当端侧推理以1.53s的首Token时延在弱网环境下领跑，当云端推理以3.88s在强网环境下提供最强模型能力，当边缘部署在2.77s的中间位置寻求成本与性能的平衡——三种部署方案各有所长，但没有一种方案能“通吃”所有场景。中国移动研究院发布的这份白皮书，系统分析了端边网云协同架构如何通过动态任务调度、通算资源融合，在网络AI业务的不同工况下实现最优的服务质量保障。

6G时代，AI服务的质量由传输、计算、模型、数据多环节共同决定，单一环节的优化无法保障端到端的用户体验。端边网云协同成为6G网络AI的核心架构范式——终端负责数据采集与轻量推理，边缘节点提供低时延算力服务，云端承载大规模模型训练与复杂推理，网络则成为连接和调度四类资源的智能纽带。端边网云协同的目标是：在不同网络工况、不同业务需求下，动态决策AI任务在哪个节点执行、哪些数据在何处处理、哪些模型在何时加载，实现全链路时延、能耗、成本的最优平衡。

统一选用Qwen2-0.5B轻量化模型，分别部署在终端、边缘服务器、云端三类节点，无线环境统一叠加TCL300衰落信道。实测结果显示：端侧推理平均TTFT为1.53s——因无需跨网传输数据完全规避空口损耗，在弱网环境下优势显著；本地边缘服务器平均TTFT为2.77s——传输链路短，但仍依赖无线空口；云端大模型平均TTFT为3.88s——算力最强但长距离传输和空口损耗双重拖累。

端侧部署的优势是规避网络传输不确定性，适合弱网、高干扰、对实时性要求极高的场景，但受限于终端算力和续航。边缘部署平衡了算力与传输距离，适合园区、工业等垂直行业场景，可在中等网络条件下提供可接受的体验。云端部署提供最强算力与最大模型，适合复杂推理、专业创作等高要求任务，但严重依赖优质网络条件。三种方案没有绝对的“最优”，最优解取决于实时无线环境、任务复杂度、终端状态等多维因素——这正是端边网云协同的核心价值。

多用户并发测试显示，并发用户从10户增至50户时，TTFT从41ms升至251ms（增长512%），TTLT从901ms增至5474ms（增长507%）。云端算力、无线空口、传输带宽等共享资源被多方抢占，单任务可分配资源持续减少。解决方案包括：基于实测时延阈值规划算力集群容量；引入动态负载均衡与任务优先级调度机制；结合端边云分层架构，将部分并发任务下沉至边缘/终端节点缓解云端算力压力。

6G网络通过QoAIS指标体系感知端到端的服务质量状态，并据此动态调配通信、计算、模型、数据四类资源。当无线环境波动时触发“以算补通”——增强边缘计算能力弥补传输时延损失；当算力紧张时触发“以通补算”——优化传输策略减轻计算负载。通过端边网云协同，网络可在信道质量下降时动态切换任务执行节点（如从云端迁移到边缘），在多用户并发时动态调整资源分配策略，在终端续航紧张时将重计算任务卸载至网络侧。

系统级-任务级-资源级三层指标逐层映射传导，使网络将用户模糊的体验需求转化为精确的资源配置。系统级指标（AI服务密度）指导网络规划算力与带宽容量；任务级指标（首Token时延）驱动端边云任务调度决策；资源级指标（包时延预算、计算时延、模型准确率）指导底层资源精确配置。三层协同使网络从“被动响应”走向“主动保障”。