مع تطور الشبكات في اتجاه العمليات الذاتية للجيل الخامس المتقدم (5G-Advanced) والجيل السادس (6G)، تظهر أهمية الذكاء الاصطناعي الوكالي الذي يقوم بعمليات استدلال متعددة الخطوات. هذا النوع من الذكاء الاصطناعي يعتمد على نماذج اللغة الكبيرة (Large Language Models) لتنفيذ المهام الطبية، واسترجاع المعرفة، وتنسيق العمل بين فرق الوكلاء. ولكن، مع ذلك، يعاني هذا النوع من الذكاء من كثافة الطاقة والذاكرة المطلوبة، مما يجعل إدارتها بشكل مستدام أولوية قصوى.

تشير خلاصات الدراسة إلى أن المقاييس الحالية لتركيبات الذكاء الاصطناعي تقيّم فقط استنتاجات النماذج الفردية أو تتجاهل الرسوم البيانية التنفيذية للعديد من الوكلاء. نتيجة لذلك، يفتقر مشغلو الشبكات إلى نماذج أساسية لاكتشاف ما إذا كان التواصل بين الوكلاء يتسبب في تكاليف طاقة كبيرة وأين يجب أن تكون أماكن الوكلاء في هيكل السحابة الحافة.

للتعامل مع هذه القضية، تم تقديم Metric المعروفة باسم agentic-eCAL التي تعمم مفهوم كلفة الطاقة لدورة حياة الذكاء الاصطناعي (eCAL) على تدفقات العمل المدارة عن طريق الوكلاء. تعتمد هذه المقاييس على نماذج مغلقة وتأخذ عوامل مثل نموذج الطاقة المعتمد على الكمبيوتر والنموذج المعتمد على الذاكرة. وقد تم التحقق من هذه المقاييس من خلال تجارب استنادًا إلى العديد من تكوينات GPU ونماذج مفتوحة وأعلى النماذج.

تكشف النتائج أن نقل النص بين الوكلاء يشكل 0.25% فقط من إجمالي طاقة العمل عبر روابط 5G RAN. لذا، في سياق التوزيع بين الوكلاء في السحابة الحافة، فإن التكلفة الرئيسية للطاقة ليست بالضرورة في عملية النقل نفسها، بل كيف يتم معالجة السياق والاستنتاجات الإضافية التي تنشأ عن هذا التواصل.