视联网作为新型基础设施，通过进一步构建全链路高清视频和多模态智能交互结合，推动产业数字化高质量发展。2025年，随着生成式AI与大模型的爆发式发展，作为视联网重要技术体系之一的大小模型协同加速演进。大模型提供全局感知、多模态理解与决策推理能力，小模型聚焦边缘端低延迟、高可靠的实时处理需求，二者通过“云边端”分层架构形成互补共生。

1、技术演进

视联网的核心是通过高清视频的实时采集、传输与智能处理，实现物理世界与数字世界的深度融合。传统视联网依赖“端侧采集+云端处理”的集中式架构，随着4K/8K超高清视频普及、实时交互需求激增(zēng)，集中(zhōng)式(shì)架(jià)构(gòu)在(zài)算(suàn)力(lì)成(chéng)本(běn)、传(chuán)输(shū)带(dài)宽(kuān)、隐(yǐn)私(sī)安(ān)全等(děng)方(fāng)面(miàn)的(de)瓶(píng)颈(jǐng)日(rì)益(yì)凸显。在此背景下，大小模型协同技术依托端云协同架构，推动视联网从“被动记录”向“主动感知、智能决策”跃迁。

1.1 视联网“全局智能中枢”

大模型凭借强大的泛化能力与多模态理解能力，作为大小模型协同的“大脑”，主要承担三类核心任务：

①跨模态语义解析：传统视联网的视频分析多聚焦于目标检测，而大模型通过处理对历史数据和实时数据关键帧检测、音视频分离后的数据，生成详细的密集文本描述，并通过融合文本、语音、传感器等多模态数据，可实现“视频内容的语义化理解”。在智慧城市场景中，大模型可将交通摄像头的视频流与气象数据、交通管制通知关联，自动判断“暴雨天气下某路段积水是否需临时封路”，而非仅识别“车辆排队长度”。

②长时序决策推理：大模型的长上下文窗口使其能处理跨时间维度的视频序列，实现“因果关系推断”。在工业质检中，大模型通过分析大量设备运行历史视频，结合历史故障数据，预测“某轴承可能在48小时后因磨损引发停机”，而非仅瑕疵质检“当前是否有裂纹”。

③模型动态优化：大模型通过“预训练+微调”机制，可为不同边缘场景的小模型提供定制化能力，通过教师-学生模型架构，将大模型知识迁移至小模型。在安防场景中，大模型可基于人脸识别数据训练通用特征提取器，再微调为适应老旧摄像头低分辨率、夜间光照的小模型，提升边缘端的识别准确率。

1.2 视联网“边缘智能触手”

小模型聚焦端侧实时处理，通过模型压缩、知识蒸馏轻量化设计与GPU/NPU加速的硬件适配，解决大模型“云端延迟高、边缘算力弱”的矛盾，主要承担三类任务：

①实时特征提取：在远程医疗场景中，手术机器人的摄像头每秒生成8K视频流，若直接上传云端分析，延迟过高，无法满足该参加低延时的要求。小模型可在端侧完成关键区域的实时分割与特征提取，仅将压缩后的特征向量上传云端，大大降低延。

②隐私保护计算：视联网涉及大量敏感数据，小模型可通过联邦学习技术在本地完成模型训练，仅上传梯度而非原始数据。在城市智慧社区的人脸识别系统采用小模型，各小区独立训练本地模型，通过联邦学习共享人脸识别的泛化能力，避免用户面部信息跨区域传输。

③动态场景适配：不同边缘场景的视频特征差异显著，小模型可(kě)通(tōng)过(guò)灵(líng)活(huó)快(kuài)速(sù)适(shì)应(yīng)新(xīn)环(huán)境(jìng)。

1.3 大(dà)小(xiǎo)模(mó)型(xíng)协(xié)同(tóng)模(mó)式(shì)

①能(néng)力(lì)编(biān)排(pái)：通(tōng)过(guò)大(dà)小(xiǎo)模(mó)型(xíng)能(néng)力(lì)编(biān)排(pái)，基(jī)于(yú)任(rèn)务(wu)复(fù)杂(zá)度(dù)自(zì)适(shì)应(yīng)分(fēn)配(pèi)计(jì)算(suàn)资(zī)源(yuán)，采用(yòng)动(dòng)态(tài)路由(yóu)算(suàn)法(fǎ)，将文本分类任务分配给小模型，图像生成任务触发大模型提高资源利用率。

②串行推理：将推理流程分解为数据预处理、特征提取、决策生成等阶段，各阶段由不同模型处理。端侧小模型处理传感器数据，云端大模型执行复杂任务，通过小模型初筛和大模型复核降低误检率。

③并行推理：首先进行数据并行，输入数据分片由多个模型并行处理，实现多路视频流并行分析。然后进行模型并行，大模型拆分为多个子模块分布处理，任务拆分为多个子任务，实现并行加速。

1.4 云边端架构支撑

大小模型的协同需依赖“云边端”三层架构的深度解耦与智能调度。云端负责全局数据存储、多模态训练、策略生成，通过协议接口为边缘端提供能力调用；边缘端部署轻量化模型，处理实时性要求高的任务，并将关键结果上传云端；终端负责高清视频采集，通过硬件优化降低传输带宽与计算负载。

2、核心挑战

尽管大小模型协同已在多场景试点落地，但其规模化发展仍面临很大挑战，需通过技术创新、政策引导与生态共建破解。

①算力分配矛盾

云脑与端手的资源博弈，大模型需要高性能GPU集群支撑训练，而小模型需边缘端低功耗芯片适配，二者在算力分配上存在天然矛盾。需要继续推动模型轻量化和硬件定制化。一方面，采用知识蒸馏、稀疏化等技术压缩模型体积；另一方面，芯片厂商针对小模型需求开发专用AI芯片，实现“算力-功耗-成本”的最优平衡。

②数据隐私风险

本地处理与全局优化是协同任务的平衡难题，视联网涉及大量敏感数据，小模型的本地处理虽能降低传输风险，但大模型的全局优化需要跨场景数据训练，二者存在隐私保护的冲突。

③标准体系滞后

由于技术多样与产业协同的机制障碍，当前视联网大小模型协同缺乏统一标准，不同厂商的大模型接口、小模型格式、边缘设备协议存在差异，导致系统孤岛现象。需要进一步推动政策引导和行业共建。明确大模型的接口协议、小模型的输出格式、边缘设备的兼容性要求，加速生态融合。

3、未来展望

随着大模型参数规模突破万亿级、小模型轻量化技术成熟，视联网的大小模型协同将从功能互补迈向深度融合，呈现三大趋势：

①多模态大小模型融合

未来的视联网大模型将不再局限于单一模态，而是融合文本、语音、传感器、甚至物联网设备状态数据，形成全域感知大模型；小模型则针对具体场景开发专用版本，二者通过“模型插件”机制深度绑定。

②端云协同向端边云脑架构演进

随着边缘计算节点的普及，视联网将形成“终端采集-边缘端实时处理-边缘云区域协同-中心云全局决策”的多级架构。其中，边缘云承载区域级小模型集群，负责处理(lǐ)本(běn)区(qū)域内(nèi)跨(kuà)场(chǎng)景(jǐng)的(de)协(xié)同(tóng)任(rèn)务(wu)；中(zhōng)心(xīn)云(yún)则(zé)聚(jù)焦(jiāo)跨(kuà)区(qū)域大(dà)模(mó)型(xíng)训(xun)练(liàn)，进(jìn)一(yī)步提升响应速度，降低中心云负载。

③工具赋能到生态共生的产业变革

大小模型协同将推动视联网从技术工具升级为产业生态。通过在智慧农业、智慧城市、智慧工业等场景的落地应用，实现从技术赋能向生态共生的范式转换，构建起“数据驱动创新、生态反哺技术”的良性循环体系。

4、结语

视联网的大小模型协同，本质是智能与效率的平衡，大模型赋予系统思考深度，小模型保障行动(dòng)速(sù)度(dù)，二者共同编织出一张能感知、会思考、可执行的智能视频网络。随着技术迭代与生态完善，这张网络将深度渗透至城市治理、民生服务、产业升级的每一个角落，成为数字时代科技向善的最佳注脚。

作者：王晓宇、李杰、李萌

单位：中国移动研究院