GenAINet: Enabling Wireless Collective Intelligence via Knowledge Transfer and Reasoning 论文

总结
本文介绍了GenAINet框架，旨在通过知识驱动的通信和推理提升6G网络中的集体智能。以下是文章的主要内容和结论：
背景与目标
6G无线网络需要多个智能体协同工作，以实现复杂任务。
传统LLM在处理复杂任务时效率低下，需要一种高效的知识驱动框架。
GenAINet架构
智能体设计：基于LLM的智能体能够感知环境、计划行动、生成指令并存储记忆。
知识驱动通信：通过语义概念和多模态推理，智能体减少通信和计算成本。
多模态语义推理：利用对比学习和多模态交叉注意技术，对齐多模态数据，提取语义概念。
语义原生GenAINet
知识库构建：从多模态数据中提取语义概念，构建语义知识库。
推理与决策：LLM作为知识检索者和决策者，通过语义概念进行交流和推理。
协作机制：教师代理与学生代理协作，实现任务分解和优化。
应用案例
无线设备查询：云代理与设备代理协作，通过语义知识库和RAG提高查询准确性。
无线电源控制：分布式代理协作，优化功率分配以减少能量消耗。
挑战与机遇
挑战：LLM在处理高级语义的困难，知识与现实世界的结合。
机遇：开发语义原生的电信世界模型，提升网络集体智能。
结论
GenAINet通过知识驱动的框架，利用多模态语义推理和协作智能体，实现了6G网络中的高效任务执行。该框架为未来无线网络设计提供了重要思路，尽管面临挑战，但其潜力巨大。
这篇文章为6G网络中的集体智能提供了创新的解决方案，强调了知识驱动和多模态推理的重要性，为实现更高效、更可靠的任务执行奠定了基础。

摘要

I. INTRODUCTION 介绍。

第六代(6G)无线网络被设想为人工智能原生网络，从某种意义上说，无线通信将成为训练和推理的一个组成部分。传统上，无线网络是为数据采集和传输而设计的，旨在实现有针对性的服务质量(QoS)。然而，它们并不是为了支持大规模部署人工智能设备而设计的，特别是对于具有高通信和计算成本的大型人工智能模型。建立在生成式预训练转换器(GPT)上的大型语言模型(llm)已经显示出令人印象深刻的能力，从问题回答和语言理解到数学和常识推理[1]。这些功能促进了法学硕士在机器人、电信、金融、医疗保健等领域的广泛采用。llm的成熟是通过对大量数据和计算的训练而实现的，是迈向人工通用智能(AGI)的重要一步，这意味着人类水平的智能。然而，绝大多数现有的llm都部署在云中，由于带宽、延迟和安全性方面的限制，限制了它们在设备上的适用性。通过无线网络连接分布式llm为实现多智能体集体智能铺平了道路[2]。因此，出现了两大挑战:如何有效地将llm嵌入无线设备以及如何以低成本连接它们。
为了在资源有限的设备上部署llm，提出了各种技术，如模型压缩、推理加速和参数高效微调。例如，T5-770M模型已被证明在某些任务中优于PaLM-540B[3]。此外，在vLLM中提出的页面关注与传统方法相比，可以将llm的平均推理时间降低到1/24[4]。此外，QLoRA[5]是一种有效的微调技术，它可以将LLM量化为4位版本，使用使用量化权重调优的一小组额外可学习的低秩适配器。虽然在模型大小和推理时间减少方面是有效的，但由于LLM的非模块化性质，这些技术可能会降低LLM的性能，例如在泛化能力方面。
要使用llm解决复杂的任务，需要一个多智能体框架。智能体可以观察环境，计划一系列行动，在记忆流中创建经验的高级反映，并制定计划。 例如，BabyAGI是一个任务驱动的自主代理框架，可以实时生成、执行任务并确定任务的优先级。Auto-GPT可以将LLM的“思想”链接在一个无限循环的推理中[6]。另一方面，多智能体系统被证明在很大程度上提高了llm在任务求解方面的能力[7]。例如，CAMEL探索了两个具有自主合作的角色扮演交际代理[8]。在生成智能体中，可信的人类行为在沙盒环境中被模拟，其中多个智能体以自然语言交互以完成自发任务[9]。然而，在这些框架中没有考虑通信、计算和存储效率，而这些是无线网络的关键因素。
基于上述原因，在本文中，我们提出了GenAINet框架，在该框架中，多个GenAI代理进行知识交流，以执行有效的推理并解决特定应用的任意任务，例如车辆网络，智能电网和物联网。 在GenAINet中，智能体利用llm学习数据的高级概念或抽象，规划推理路径，并执行它来实现目标。智能体之间通过知识交流来帮助彼此进行规划和决策。 这样，性能可以在减少通信和计算成本的情况下得到提高。本文的主要贡献如下:讨论了GenAINet架构，并提出了集成llm的可能方法。我们建议统一的代理体系结构来管理网络协议和应用程序;提出了一种基于语义概念和多路径推理的GenAINet通信范式。
通过语义概念，可以将多模态原始数据嵌入到公共语义空间中。通过多步骤规划，我们解释了法学硕士如何执行和优化有效决策的推理路径。从过去的推理和决策中学习到的语义概念可以发送给远程代理或由远程代理检索，以改进独立或协作规划;我们研究了无线genainet的两个案例。
在第一个移动设备上的问答案例中 ，我们展示了将知识从教师转移到学生代理可以提高查询准确性和沟通效率;在无线功率控制的第二种情况下，我们表明分布式GenAI智能体可以与推理协作，找到目标数据速率的功率分配解决方案;讨论了GenAINet面临的挑战，探讨了GenAINet未来的研究方向，包括构建具有多层次抽象的分层世界模型，并计划将模型根植于真实的网络场景中。

图1:提出的无线GenAI网络和具有协议和应用管理的代理体系结构。

II. GENAI NETWORK AND AGENT ARCHITECTURES Genai网络和代理架构

无线GenAI代理能够模拟类似人类的决策过程，并为复杂和自适应的GenAI网络提供了一种解决方案。它可以赋予网络协议和网络应用自主性。为了实现这一目标，我们提出了一种基于GenAI网络和GenAI代理的前景架构，如图1所示。

A. Wireless GenAI Network Architecture

在无线网络中，GenAI代理可能在一定程度上充当自主控制器。网络协议方面，GenAI代理能够协调网络资源的编排，控制无线接入、核心和传输域中的网络功能，并与网络协议接口以管理电源、资源、流量等。其网络协议体系结构包括：层次结构方面，GenAI代理可部署在多级网络控制器中，向数据网络发送策略。例如，在RAN智能控制器(RIC)中运行指挥代理，而在网元(NE)中运行多个执行代理。命令器将意图分解为子任务并分配给执行器。分布式架构方面，GenAI代理可与分布式网元共存，本地管理数据和控制计划。代理间的交互具有自组织特性，通过共享过去决策或知识协同完成任务。在自治网络中，GenAI代理可分解高级意图，规划可操作的任务，并生成网络控制策略，同时从反馈中持续改进。网络应用方面，GenAI代理可为网络应用带来自主性，如自动驾驶汽车和机器人等。无线网络允许GenAI代理协作执行多种任务，如遥感、控制和规划。其网络应用体系结构包括：独立体系结构方面，每个应用程序由独立的GenAI代理控制。例如，在车联网中，网络代理可协调基站(BSs)、用户设备(ue)，而交通代理则控制车辆、交通灯等。融合架构方面，GenAI代理可共同控制网络协议和应用。例如，一个汽车代理可联合控制发动机、转向功能及与其他车辆的通信协议，从而实现多辆汽车协同优化交通流量。在现有5G网络上，分层和独立的架构可基于现有服务构建。然而，6G网络对分层和分布式架构的颠覆性应用更具前瞻性，充分实现了多代理网络的协议与应用融合。

B. Wireless GenAI Agent Architecture 无线GenAI代理架构

为了使llm能够与现实世界的场景进行交互，代理必须具有分布式结构、决策智能和信息智能。一个自主代理通常由四个部分组成:感知、行动、计划和记忆 。在接下来的内容中，我们将解释如何设计这些组件来实现所建议的愿景。感知是agent为LLM收集有用和相关信息的一部分。可能的感知信息源包括:1)从环境中感知到的信息，例如通道状态信息(CSI)、UE和BS在网络中或自动驾驶汽车上的位置、交通密度、速度和街道视觉数据;2)从其他智能体接收到的信息，例如报告其状态的消息或对某些请求信息的响应，或从不同状态下的过去决策中学习到的策略。信息可以通过使用不同的模式来表示，从原始文本、图像到抽象图形。感知器应该在公共嵌入空间中融合和编码原始数据，以便LLM执行进一步的决策。操作是管理代理的所有可用工具的组件。LLM生成的操作应该适应要执行的目标函数或接口。对于无线GenAI代理，可能的动作可能包括:1)为完成任务而生成的信息，例如对用户查询的响应，或发送给另一个代理以完成任务的消息;2)执行预定义的接口和工具包，例如MAC调度程序中的函数调用，无线电放大器中的配置，或调整车速和转向的命令。此外，多代理网络中的行为包括通过观察环境所采取的行为和发送给其他代理的通信行为(消息)。
两者都应该产生于一种习得的联合策略。计划是随着时间的推移创建和优化行动以实现目标的过程，包括:1)子任务分解，即将高级目标分解为子目标和可操作的任务;2)在agent之间同步现有任务并确定优先级;3)自我反思，评估和批评过去的决策，以优化政策。规划允许法学硕士通过多步骤推理解决复杂的任务，例如思想链(CoTs)。此外，这种规划和推理可以通过有效地利用不同设备上的计算资源和工具在多个代理之间协同进行。记忆是存储短期经验和长期知识的模块，为llm的未来规划和决策提供支持。短期经验是主体的观察、行动、思想和结论的精选历史。智能体需要有效地重用或适应现有的解决方案或机制，而不是从头开始推理和提取。此外，长期知识包含的事实、方法和内容可以是一般的，也可以是特定领域的，这取决于代理的角色。拥有这些知识可以有效地减少法学硕士通过使用检索增强技术产生不可靠或非事实反应的机会。可能的知识表示以及法学硕士如何利用它们来提高推理质量将在下一节中介绍。通过法学硕士的知识，GenAI代理可以释放对环境建模或问题表述的需求，同时找到完成任务的推理路径。这使得GenAI能够有效地处理复杂的、看不见的问题。

该无线网络具备以知识驱动的交流和推理功能。

现有LLM和GenAI代理在处理原始数据时存在效率问题。具体而言，智能体通过自然语言进行信息存储和交换。在网络边缘，AI模型之间的通信主要通过交换模型权重、梯度或超参数来实现。然而，当多个GenAI代理协同工作时，现有方案的效率显著下降。首先，原始数据中存在大量冗余信息，这对通信效率产生负面影响；其次，针对不同任务对LLM进行优化会消耗大量能量，并可能导致通信延迟。针对上述问题，我们提出了一种语义原生的GenAINet方案。通过LLM的抽象和规划能力，代理可以共享从中推理和决策中获得的语义概念或抽象信息。通过这种方式，代理可以学习沟通或协作策略以实现目标，从而有效降低通信、计算和存储成本。

A. Semantic knowledge representation 语义知识表示

法学硕士们接受了系统性语义理解的训练课程。概念空间中的知识提取允许LLM有效地整合不同任务的信息，从而提升了泛化能力。知识源自从广泛经验中抽象出的通用信息。在GenAINet架构中，这些知识可通过常见来源（如互联网）进行检索。此外，知识也可通过代理系统的计划与执行经验进行学习。例如，汽车代理能够在观察到其他车辆从侧道合并时学习减速行为。另一个例子是，当求解器代理能够与其他求解器代理共享计算或计算过程中的中间结果时。因此，检索到的知识与学习到的知识对于实现有效决策或生成结果都至关重要。GenAINet受到通信、计算与存储资源的限制，在网络中传输与存储的知识应满足最小化与充分性的要求，即最少的信息能够有效解决范围广泛的任务或问题。为了实现这一目标，我们可以将知识分解为两个部分：a)领域中的公共知识，可通过微调注入LLM；b)在特定任务的共同知识之上运行的动态知识，这些知识应在网络中传播并由法学硕士进行应用。在GenAINet中，正确管理共同知识与动态知识是实现高效运作的关键。在后续内容中，将探讨法学硕士与知识表示之间的三种可能的交互方式。

向量表示法(VE)是法学硕士常用的知识表示方法。它将原始数据(文本、图像、音频)嵌入潜在向量以构建数据库(DB)，其中向量之间的距离表示语义相似度。当LLM接收到用户提示时，它首先采用时间效率高的方法，如近似最近邻搜索和相似度度量，以定位相关的聚类。随后，应用精确的本地研究以提取相关信息，并将其与用户提示相关联，从而生成响应。检索增强代(Retrieval-enhanced agent, REA)通过提供额外的上下文来提升LLM在时变域的性能。知识图(KG)是真实对象或抽象概念之间关系的结构化表示。这些关系可通过自然语言描述实体之间的联系和因果关系，使LLM易于访问。如果两个顶点是相关的，它们将通过一条边连接起来，这条边的权重表示相关程度。KG有助于LLM执行快速信息检索和基于实体结构的有效推理。此外，KG还能帮助法学硕士理解和生成更多上下文相关且连贯的反应，以应对需要事实性反应的复杂任务。拓扑模型，如超图、简单复合体和细胞复合体，可以表示数据的内在结构。它们不仅能够建模语法对象或抽象概念之间的低阶关系(顶点)，还能建模高阶关系(如简单体、单元)。与传统神经网络仅在一维序列或二维网格上学习数据结构不同，拓扑嵌入利用更灵活和动态的结构。此外，高阶拓扑结构能够表示更复杂的因果关系，例如通过语义特征表示不同的词组合。因此，与知识图相比，拓扑嵌入能够挖掘出更多的隐性潜在结构。几何特征允许根据语义特征的变化进行灵活的结构组合，从而节省通信和计算资源。

B. Multi-modal semantic reasoning 多模态语义推理

语义信息允许生成式AI代理完成新信息的压缩、传输与检索。然而，基于观测空间的传统结构在新的应用场景和领域中缺乏通用性。因此，构建在语义概念空间上的结构是必要的。这要求在公共嵌入空间中对齐多模态原始数据并提取语义概念。现有对比学习与多模态交叉注意力等技术（如ImageBind[10]）已被用于对齐多模态数据，并可扩展至射频信号。经过跨模态编码器的训练，可以统一从原始数据中提取语义概念。通过分析语义概念的拓扑结构，可以构建语义知识库。第一步是从观察中提取隐含的语义概念。语义概念之间的联系可通过其语义关联与因果关系进行学习，这些关系可用边与团等不同拓扑结构进行表示。通过对显性概念进行逻辑组合，可以发现隐含的概念。这个过程可通过学习原始数据中的所有可能语义结构，并将其作为云中的"元宇宙"。随后，从语义知识库中检索最少且足够的语义概念，以服务于特定任务，例如根据任务所需语义信息对概念进行聚类。然后在代理系统中使用语义概念执行计划与推理，以做出决策或生成内容。CoT提示可用于将问题分解为连续的中间步骤序列，并提供一个可解释的视图，提示达到最终解决方案的方法，并在步骤错误时为代理提供调试机会[11]。CoT可推广至复杂结构如树或思想图，并通过奖励优化路径进行推广。此外，一个复杂任务的分解子任务可分配给不同agent，单独求解。最后，各子任务的输出可引导agent共同完成任务。

图2:在GenAINet代理上提出的多模态语义提取、检索和推理管道。

图2呈现了多模态语义推理的过程。语义概念c是从多模态原始数据中提取的。构建了基于语义知识表示拓扑结构上概念间语义关系的语义知识库。当代理接受输入时，它计划一个思想状态树t。在每个状态中，它从语义知识库中检索概念并生成一个动作。完成计划状态后生成最终输出。智能体可以观察每个状态下的奖励，优化推理路径和知识库中的语义概念结构。

C. Semantic-native GenAINet 语义原生GenAINet

基于语义知识和推理的GenAI智能体能够集体学习解决不同任务的通信协议和决策策略，从而构建高效的GenAINet系统。GenAI代理能够协调设备上的各种任务，从生成内容到做出决策之间建立关联。有效的通信协议应作为推理过程的组成部分，以指导代理达成目标，例如响应的准确性、行动的累积奖励等。此外，智能体还应根据信息的新鲜度和能量成本，对知识进行有效的管理，实现知识的传递、记忆和模型的更新。

GenAINet系统可在师生模式或分布式范式中实现。师生模式适用于不同规模LLM的云代理、边缘代理和设备代理之间的通信。具体而言，法学硕士教师代理通过知识转移指导学生代理执行特定任务。为降低通信成本，教师代理可提取特定领域的知识并传递给学生，这对于设备执行特定任务（如路由、流量控制）是有效的。分布式范式适用于移动设备、机器、车辆之间的通信，其中各代理具有相似功能，需协作完成任务。每个智能体都具备从经验中学习的突发知识的记忆。在规划过程中，席位可检索或通信以优化决策和更新本地知识。在观察新场景或任务前，代理可共享公共知识库并进行本地决策，从而最小化通信成本。与传统通信系统相比，GenAINet在资源效率和任务效率方面具有显著优势。例如，在远程查询场景中，师生模式可减少响应负载和延迟；在自动驾驶汽车（AV）场景中，分布式模式可提高驾驶安全性和通信可靠性。

图3:语义原生GenAINet的三个用例:压缩、控制和推理。

图3展示了自动驾驶汽车之间通过GenAINet协议进行通信的示例。其中，自动驾驶汽车中的代理利用LLM不仅作为知识检索器和发送者，还承担决策者的角色。这种通信模式既包括知识检索功能，也包含与远程代理共享信息的一部分，远程代理通过分析推理路径中的操作和观察结果来制定计划。这不仅提高了信息交换的效率，还增强了决策的可靠性。检索器通过整合本地和远程知识库的信息，并将其传递给参与者，从而生成有效的驱动指令。行动者则根据环境反馈不断优化推理路径，例如，LLM可以对CoT（基于类比推理）的性能进行奖励优化，以找到最佳路径和行动方案。完成任务后，代理会从最近的计划中提取知识（例如，学习规则），并将这些知识存储在内存中，为后续任务提供支持。此外，我们还展示了三种典型的语义通信场景。第一种是多模态感官数据的语义压缩，LLM能够在源文本数据上提取语义潜，实现无损生成[12]。通过使用多模态LLM，语义压缩技术能够有效整合来自不同视场或分辨率的遥感数据，从而提升下游任务的性能，例如事故检测和导航。第二种是协作知识共享，其中代理通过远程检索功能实现抽象概念的交换。具体而言，代理会对来自远程代理的请求执行语义相似性搜索，并将相关信息反馈给参与者。第三种是语义推理场景，其中代理通过分析过去行为的后果来实现与他人的信息交换。这不仅能够减少智能体的推理延迟，还能提高决策的可靠性。值得注意的是，长期的知识信息相较于短期经验具有更高的世代性，因此在信息传递过程中能够有效降低通信成本。

IV. CASE STUDIES OF GENAINET 吉纳特的个案研究

在本节中，我们将演示如何将GenAINet应用于两个具体示例：无线设备查询和无线电源控制。具体来说，我们旨在展示：1）GenAI代理如何高效地转移知识以完成设备上的查询；2）GenAI代理如何与推理协同解决无线网络问题。

令人惊讶地发现，该方法在性能上显著优于asiot。这种优势主要得益于其简单的设计和简洁的代码结构。

法学硕士的典型应用是问答系统。将LLM部署在靠近最终用户的地点，可以显著减少大规模连接带来的延迟和带宽消耗。尽管轻量级LLM采用了高效的推理技术构建，但在特定领域的表现仍逊于普通法学硕士。RAG通过整合外部数据库增强了LLM的知识体系，但同时也带来了存储成本和延迟问题。基于GenAINet的设想，我们提出了一种语义知识驱动的本地查询方法。如图4所示，在云代理架构中，LLM从云存储中提取问题相关的上下文信息，并将其压缩为潜在表示，用于构建语义知识库。随后将该表示发送至本地LLM，通过RAG机制生成回答。系统能够根据反馈机制不断优化语义提取能力。

我们对TeleQnA进行了实验研究[13]，选取了来自研究和标准材料的10,000个电信域问答案例。我们对问题来源进行了提取，并在云平台上构建了一个大型向量数据库[14]。首先将初始样例输入GPT-3.5，从数据库中执行检索操作，在指令提示下生成与问题相关的上下文信息，并在本地构建语义知识库。

表1的实验结果表明，与基础的Llama-7B模型相比，语义KB显著提升了TeleQnA在所有分类任务上的准确率。与基于云的QnA方案相比，系统在交换信息量上减少了27%。实验案例表明，LLM能够通过语义知识提取辅助完成特定任务，这一机制相较于直接发送原始数据具有更高的效率。

B. 基于协同推理的无线功率控制

传统的功率控制模式通过对环境建模并找到导致指定性能指标(速率，能量)的最佳功率水平来解决优化问题。利用所提出的范式，通过利用llm的无线网络知识(在预训练期间获得)来执行求解，以根据观察到的速率对路径进行推理尽最大的力量。这尤其意味着，对于GenAI代理，我们可能会发布在线培训。
我们考虑一个场景，20对配对的Tx-Rx用户随机放置在一个100平方米的区域。用户在遇到干扰时共享一个公共频谱。每个用户对都与一个LLM代理相关联，包括一个具有计划和解决提示的LLM，以及过去数据速率观察和功率分配操作的内存。我们的目标是减少对目标的数据速率差距，从而使网络的总功率最小化。无线电环境信息对于代理是未知的，我们指示llm利用其内存和电信知识。在每次迭代中，每个LLM都应该决定自己的权力并解释自己的决定。
所有用户对目标的数据率的平均绝对误差如图5所示。我们评估了3种场景:1)没有交互的独立代理;2)代理共享过去观察和行为的记忆;代理人对过去的决定有一个共同的解释。可以看出，独立agent经过几轮之后，找到了朝向目标速率的功率优化路径。通过内存共享，智能体慢慢学会理解传播和干扰环境，并朝着正确的方向调整自己的力量。最后，前几轮其他代理的解释可以帮助llm快速找到更好的权力分配方案。示例表明，共享推理输出可以有效地帮助法学硕士在没有在线培训的情况下改进决策。

V. CHALLENGES AND OPPORTUNITIES 挑战与机遇

我们坚信GenAINet是构建6G集体智能的关键组成部分。然而，这一目标的实现也面临着诸多挑战，为研究提供了新的机遇。在自然语言处理领域，LLM指的是经过预训练的自回归生成模型，其核心功能是预测文本序列中的下一个标记。由于LLM在处理高级语义时存在高度冗余和计算成本高昂的问题，因此在训练和推理阶段表现欠佳。此外，LLM的泛化能力往往受限于训练数据的领域边界。为了提升LLM的知识表示能力，通常采用强化学习（RL）方法进行微调，但这种方法在计算资源有限的设备上难以实现。强化学习方法在LLM优化方面存在局限性，因为它无法有效适应计算能力有限的环境。世界模型是一种层次化、模块化的架构，旨在预测世界状态的未来表征[14]。与传统的基于原始数据的预测方式不同，世界模型被训练以预测高级摘要信息，这使得其在训练数据和计算资源方面具有显著优势。分层JEPA（HJEPA）模型通过学习更高层次的抽象表示，能够更高效地进行长期预测和细节精简。基于H-JEPA的分层规划方法通过预测抽象空间中的状态转移，实现了对不确定环境的有效处理。JEPA框架特别强调在无线设备上部署模型，而非依赖于LLM。由于射频信号的抽象特性，训练RF-JEPA模型相比训练RF-GPT模型具有更高的效率。然而，JEPA框架在多模态信息处理和复杂规划方面的研究仍需进一步探索。尽管GenAI代理在多个应用场景中展现出潜力，但在无线网络中的应用仍面临诸多挑战。首先，无线网络的复杂分层结构（从射频层到服务层）使得LLM难以独立处理网络中的各个组件。其次，大规模地理区域内的无线网络需要协调多个代理的行为，这在当前技术条件下仍具较大难度。因此，LLM在无线网络中的应用目前主要局限于服务层。此外，未来无线网络需要更高的可靠性和容错能力，而LLM的不确定性特性使其难以满足这些要求。最后，将射频信号直接嵌入LLM存在较大技术挑战，这主要源于缺乏大规模的射频信号数据集以及射频信号的双频性和空间特性。这些特性与传统的文本数据有着本质区别。

VI. CONCLUSION 结论

在本文中，我们介绍了GenAINet，一个基于统一LLM驱动的智能代理的知识驱动型智能通信与推理架构，旨在成为集体智能的前沿驱动工具。该架构通过统一的LLM驱动的智能代理，能够提升网络协议和应用程序的性能。我们的语义原生框架能够从多模态原始数据中生成语义知识库，实现高效的语义通信与推理。智能体通过LLM辅助，能够在本地和远程检索最少的语义概念，优化推理路径规划，并生成高效决策支持。我们设计并实现了两个典型案例：首先，一个基于教师与学生代理的语义知识传递模块，能够在低通信成本下提升设备端查询效率；其次，一个基于分布式代理与推理通信的无线电源控制优化模块。研究结果表明，基于多智能体的GenAINet架构能够有效释放集体智能潜力，并为构建语义原生的智能网络体系提供了重要启示。