數據，提取時(shí)間序列特征；圖神經(jīng)網(wǎng)絡(luò )（GNN）模型分析電網(wǎng)拓撲結構；強化學(xué)習模型依據實(shí)時(shí)反饋動(dòng)態(tài)調整配電策略，多模型協(xié)作互補，降低電網(wǎng)損耗，提高運行效率，增強電網(wǎng)對復雜工況的適應能力。

多模態(tài)模型融合面臨著(zhù)很多技術(shù)挑戰。不同模態(tài)模型架構、訓練及數據處理差異大，融合時(shí)易出現參數不匹配、數據接口不兼容問(wèn)題；各模型優(yōu)化目標不同，協(xié)同優(yōu)化時(shí)參數調整相互干擾，統一優(yōu)化策略制定困難。

為此，可開(kāi)發(fā)統一數據接口規范與中間件，構建通用數據預處理模塊，實(shí)現數據標準化轉換與傳遞；采用分層優(yōu)化與聯(lián)合訓練方法，利用多目標優(yōu)化算法平衡模型優(yōu)化目標，減少模型間干擾，提升協(xié)同優(yōu)化效果，推動(dòng)工業(yè)互聯(lián)網(wǎng)發(fā)展。

4.2　大模型的云邊端協(xié)同部署

大模型的云邊端協(xié)同部署是推動(dòng)工業(yè)互聯(lián)網(wǎng)高效運行的核心。云端利用強大計算資源進(jìn)行模型訓練和復雜數據處理；邊緣端憑借低時(shí)延特性，對實(shí)時(shí)性要求高的數據進(jìn)行快速預處理和本地決策；終端設備負責數據采集和簡(jiǎn)單交互操作。這種協(xié)同部署可減少數據傳輸量，降低網(wǎng)絡(luò )壓力，提高系統響應速度和整體性能。結合5G技術(shù)的低時(shí)延特性和物聯(lián)網(wǎng)的數據采集能力，能為大模型協(xié)同運行提供有力支撐，助力實(shí)現更高效、智能的工業(yè)生產(chǎn)。

然而，大模型云邊端協(xié)同部署仍面臨一定問(wèn)題。首先，工業(yè)場(chǎng)景網(wǎng)絡(luò )環(huán)境復雜，信號干擾與網(wǎng)絡(luò )擁塞影響數據穩定及時(shí)傳輸。其次，云邊端協(xié)同作業(yè)涉及大量敏感數據，存在泄露、篡改風(fēng)險，威脅企業(yè)生產(chǎn)運營(yíng)安全。最后，不同工業(yè)場(chǎng)景對云邊端資源需求不同，資源分配不均衡影響系統整體性能。

針對這些問(wèn)題，可采取以下策略：網(wǎng)絡(luò )優(yōu)化方面，借助5G切片技術(shù)為不同工業(yè)應用分配專(zhuān)屬網(wǎng)絡(luò )資源，結合邊緣緩存和本地處理技術(shù)，降低網(wǎng)絡(luò )傳輸壓力，保障數據穩定、高效傳輸；數據安全層面，運用加密算法確保數據在傳輸與存儲過(guò)程中的保密性和完整性，通過(guò)身份認證和訪(fǎng)問(wèn)控制技術(shù)杜絕非法訪(fǎng)問(wèn)，防止數據泄露；資源分配領(lǐng)域，開(kāi)發(fā)基于實(shí)時(shí)資源監測和任務(wù)需求預測的智能調度算法，依據云邊端資源使用狀況和任務(wù)負載動(dòng)態(tài)調整分配策略，實(shí)現資源合理配置與高效利用。

4.3　行業(yè)定制模型開(kāi)發(fā)

工業(yè)互聯(lián)網(wǎng)涉及眾多行業(yè)，各行業(yè)生產(chǎn)流程、業(yè)務(wù)需求和數據特征獨特，通用模型難以滿(mǎn)足特定行業(yè)精準需求。開(kāi)發(fā)行業(yè)定制模型成為未來(lái)工業(yè)互聯(lián)網(wǎng)發(fā)展的重要方向。以汽車(chē)制造行業(yè)為例，結合其高精度裝配要求、復雜供應鏈管理和嚴格質(zhì)量控制需求，采集生產(chǎn)過(guò)程、零部件、質(zhì)量檢測等數據，利用深度學(xué)習技術(shù)構建定制模型，可在生產(chǎn)過(guò)程監控、質(zhì)量預測、供應鏈優(yōu)化等方面發(fā)揮重要作用，相比通用模型其性能和準確性顯著(zhù)提升。能源開(kāi)采、電子制造、航空航天等行業(yè)也可依自身特點(diǎn)開(kāi)發(fā)定制模型，實(shí)現工業(yè)互聯(lián)網(wǎng)在各行業(yè)的深度應用和智能化升級。

在行業(yè)定制模型開(kāi)發(fā)過(guò)程中，面臨行業(yè)數據獲取困難、模型泛化性與特異性難平衡、行業(yè)知識融合復雜等問(wèn)題。對此，可建立數據共享與合作機制，如搭建共享平臺、運用聯(lián)邦學(xué)習技術(shù)；采用多階段模型訓練與優(yōu)化，先訓練通用基礎模型再結合行業(yè)數據微調；借助知識圖譜與專(zhuān)家系統輔助，如構建知識圖譜、結合專(zhuān)家系統并加強團隊建設提升協(xié)作效率等方式解決。

5　結論

本文全面深入地探討了工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調度中的關(guān)鍵問(wèn)題，以及網(wǎng)絡(luò )大模型在解決這些問(wèn)題中的創(chuàng )新應用和未來(lái)發(fā)展方向。通過(guò)對數據、算力、算法異構挑戰的分析，本文揭示了傳統方法的局限性，凸顯了網(wǎng)絡(luò )大模型的優(yōu)勢。NetGPT、NetLLM和LAMBO等模型在工業(yè)互聯(lián)網(wǎng)云邊端協(xié)同調度中的應用，為實(shí)現高效、智能的調度提供了新途徑。同時(shí)，多模態(tài)模型融合、云邊端協(xié)同部署創(chuàng )新和行業(yè)定制模型開(kāi)發(fā)等未來(lái)方向，為工業(yè)互聯(lián)網(wǎng)的進(jìn)一步發(fā)展指明了道路。隨著(zhù)技術(shù)進(jìn)步和工業(yè)互聯(lián)網(wǎng)應用拓展，網(wǎng)絡(luò )大模型在云邊端協(xié)同調度中的應用將更加廣泛深入，有望推動(dòng)工業(yè)互聯(lián)網(wǎng)實(shí)現更高水平的自動(dòng)化和智能化。

★基金項目：國家自然科學(xué)基金資助項目（92267108，62173322）；遼寧省科學(xué)技術(shù)計劃資助項目（2023JH3/10200004，2022JH25/10100005）；興遼英才計劃項目（XLYC2403062）。

作者簡(jiǎn)介：

李安順（2002-），男，河南周口人，碩士研究生，現就讀于中國科學(xué)院大學(xué)、中國科學(xué)院沈陽(yáng)自動(dòng)化研究所，研究方向為網(wǎng)絡(luò )大模型、邊緣計算。

許　馳（1987-），男，遼寧沈陽(yáng)人，研究員，博士，現就職于中國科學(xué)院沈陽(yáng)自動(dòng)化研究所，研究方向為工業(yè)互聯(lián)網(wǎng)、邊緣計算和人工智能。

曾　鵬（1976-），男，遼寧沈陽(yáng)人，研究員，博士，現任中國科學(xué)院沈陽(yáng)自動(dòng)化研究所副所長(cháng)，研究方向為工業(yè)互聯(lián)網(wǎng)、邊緣計算。

摘自《自動(dòng)化博覽》2025年2月刊