核心发现
方法论
本文采用主动推理（Active Inference, AIF）结合部分可观测马尔可夫决策过程（POMDP）模型，设计分布式智能代理管理计算连续体中的服务。每个服务由AIF代理自主评估SLOiD（设备感知的服务水平目标），通过学习或预设转移模型实现自适应调节。实验中，模型在不同场景下实现了超过90%的SLOiD满足率，学习模型在部署中达80%左右。与多智能体强化学习（MARL）相比，AIF无需大量训练即可立即运行，表现出优越的启动效率。代理间通过信息交换协作，增强系统鲁棒性。
关键结果
- 在测试模型中，AIF代理实现了超过90%的SLOiD满足率，学习模型在部署初期达80%，显著优于传统方法的快速响应能力。
- 与MARL相比，AIF在训练时间上节省了约70%，且在动态环境中表现出更强的适应性和鲁棒性。
- 在服务卸载场景中，AIF展现出优异的环境适应能力，能根据环境变化自主调整策略，确保系统稳定。
研究意义
该研究突破了计算连续体中分布式自主管理的技术瓶颈，为未来大规模异构资源的智能调度提供理论基础。通过引入主动推理机制，有效解决了异构设备资源有限、动态变化带来的管理难题，推动边缘计算、物联网等应用的智能化发展。这不仅提升了系统的自适应能力，也为实现高效、弹性、可靠的分布式服务提供了新路径，具有深远的学术和工业价值。
技术贡献
本文首次将主动推理（AIF）应用于分布式计算连续体中的多智能体服务管理，提出基于POMDP的模型框架，结合自由能原理实现自主调节。创新点在于：1）引入设备感知的SLOiD概念，增强非功能需求的上下文感知；2）设计无需大量训练即可即刻部署的AIF代理，提升系统启动效率；3）实现代理间信息协作，增强系统鲁棒性。该方法突破了传统强化学习对训练时间的依赖，为边缘智能提供了新技术路径。
新颖性
本研究首次将主动推理与分布式服务管理结合，提出设备感知的SLOiD概念，解决异构资源动态管理难题。相比现有MARL方法，AIF无需大规模训练即可即刻应用，具有更强的适应性和弹性。这在边缘计算和物联网场景中具有重要创新意义，为未来自主系统的发展提供了理论和实践基础。
局限性
- 模型假设完美感知，实际应用中可能受到传感噪声和信息不完整影响，需引入鲁棒性机制。
- 当前实验主要在模拟环境，实际大规模部署的性能和通信开销尚待验证。
- 模型在极端动态环境下的适应能力仍需进一步优化，特别是在高频环境变化中的反应速度。
未来方向
未来将探索引入鲁棒感知机制，提升模型在不完美信息下的表现；扩展多层次协作策略，增强系统规模化能力；结合边缘设备的硬件特性，优化模型复杂度与能耗比，推动主动推理在实际大规模计算连续体中的落地应用。
AI 总览摘要
随着物联网、边缘计算和云计算的快速发展，传统集中式管理方式逐渐难以满足大规模异构资源的动态调度需求。计算连续体（CC）作为新兴架构，将边缘设备、物联网传感器和云端数据中心整合为统一的智能平台，面临设备异构、资源有限和环境动态变化等挑战。为应对这些问题，本文提出基于主动推理（Active Inference, AIF）的分布式智能框架，设计了多智能体自主服务管理系统。
该系统中的每个服务由AIF代理自主评估其服务水平目标（SLOiD），通过学习或预设的转移模型实现自适应调节。AIF代理利用自由能原理，持续推断环境状态，优化决策策略，确保系统整体稳定。实验结果显示，采用测试模型的AIF代理在多场景下实现了超过90%的SLOiD满足率，学习模型在部署初期也达到了80%左右。与传统的多智能体强化学习（MARL）相比，AIF无需大量训练，能从一开始就高效运行，展现出优越的启动响应能力。
此外，AIF代理在服务卸载和环境变化中表现出强大的适应能力，能自主调整策略应对动态环境。该研究为大规模异构资源的智能调度提供了新思路，推动了边缘智能和物联网应用的技术创新。未来工作将聚焦于模型鲁棒性提升、系统规模扩展以及实际部署优化，助力主动推理在计算连续体中的广泛应用。
深度分析
研究背景
近年来，随着物联网、边缘计算和云计算的融合，计算连续体（CC）逐渐成为大规模异构资源管理的核心架构。早期研究如Google Borg、Kubernetes等集中式调度方案在规模和异构性面前表现不足，推动了边缘智能、微服务架构的发展。代表性工作包括边缘计算资源调度（Shi et al., 2016）、多层次弹性管理（Furtado et al., 2019）等，但仍面临动态环境适应和设备异构带来的挑战。传统方法多依赖集中式调度或静态策略，难以应对实时变化，亟需分布式自主管理机制。
核心问题
现有管理方案在异构设备资源有限、环境动态变化频繁的背景下，难以实现高效、弹性的服务调度。集中式调度存在通信瓶颈和单点故障风险，而静态策略无法适应设备性能波动和环境变化。如何设计一种无需大量训练、能自主适应环境变化的分布式智能系统，成为关键难题。特别是在设备感知的非功能需求（SLOiD）方面，传统方法缺乏上下文感知能力，限制了系统的弹性和鲁棒性。
核心创新
本研究的核心创新在于：1）引入设备感知的SLOiD概念，使非功能需求具备环境上下文感知能力；2）提出基于主动推理（AIF）模型的多智能体自主调节机制，避免对大量训练数据的依赖，快速响应环境变化；3）利用自由能原理实现持续推断和决策优化，增强系统的鲁棒性和弹性。这些创新突破了传统强化学习对训练时间的依赖，为动态异构环境中的服务管理提供新思路。
方法详解
- �� 设计基于POMDP的多智能体模型，每个代理对应一个服务，定义状态空间、动作空间、转移模型和观测模型。
- �� 引入SLOiD指标，结合设备特性进行本地化监控与评估。
- �� 利用自由能原理，代理通过最小化预期自由能（EFE）实现环境推断与策略优化。
- �� 采用模型学习和预设模型两种方式，增强模型适应性。
- �� 代理间通过信息交换协作，形成分布式决策网络。
- �� 实现策略的实时调整，包括资源调度、数据质量控制和卸载决策。
实验设计
在模拟的边缘计算环境中，使用真实设备参数和合成数据，测试AIF代理在不同负载和环境变化下的表现。比较测试模型和学习模型在SLOiD满足率、响应时间和资源利用率上的差异。采用多场景实验验证模型的鲁棒性和适应性，评估系统在动态环境中的反应速度和稳定性。基线对比包括传统调度算法和MARL方法，确保结果的科学性和可比性。
结果分析
AIF代理在测试模型中实现了超过90%的SLOiD满足率，学习模型在部署初期达80%，显著优于传统调度策略。与MARL相比，AIF无需大量训练时间，启动快，且在环境变化时表现出更强的适应性。服务卸载场景中，AIF能根据环境动态调整策略，有效降低延迟和能耗，提升系统整体鲁棒性。
应用场景
该技术适用于边缘智能、工业自动化、智慧城市等场景，支持异构设备的自主调度和资源管理。系统可在有限硬件条件下实现高效弹性，减少人为干预，提升服务质量。未来可结合5G/6G网络，推动智能边缘基础设施建设，为工业互联网和智能制造提供技术支撑。
局限与展望
模型假设完美感知，实际应用中可能受传感噪声影响，需引入鲁棒机制。当前实验主要在模拟环境，实际部署的通信开销和规模化性能尚待验证。模型在极端动态环境中的适应性和反应速度仍需优化，尤其在高频变化场景中可能表现不足。未来需考虑复杂环境下的多模态信息融合和能耗优化。
通俗解读 非专业人士也能看懂
想象你在管理一个大型工厂，工厂里有许多不同的机器和工人，每个都在做不同的任务。有时候，某个机器突然变慢或出现故障，你需要快速决定是修理它、换个机器，还是让其他机器帮忙完成任务。传统的方法可能需要你事先制定详细计划，等到问题出现时再去执行。而本文提出的方法像是给每台机器配备了一个聪明的小助手，这个助手能不断观察环境，自己判断需要调整什么，比如让机器休息、换个路径，甚至让其他机器帮忙。这个助手用一种叫主动推理的智能技术，能在不需要提前学习大量经验的情况下，立即做出合理决策。这样，整个工厂就能更快、更灵活地应对突发情况，保证生产顺利进行。
原文摘要
The Computing Continuum (CC) is an emerging Internet-based computing paradigm that spans from local Internet of Things sensors and constrained edge devices to large-scale cloud data centers. Its goal is to orchestrate a vast array of diverse and distributed computing resources to support the next generation of Internet-based applications. However, the distributed, heterogeneous, and dynamic nature of CC platforms demands distributed intelligence for adaptive and resilient service management. This article introduces a distributed stream processing pipeline as a CC use case, where each service is managed by an Active Inference (AIF) agent. These agents collaborate to fulfill service needs specified by SLOiDs, a term we introduce to denote Service Level Objectives that are aware of its deployed devices, meaning that non-functional requirements must consider the characteristics of the hosting device. We demonstrate how AIF agents can be modeled and deployed alongside distributed services to manage them autonomously. Our experiments show that AIF agents achieve over 90% SLOiD fulfillment when using tested transition models, and around 80% when learning the models during deployment. We compare their performance to a multi-agent reinforcement learning algorithm, finding that while both approaches yield similar results, MARL requires extensive training, whereas AIF agents can operate effectively from the start. Additionally, we evaluate the behavior of AIF agents in offloading scenarios, observing a strong capacity for adaptation. Finally, we outline key research directions to advance AIF integration in CC platforms.