万物智能互联产生海量数据，使基于云计算的传统分布式训练面临网络负载大、能耗高、隐私泄露等问题。在此背景下，引入边缘智能技术可使边缘设备能够执行智能算法，充分利用边缘侧海量的数据和硬件资源，并将边缘计算和机器学习相结合，以提供更高效、更贴近用户需求的智能服务，解决人工智能的“最后一公里”问题。

　　该文首先从现有的分布式机器学习、边缘智能等方面调研了边缘智能协同训练的关键技术，讨论了在设备资源受限、网络环境不稳定等场景下产生的挑战，总结出边缘智能协同训练的整体架构和核心模块，重点关注边缘设备之间的交互框架、大量边缘设备协同训练的神经网络模型等问题。该文提出，已有研究更多关注设备参数层面的局部角度和通信层面的全局角度，忽略了每个通信轮次客户端子集的动态变化，但这些变化却对协同训练性能产生重要影响，因此需进一步探索。此外，优化异构设备间的协同机制、在非独立同分布且动态变化数据中训练更多样的高性能模型、搭建可信的动态场景仿真环境等，都是未来需要拓展研究的重要方向。