La computación de borde de acceso múltiple (MEC), basada en la computación en la nube jerárquica, ofrece recursos abundantes para respaldar la red de Internet de las Cosas de próxima generación. Sin embargo, varios desafíos críticos, como los métodos de descarga, la dinámica de la red, la diversidad de recursos y la toma de decisiones del servidor, permanecen abiertos. En cuanto a la descarga, la mayoría de los enfoques convencionales han descuidado u simplificado en exceso los escenarios de múltiples servidores MEC, centrándose en instancias de un solo MEC. Este enfoque miope no se adapta a la descarga computacional durante la sobrecarga del servidor MEC, lo que hace que dichos métodos no sean óptimos para implementaciones reales de MEC. Para abordar esta deficiencia, proponemos una solución que emplea un enfoque basado en aprendizaje profundo de actor-crítico suave (SAC) para calcular la descarga y facilitar la toma de decisiones del servidor MEC en entornos de múltiples usuarios y servidores MEC. Se realizaron experimentos numéricos para evaluar el rendimiento de nuestra solución propuesta. Los resultados demuestran que nuestro enfoque reduce significativamente la latencia, mejora la eficiencia energética y logra una convergencia rápida y estable, destacando así el rendimiento superior del algoritmo sobre los métodos existentes.