如今的人工智能讲究的是“大力出奇迹”。数据越多越好，模型越大越强，算力越猛越牛。如果在数据少、算力弱、通信资源极其有限的物联网端侧，如何进行精确识别？靠把数据全部传上云？太费电，也太慢。靠部署大模型？终端根本跑不动。

　　近日，由技象科技首席科学家、总工程师温文坤博士担任通讯作者，联合福建农林大学、中山大学等科研团队完成的学术论文《Energy-Efficient Federated Edge Learning For Small-Scale Datasets in Large IoT Networks》，被国际通信领域顶刊《IEEE Transactions on Wireless Communications》(中科院一区期刊，影响因子：10.7)正式接受发表。该论文从数学原理出发，设计一套专为物联网小样本场景量身定制的节能型联邦边缘学习协同优化框架。

　　让终端学会“边看边学”

　　据介绍，这套框架做了三步：算清“进度条”——给定多少数据，模型能学到什么程度，用公式算出来，不再拍脑袋盲目摸索；让模型“边收边学”——数据是动态来的，模型就动态更新，不等攒够一批再开工；把任务“分下去”——计算不再依赖云端总部，而是分散到各个终端上并行处理。

　　这三步的背后，是论文在联邦边缘学习理论上的一项突破：将收敛性分析与分布式资源优化统一建模，给出了端侧小样本条件下可量化、可部署的数学框架，从而在资源严重受限的终端上，实现了模型训练效率与通信能耗的协同优化。

　　值得注意的是，论文没有停留在公式推导上，而是在严苛的自动驾驶感知场景中，基于CARLA与IR-SIM等高保真仿真平台完成了端到端验证。比如同样多的电量和带宽，学得更快更好；节点越多，系统不会越算越慢；在自动驾驶场景中实测有效。

　　从纸面的论文走到真实场景

　　理论之外，在轻量化边缘智能及端侧超轻量化小模型这条技术路径上，技象科技在真实的物联网民生刚需场景之中早已进行了落地应用：比如，电动自行车用电安全监测：通过电纹监测设备采集电气数据，并对用电设备数据特征进行提取识别，利用轻量化边缘学习架构，实现了终端侧电动自行车电池入户充电行为的精准辨识，有效提升了城市消防安全的实时监测与预警能力。

　　区别于当前业界普遍关注的大模型技术路径，技象科技专注于边缘轻量化垂类领域模型及端侧超轻量化小模型的应用研究，面向物联网终端在算力、功耗和通信带宽方面的实际约束进行技术适配，让最基层的设备也能拥有一定程度的本地智能。在这条技术路径上，既有严格数学推导的支撑，也有真实落地场景的验证。而这次发表于IEEE TWC的论文，正是对这些前线实践经验的一次系统化提炼与数学表达，也为技象科技后续轻量化模型的产品化应用奠定了更扎实的基础。