IoT 基础模型综述：分类法与选型准则¶
初读范围：本文基于 arXiv 元数据、摘要和公开条目信息建立阅读卡片；尚未完成 PDF 全文逐段复核、引用链核验或实验表抽取，因此保持
UNVERIFIED / UNREVIEWED。
为什么值得读¶
IoT 里的 AI 过去常像“每个岗位都单独培训一个新人”：温度异常检测训练一个模型，动作识别训练一个模型，设备故障预测再训练一个模型。基础模型的想法更像先训练一个“通用实习生”，再针对具体传感器和任务微调。
这篇综述的价值在于不只列模型名字，而是把 IoT 基础模型按目标拆成效率、上下文感知、安全、安全与隐私等准则。对学习站来说，它可以作为 Layer 5 从“单点模型优化”走向“跨任务可迁移智能”的入口。
论文要回答的问题¶
- IoT 场景中哪些任务正在使用 foundation models。
- 不同 IoT 任务之间，能否用统一准则比较模型能力。
- 选择 IoT foundation model 时，应优先看效率、上下文、安全还是隐私。
- 现有研究还缺哪些标准化评估指标。
分类视角速读¶
| 准则 | 在 IoT 中的含义 | 工程关注 |
|---|---|---|
| 效率 | 模型能否在端侧或边缘侧跑得动 | 参数量、延迟、能耗、通信量 |
| 上下文感知 | 是否理解设备位置、时间、场景和用户状态 | 多模态融合、时序建模、个性化 |
| 安全 | 模型输出是否能被攻击诱导或误用 | 对抗鲁棒性、异常输入、控制边界 |
| 安全与隐私 | 数据是否能少出域、少暴露 | 联邦学习、差分隐私、访问控制 |
放进全栈框架¶
- Layer 1/2 提供传感器与连接条件，决定数据形态和带宽预算。
- Layer 4 提供边缘部署环境，决定模型是否有运行空间。
- Layer 5 负责模型迁移、微调、压缩与多模态理解。
- Layer 6 需要约束隐私泄露、模型供应链和提示注入等风险。
初读结论¶
这篇论文提醒我们：IoT foundation model 不是“把大模型塞进设备”这么简单，而是要回答模型能否跨设备、跨任务、跨场景复用。后续深读时，重点不是记住所有模型名，而是抽取一张选型表：在给定数据类型、延迟预算、隐私边界和安全等级后，该选哪类模型与部署策略。
后续核验清单¶
- 从 PDF 中提取完整 taxonomy，并标注每类对应的 IoT 数据类型。
- 核对论文提到的代表性模型、指标和数据集。
- 区分作者给出的事实统计、方法归纳和未来方向判断。
- 对接
edge-rag-retrieval、multimodal-edge-perception与llm-iot-security-survey。
参考文献¶
[1] H. Wei, D. Y. Lee, S. Rohal, Z. Hu, R. Rossi, S. Fang, and S. Pan, "A Survey of Foundation Models for IoT: Taxonomy and Criteria-Based Analysis," arXiv:2506.12263, 2025.