論文の概要: Adaptive and Resource-efficient Agentic AI Systems for Mobile and Embedded Devices: A Survey

• arxiv url: http://arxiv.org/abs/2510.00078v1
• Date: Tue, 30 Sep 2025 02:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.166506
• Title: Adaptive and Resource-efficient Agentic AI Systems for Mobile and Embedded Devices: A Survey
• Title（参考訳）: モバイルおよび組み込みデバイスのための適応的で資源効率の良いエージェントAIシステム:調査
• Authors: Sicong Liu, Weiye Wu, Xiangrui Xu, Teng Li, Bowen Pang, Bin Guo, Zhiwen Yu,
• Abstract要約: ファンデーションモデルは、断片化されたアーキテクチャをマルチモーダル推論とコンテキスト適応を備えたスケーラブルなバックボーンに統一することで、AIを再構築した。 FMを認知のコアとして、エージェントは自律性、一般化、自己回帰を達成するためにルールベースの振る舞いを超越する。 この調査は、適応的でリソース効率の良いエージェントAIシステムの、最初の体系的な特徴を提供する。
• 参考スコア（独自算出の注目度）: 11.537225726120495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: ファンデーションモデルは、断片化されたアーキテクチャをマルチモーダル推論とコンテキスト適応を備えたスケーラブルなバックボーンに統一することで、AIを再構築した。 並行して、知覚-決定-行動ループによって定義されたAIエージェントの概念は、新たなパラダイムに突入している。FMをその認知コアとし、エージェントが自律性、一般化、自己回帰を達成するためにルールベースの行動に超越する。 このデュアルシフトは、自律運転、ロボティクス、仮想アシスタント、GUIエージェントといった現実的な要求や、組み込みハードウェア、エッジコンピューティング、モバイルデプロイメントプラットフォーム、大規模デプロイメントを可能にする通信プロトコルのエコシステムの進歩によって強化されている。 アプリケーションが長期の適応性とリアルタイムのインタラクションを必要とする一方で、モバイルとエッジのデプロイメントは、メモリ、エネルギ、帯域幅、レイテンシによって制限され続けています。 これにより、FMの複雑さの増大とデプロイメント環境の限られたリソースの間に根本的な緊張が生じます。 この調査は、適応的でリソース効率の良いエージェントAIシステムの、最初の体系的な特徴を提供する。 我々は、弾性推論、テスト時間適応、動的マルチモーダル統合、エージェントAIアプリケーションに実現可能な技術を要約し、精度-遅延-通信トレードオフのバランスと分散シフト時の堅牢性を維持するためのオープンな課題を特定する。 アルゴリズムとシステムの共同設計、認知的適応、協調的なエッジ展開における将来の機会をさらに強調する。 FM構造、認識、ハードウェアリソースのマッピングによって、この研究は、スケーラブルで適応的でリソース効率の良いエージェントAIに対する統一された視点を確立する。 この調査は,エージェント・インテリジェンスとインテリジェント・エージェントの融合に関するさらなる議論を推進しつつ,実現可能な技術とのつながりを理解する上で有効であると考えている。

関連論文リスト

• Semantic-Driven AI Agent Communications: Challenges and Solutions [25.74271088658268]
  本稿では,意味駆動型AIエージェント通信フレームワークを提案する。 第一に、意味適応伝達は、様々な環境にモデルを効率的に適応させるために、実または生成サンプルと微調整を適用する。 第二に、セマンティック・ライトウェイト・トランスミッションはプルーニング、量子化、知覚対応サンプリングを取り入れ、モデルの複雑さを低減し、エッジエージェントの計算負担を軽減する。 第三に、セマンティックな自己進化制御では、分散階層的な意思決定を用いて多次元資源を最適化し、動的環境における堅牢なマルチエージェント協調を可能にする。
  論文  参考訳（メタデータ） (2025-10-01T00:52:37Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
  私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。 まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。 第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。 第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
  論文  参考訳（メタデータ） (2025-06-14T12:43:07Z)
• AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges [3.7414278978078204]
  このレビューは、AIエージェントとエージェントAIを批判的に区別し、構造化された概念分類、アプリケーションマッピング、そして、異なる設計哲学と能力を明らかにするための機会と課題の分析を提供する。
  論文  参考訳（メタデータ） (2025-05-15T16:21:33Z)
• Internet of Agents: Fundamentals, Applications, and Challenges [66.44234034282421]
  異種エージェント間のシームレスな相互接続、動的発見、協調的なオーケストレーションを可能にする基盤となるフレームワークとして、エージェントのインターネット(IoA)を紹介した。 我々は,機能通知と発見,適応通信プロトコル,動的タスクマッチング,コンセンサスとコンフリクト解決機構,インセンティブモデルなど,IoAの重要な運用イネーラを分析した。
  論文  参考訳（メタデータ） (2025-05-12T02:04:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。