2025年5月31日-6月1日，The 7th International Conference on Blockchain, Artificial Intelligence, and Trustworthy Systems (BlockSys 2025) 在中山大学（珠海）隆重举行。王田教授指导的博士研究生梁玉珠的论文“EC-MADRL: AI-Enhanced Edge Cooperation Caching Based on Multi-Agent Deep Reinforcement Learning”荣获Best Paper Award（获奖比例3/230=1%）。该论文合作者还包括北京师范大学曾建电博士、张广学老师、博士生梅雅欣和北师香港浸会大学邹浩东博士。
Yuzhu Liang, Jiandian Zeng, Haodong Zou, Yaxin Mei, Guangxue Zhang and Tian Wang*. EC-MADRL: AI-Enhanced Edge Cooperation Caching Based on Multi-Agent Deep Reinforcement Learning. The 7th International Conference on Blockchain, Artificial Intelligence, and Trustworthy Systems (BlockSys 2025). Springer, 2025:1-14. Best Paper Award.
该研究工作提出了一个合作式边缘缓存框架，其中每个边缘节点作为一个智能体为多个区域内用户提供服务，这些边缘节点通过协作博弈的策略交互，设计初始缓存策略，推导出满足纳什均衡的最优策略。提出的基于多智能体深度强化学习的合作博弈资源缓存方法，可以及时更新缓存内容，在最大化边缘节点利润的同时，满足最小化用户获取成本的约束，优化了资源配置，大大减少了用户请求时延。对所提方法的时间复杂度与收敛性进行了分析，并证明了其在合作边缘环境下的优越性能。构建了一个基于多个NVIDIA Jetson TX2设备的真实测试平台，与基线方法相比，所提出的方法使边缘节点利润提升了30.12%，用户时延减少了20.67%，用户获取成本降低了24.31%，实验结果验证了方法的有效性。
王田教授还受邀参与了主题为“如何实现可持续及可信的分布式智能？”的圆桌讨论。他指出：大模型的生命周期包括以下几个阶段：设计与开发、训练与验证、部署与服务、监控与更新、退役与归档。在此过程中，区块链技术为构建可信任的人工智能提供了诸多可能性。分布式智能不仅仅关注于如何有效地分散计算任务以提高效率，还包括了如何在保障数据安全、尊重用户隐私的前提下，构建一个开放、透明且具有高度可靠性的智能生态系统。这需要综合考虑技术架构、业务逻辑、法律法规以及社会伦理等多个维度的因素。
