본 논문은 구현된 AI 시스템의 다양한 감각 입력으로부터의 효과적인 학습, 사용자 선호도에 대한 지속적인 적응, 그리고 자원 및 개인 정보 보호 제약 조건 하에서의 안전한 작동이라는 과제를 해결하기 위해, 기초 모델(FMs)과 연합 학습(FL)을 통합한 새로운 패러다임인 연합 기초 모델(FFMs)을 제안한다. FFMs는 다중 모드 다중 작업(M3T) FMs의 일반화 능력과 FL의 개인 정보 보호를 위한 분산 학습의 장점을 결합하여 무선 에지에서 지능형 시스템을 가능하게 한다. 논문에서는 구현된 AI 생태계에서 FFMs의 중요한 배포 차원을 "EMBODY" 프레임워크(Embodiment heterogeneity, Modality richness and imbalance, Bandwidth and compute constraints, On-device continual learning, Distributed control and autonomy, Yielding safety, privacy, and personalization) 아래 통합하여 제시하고, 각 차원에 대한 구체적인 과제와 연구 방향을 제시하며, FFMs 배포를 위한 평가 프레임워크와 관련된 트레이드오프도 제시한다.
