摘要
随着物联网感知设备与人工智能技术的深度融合，边缘 AI 推理已成为下一代移动通信系统的核心范式。然而，传统面向数据重建的通信架构在带宽受限、信道时变及终端算力异构的实际边缘环境中，难以满足低时延、高精度的推理需求。为此，本文提出一种面向边缘 AI 推理的任务导向语义通信编码与传输优化框架：在信源侧，以信息瓶颈（Information Bottleneck, IB）理论为指导，将原始数据压缩为任务相关的紧致语义特征，从源头剔除与下游推理无关的信息冗余；在信道侧，采用深度联合信源信道编码（Deep JSCC）实现语义特征的自适应调制与传输，并联合优化码本大小、调制阶数、功率及带宽分配，以适应动态无线环境。本文从信息论角度推导了任务导向通信的率失真边界，给出了变分信息瓶颈（Variational Information Bottleneck, VIB）的可处理近似与稀疏化编码方案，并结合多用户图像分类、边缘视频分析及 Transformer 语义令牌通信等典型案例验证了框架的有效性。实验表明，相较于传统压缩-传输方案，本框架在典型边缘场景下可降低 90% 以上的传输比特量，同时将推理精度损失控制在 1% 以内。
关键词：边缘 AI 推理；任务导向通信；语义通信；信息瓶颈；联合信源信道编码；资源分配
1 引言
1.1 研究背景
香农信息论奠定了经典通信系统的设计哲学，即在接收端尽可能精确地重建信源数据，即“面向重建的通信”（reconstruction-oriented communications）。然而，在边缘 AI 推理场景中，通信的最终目的并非数据重建，而是支撑远端服务器上的机器学习模型完成特定推理任务（如分类、检测、分割等）。在此新范式下，继续沿用“高保真数据重建”的目标不仅存在冗余，更会在带宽、时延、能耗等严苛约束下成为系统性能的瓶颈。
边缘 AI 推理的典型链路为：资源受限的边缘设备采集原始数据（图像、视频、传感器时序数据等），经特征提取后上传至具备强大算力的边缘服务器，由服务器上的深度学习模型完成推理并返回结果。在此过程中，设备与服务器间的无线通信常面临带宽受限、信道时变及多用户干扰等挑战，而边缘设备本身亦受限于算力、内存与电池容量。如何在上述严苛约束下，以最低的通信开销支撑高精度推理，是边缘智能迈向大规模落地的关键科学问题。
1.2 任务导向通信的提出
针对上述矛盾，任务导向通信（Task-Oriented Communication, TOC）应运而生。其核心思想是：将通信模块的设计目标从“数据重建”转向“任务执行”，即仅提取并传输对下游推理任务至关重要的语义信息，而丢弃所有任务无关的冗余。这一思想与语义通信（Semantic Communication）“传输意义而非比特”的理念高度契合。
近年来，相关理论与技术取得显著进展：Shao 等人率先将信息瓶颈理论引入边缘推理的任务导向通信设计，建立了特征提取与率-相关性权衡的数学框架；后续研究进一步扩展至多设备协同推理、边缘视频分析及 Transformer 语义令牌通信等场景。与此同时，如何使基于深度学习的语义通信兼容现有数字通信系统（如离散调制、数字码本），亦成为产业落地的重要课题。
1.3 本文贡献
本文系统阐述了面向边缘 AI 推理的任务导向语义通信编码与传输优化理论，主要贡献如下：
理论层面：基于信息瓶颈与率失真理论，构建了边缘推理任务导向通信的信息论模型，阐明了以“任务损失”替代“重建失真”作为优化目标的合理性，并推导了紧致语义特征的最优率-任务性能权衡边界。
编码层面：给出了 VIB 框架下的可处理优化方案，通过引入稀疏化先验实现语义特征的自适应压缩；进一步提出了兼容数字通信系统的矢量量化 JSCC 架构。
传输层面：针对多用户、动态信道的边缘环境，建立了联合优化压缩比、调制阶数、功率与带宽分配的资源分配模型，并设计了相应的双层优化算法。
实证层面：结合图像分类、视频分析及 Transformer 推理等典型案例，定量验证了所提框架相较于传统方案的优越性。
2 系统模型与问题形式化
2.1 边缘推理通信模型
考虑一个典型的边缘 AI 推理系统：第 k 个低性能边缘设备（）采集本地数据样本 xk，通过无线信道上传至高性能边缘服务器，由服务器上的推理模型 fθ 输出任务结果 y^k。受限于设备算力，无法本地运行完整模型，因此需在设备上部署轻量级特征提取器 gϕk，将 xk 映射为低维语义特征 ，再经信道编码与调制后传输。
设设备 k 的发射功率为 pk，分配带宽为 bk，采用调制阶数为 Mk，压缩码本大小为 Nk（决定语义特征的离散化粒度）。在瑞利衰落信道下，接收端信噪比可表示为：
γk=bkN0pk∣hk∣2
其中 hk 为信道增益，N0 为噪声功率谱密度。
2.2 任务导向的目标函数
传统通信以最小化重建误差 为目标。而在边缘推理场景下，优化目标应直接关联任务性能。定义任务损失为 L(yk,y^k)，其中 yk 为真实标签， 为基于接收特征 z^k 的推理输出。
由此，设备 k 的优化问题可形式化为：
ϕk,pk,bk,Mk,Nkmins.t.Ep(xk,yk)[L(yk,fθ(z^k))]Rk(ϕk,Nk,Mk)≤bklog2(1+γk)(速率约束)Tk(⋅)≤Tmax(时延约束)k∑pk≤Pmax,k∑bk≤Bmax(总资源约束)
其中 Rk 为语义特征所需的传输速率，Tk 为端到端时延（含编码、传输、解码及推理）。该问题具有高度非凸、变量强耦合的特点，且任务损失关于特征编码器的梯度难以解析表达，需通过端到端学习的方式进行求解。
3 任务导向编码的信息论基础
3.1 从率失真理论到信息瓶颈
经典率失真理论在固定失真度量下寻求最小编码速率。在任务导向通信中，失真度量被替换为任务损失，优化目标转化为“特征信息量”与“通信开销”之间的权衡，这正是信息瓶颈理论的范畴。
具体而言，对于边缘设备上的特征提取器 gϕ，信息瓶颈目标定义为：
ϕmin−I(Y;Z)+βI(Z;X)
其中 为语义特征，Y 为任务标签，I(⋅;⋅) 为互信息， 为权衡参数。I(Y;Z) 项促使特征保留与任务相关的信息，I(Z;X) 项则约束特征复杂度以降低通信开销。
这一框架为任务导向编码提供了原则性的率-任务性能权衡刻画：当 时，特征尽可能保留任务相关信息（对应高通信开销）；当 时，特征被极致压缩（对应低任务性能）。最优工作点取决于具体场景的带宽预算与精度要求。
3.2 变分近似与稀疏化编码
对于高维数据（如图像），互信息的精确计算通常不可行。Shao 等人采用变分信息瓶颈（VIB）构建了可处理的上界：
LVIB(ϕ)=−Ep(y,z)[logqθ(y∣z)]+βDKL(pϕ(z∣x)∥q(z))
其中 q(z) 为预先设定的变分先验。为进一步提升压缩效率，可选用 Log-Normal 等具有稀疏诱导特性的先验分布，使得编码后的特征向量中大量维度趋近于零，从而在传输时仅激活少量维度，显著降低有效传输速率。
3.3 兼容数字通信系统的语义编码
深度 JSCC 直接将特征映射为连续信道符号，虽性能优越但与现有数字通信系统不兼容。为解决此问题，Adaptive-SCRAM 方案采用矢量量化变分自编码器（VQ-VAE）架构：将连续语义特征映射到有限的离散码本中，再结合自适应调制实现数字语义传输。该方案在瑞利衰落信道下，针对不同 SNR 与调制阶数，联合优化语义熵最大化与码本训练损失最小化，实现了语义通信与现有数字基础设施的有效兼容。
3.4 信道上的率受限远程推理
在噪声信道中传输语义特征时，需进一步考量信道损伤对任务性能的影响。UCL 相关研究指出，“率受限远程推理”（rate-limited remote inference）理论为噪声信道下的任务导向传输提供了信息论基础：即在给定信道容量下，寻求最优的信源-信道联合编码策略，以最小化端到端任务损失。联合信源信道编码（JSCC）正是这一理论在深度学习时代的具体实现——通过端到端训练，使编码器能够自适应信道条件，在 SNR 较低时自动增强特征的鲁棒性。
4 传输优化：动态信道下的资源分配
4.1 多用户联合优化问题
在实际边缘系统中，多个设备共享基站的无线资源。以多用户图像分类为例，目标是在传输时延约束下最大化整体分类精度。优化变量涵盖每个用户的压缩码本大小 Nk、调制阶数 Mk、功率 pk 与带宽 bk。
由于分类精度与 (Nk,Mk,γk) 之间呈复杂的非线性关系，Adaptive-SCRAM 方案首先通过端到端架构训练，数学拟合出分类精度关于压缩码本大小与接收 SNR 在不同调制阶数下的映射关系，为后续优化提供了有效基础。
4.2 双层优化算法
上述联合优化问题高度非凸，难以直接求解。Adaptive-SCRAM 提出了一种双层优化算法：
外层问题（离散变量优化）：优化压缩码本大小 与调制阶数 ，采用基于交叉熵的学习算法求解。
内层问题（连续变量优化）：在给定外层变量的前提下，优化功率 与带宽 的分配，采用逐次凸逼近（Successive Convex Approximation, SCA）方法求解。
该算法在保障分类精度的同时，显著降低了多用户场景下的传输时延与资源消耗。
4.3 基于 Lyapunov 优化的动态资源分配
针对信道时变特性，Adaptive Semantic Token Communication 方案进一步引入 Lyapunov 随机优化理论，在动态网络条件下联合优化语义令牌数量与嵌入维度，实现压缩效率与任务性能的自适应平衡。该方案基于可动态配置的 Transformer 驱动 DJSCC 架构，将输入数据令牌化为紧致的高级语义表示，通过语义令牌选择机制自适应压缩为指定数量的令牌，再根据信道条件调整令牌的嵌入维度，从而在变化的带宽与信道状况下实现高效的任务感知数据传输。
5 典型案例与分析
5.1 案例一：多用户图像分类中的自适应语义压缩
场景描述：多个边缘设备（如监控摄像头）将采集的图像上传至边缘服务器进行实时分类。传统方案将图像压缩后传输，带宽消耗巨大且时延较高。
方案要点：
设备端采用 VQ-VAE 架构提取离散语义令牌，码本大小 可动态调整；
根据实时 SNR 选择调制阶数 ；
边缘服务器通过双层优化算法为每个用户分配最优 。
效果：仿真结果表明，相比固定配置的基准方案，Adaptive-SCRAM 在多用户分类场景下，在保证分类精度的同时显著降低了传输时延，实现了传输资源的高效利用。
5.2 案例二：边缘视频分析中的时空语义编码
场景描述：多摄像头协同的行人占用预测与物体检测任务。视频数据具有极强的时空冗余，传统视频编码（如 H.264/HEVC）面向重建优化，与任务需求错配。
方案要点（TOCOM-TEM 框架）：
基于确定性信息瓶颈提取任务相关特征，消除空间冗余；
设计时域熵模型（Temporal Entropy Model），利用前后帧特征的时空相关性，以先前帧特征作为边信息对当前帧进行熵编码，消除时间冗余；
服务器端构建时空融合模块，整合当前与历史特征进行联合推理。
效果：在香港科技大学等机构的实验中，TOCOM-TEM 相比传统图像/视频编码方法，在保证检测精度的前提下大幅降低了通信开销，验证了“在特征域而非像素域消除冗余”的任务导向设计哲学的有效性。
5.3 案例三：Transformer 驱动的语义令牌通信
场景描述：资源受限边缘设备需要为边缘服务器上的 Transformer 模型选择性传输目标检测所需的关键特征。
方案要点：
输入数据被令牌化为紧凑的高级语义表示，并由 Transformer 进行精炼；
语义令牌选择机制自适应地将每样本令牌压缩至指定数量；
经 JSCC 模块进一步压缩，灵活调整传输令牌数与嵌入维度；
基于 Lyapunov 随机优化的资源分配算法增强了动态网络下的鲁棒性。
效果：实验证明该系统持续优于现有基线方法，为边缘智能应用中的 AI 原生语义通信奠定了坚实基础。
5.4 案例四：边缘智能中的任务-重建对齐通信
场景描述：在自动驾驶、语义分割等边缘智能应用中，需兼顾任务性能与数据重建需求。
方案要点：“对齐任务与重建导向通信”（ATROC）框架扩展了信息瓶颈理论，通过最小化任务相关损失函数来优化数据传输，同时保持原始数据的结构。
效果：在 CARLA 自动驾驶模拟器的评估中，ATROC 相比 JPEG、JPEG2000、BPG 等现有方法，每服务比特数（Bits-per-Service）降低达 99.19%，且不损害任务执行的有效性。这一显著成效揭示了任务导向通信在极端带宽受限场景下的巨大潜力。
5.5 工业界实践佐证
产业界的边缘 AI 部署进一步验证了任务导向设计的实用价值：
工业质检：某 3C 制造厂部署边缘 AI 质检系统后，检测效率提升至 0.12 秒/件，误检率降至 0.8%，带宽消耗减少 92%。
智慧交通：路侧单元融合激光雷达与摄像头数据，在边缘完成 3D 目标检测，系统对突发障碍物的响应时间从云端模式的 280 ms 缩短至 95 ms，追尾事故率下降 73%。
农业监测：田间传感器采用 TinyML 模型在边缘完成病虫害识别，仅回传关键决策信息，节省 90% 以上的传输能耗。
上述案例共同表明：将“传输任务相关信息而非原始数据”的理念落实到编码与传输优化中，能在真实场景中带来数量级的效率提升。
6 挑战与未来方向
尽管任务导向语义通信在理论与应用上均取得了显著进展，但仍面临若干开放挑战：
6.1 理论层面
语义熵的统一定义尚未形成。Carnap 与 Bar-Hillel 早在 1952 年就提出了基于逻辑概率的语义熵度量，但迄今不同学者从不同视角给出了多种定义，缺乏统一框架。率-失真-感知权衡、上下文作为边信息等问题的信息论刻画仍需深化。
6.2 技术层面
异构设备协同：边缘设备在计算能力、数据分布上的异构性，给分布式信息瓶颈优化带来挑战。“面向时间序列预测任务的异构联邦语义通信”等工作尝试通过联邦嵌入算法解决知识稀缺问题，但通用性有待提升。
动态环境下的自适应：实际无线信道具有时变性、突发性，如何设计轻量级、快速响应的自适应编码传输机制仍是难点。
与 6G 网络的融合：语义通信作为 6G 的核心候选技术，需要与网络切片、算力网络等新型基础设施深度协同。
6.3 应用层面
大模型边缘推理：随着大语言模型（LLM）向边缘端下沉，如何在边缘异构集群上实现分布式弹性推理（如工业边缘异构集群的大模型分布式弹性推理框架），对任务导向编码提出了新要求。
隐私与安全：语义特征虽降低了原始数据泄露的风险，但特征本身可能蕴含敏感信息，需结合联邦学习、差分隐私等技术构建安全的语义通信体系。
7 结论
本文围绕“面向边缘 AI 推理的语义通信任务导向编码与传输优化”这一主题，从信息论基础、编码方法、传输优化及案例验证四个维度进行了系统阐述。
核心论点可归纳为三点：
目标重构：边缘 AI 推理中的通信目标应从“数据重建”转向“任务执行”，以任务损失替代重建失真作为优化准则，信息瓶颈理论为这一重构提供了严谨的数学框架。
编码革新：基于 VIB 的稀疏化编码、矢量量化 JSCC、Transformer 语义令牌等方法的提出，使任务导向编码既能实现极高的压缩效率，又能兼容现有数字通信系统。
传输协同：在动态多用户边缘环境中，通过双层优化、Lyapunov 随机优化等方法联合优化压缩、调制、功率及带宽等变量，可最大化整体任务性能。
典型案例表明，任务导向语义通信在图像分类、视频分析、自动驾驶等场景中可实现 90%~99% 的传输比特量节省，同时保障推理精度，展现出显著的效率优势。随着 6G 与边缘智能的深度融合，任务导向语义通信有望成为未来无线通信系统的主流范式，真正实现“传输意义而非比特”的通信愿景。