Adaptive and Resource-efficient Agentic AI Systems for Mobile and Embedded Devices: A Survey
作者: Sicong Liu, Weiye Wu, Xiangrui Xu, Teng Li, Bowen Pang, Bin Guo, Zhiwen Yu
分类: cs.LG, cs.AI, cs.DC
发布日期: 2025-09-30
💡 一句话要点
针对移动和嵌入式设备，提出自适应且资源高效的Agentic AI系统综述
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: Agentic AI 移动设备 嵌入式系统 资源效率 自适应 边缘计算 基础模型
📋 核心要点
- 现有Agentic AI系统在移动和嵌入式设备上部署时，面临着计算资源有限、能耗约束以及实时性要求高等挑战。
- 本文提出对自适应且资源高效的Agentic AI系统进行系统性综述，旨在通过技术总结和挑战分析，促进相关领域的研究。
- 该综述涵盖了弹性推理、测试时适应、动态多模态集成等关键技术，并展望了算法-系统协同设计、认知适应等未来方向。
📝 摘要（中文）
基础模型通过将分散的架构统一为具有多模态推理和上下文适应性的可扩展骨干网络，重塑了人工智能。与此同时，由感知-决策-行动循环定义的AI Agent的概念正在进入一个新范式：以基础模型作为其认知核心，Agent超越了基于规则的行为，实现了自主性、泛化和自我反思。这种双重转变受到了自动驾驶、机器人、虚拟助手和GUI Agent等实际需求的推动，以及嵌入式硬件、边缘计算、移动部署平台和通信协议等生态系统进步的加强，这些共同促成了大规模部署。然而，这种融合与现实相冲突：虽然应用需要长期适应性和实时交互，但移动和边缘部署仍然受到内存、能源、带宽和延迟的限制。这在基础模型日益增长的复杂性和部署环境的有限资源之间造成了根本的紧张关系。本综述首次系统地描述了自适应、资源高效的Agentic AI系统。我们总结了弹性推理、测试时适应、动态多模态集成和Agentic AI应用等使能技术，并确定了在平衡精度-延迟-通信权衡和维持分布偏移下的鲁棒性方面的开放挑战。我们进一步强调了算法-系统协同设计、认知适应和协作边缘部署方面的未来机遇。通过映射基础模型结构、认知和硬件资源，这项工作建立了一个统一的视角，以实现可扩展、自适应和资源高效的Agentic AI。我们相信这篇综述可以帮助读者理解使能技术之间的联系，同时促进对Agentic智能和智能Agent融合的进一步讨论。
🔬 方法详解
问题定义：论文旨在解决Agentic AI系统在资源受限的移动和嵌入式设备上部署时面临的挑战。现有方法通常无法在精度、延迟、通信和能耗之间取得良好的平衡，并且难以适应真实世界中不断变化的环境和数据分布。
核心思路：论文的核心思路是对现有Agentic AI系统进行全面的梳理和分析，总结出关键的使能技术，并识别出未来研究的潜在方向。通过映射基础模型结构、认知和硬件资源，建立一个统一的视角，从而促进可扩展、自适应和资源高效的Agentic AI系统的发展。
技术框架：论文的整体框架包括以下几个主要部分：首先，介绍Agentic AI的基本概念和发展趋势；其次，详细阐述弹性推理、测试时适应、动态多模态集成等关键技术；然后，总结Agentic AI在不同领域的应用案例；最后，讨论当前面临的挑战和未来的研究方向。
关键创新：论文的主要创新在于首次系统性地对自适应且资源高效的Agentic AI系统进行了综述，并提出了一个统一的视角来理解这些系统。此外，论文还识别出了一系列重要的研究挑战和未来机遇，为相关领域的研究人员提供了有价值的参考。
关键设计：论文并没有提出具体的技术设计，而是对现有技术进行了分类和总结。例如，在弹性推理方面，论文讨论了模型压缩、知识蒸馏等技术；在测试时适应方面，论文讨论了域适应、持续学习等技术；在动态多模态集成方面，论文讨论了注意力机制、跨模态融合等技术。
📊 实验亮点
本文是一篇综述性文章，没有具体的实验结果。其亮点在于对现有技术的系统性总结和对未来发展方向的展望。通过对弹性推理、测试时适应、动态多模态集成等技术的分析，为研究人员提供了全面的技术概览和研究思路。
🎯 应用场景
该研究成果可应用于自动驾驶、机器人、虚拟助手、GUI Agent等领域。通过优化Agentic AI系统在资源受限设备上的性能，可以提升用户体验，降低部署成本，并促进Agentic AI技术在更广泛的场景中应用。未来的发展将推动边缘智能和普适计算的进步。
📄 摘要（原文）
Foundation models have reshaped AI by unifying fragmented architectures into scalable backbones with multimodal reasoning and contextual adaptation. In parallel, the long-standing notion of AI agents, defined by the sensing-decision-action loop, is entering a new paradigm: with FMs as their cognitive core, agents transcend rule-based behaviors to achieve autonomy, generalization, and self-reflection. This dual shift is reinforced by real-world demands such as autonomous driving, robotics, virtual assistants, and GUI agents, as well as ecosystem advances in embedded hardware, edge computing, mobile deployment platforms, and communication protocols that together enable large-scale deployment. Yet this convergence collides with reality: while applications demand long-term adaptability and real-time interaction, mobile and edge deployments remain constrained by memory, energy, bandwidth, and latency. This creates a fundamental tension between the growing complexity of FMs and the limited resources of deployment environments. This survey provides the first systematic characterization of adaptive, resource-efficient agentic AI systems. We summarize enabling techniques into elastic inference, test-time adaptation, dynamic multimodal integration, and agentic AI applications, and identify open challenges in balancing accuracy-latency-communication trade-offs and sustaining robustness under distribution shifts. We further highlight future opportunities in algorithm-system co-design, cognitive adaptation, and collaborative edge deployment. By mapping FM structures, cognition, and hardware resources, this work establishes a unified perspective toward scalable, adaptive, and resource-efficient agentic AI. We believe this survey can help readers to understand the connections between enabling technologies while promoting further discussions on the fusion of agentic intelligence and intelligent agents.