S^2：不吹不黑，聊聊无线AI

bigbing

文 | Peng

这是一个不谈AI都不好意思和别人打招呼的年代。AI与无线通信（包括5G、未来6G）的结合已成为一个越来越热的话题，以下就从AI的四大要素（数据、算力、算法、场景）入手，跟风聊聊无线AI。

数据

数据是AI的源泉。数据越多，AI的潜力越大。

毫无疑问，在这方面，无线通信有着天然的优势：数以百万计的系统设备，数十亿的手机终端，数百亿的物联网终端，每天都在产生着大量的数据。而且，通信网络本身的连接属性，使得数据的采集与搬运更为便利。

但目前的问题在于，AI需要的不仅仅是数据，更是“干净”的、高质量的数据。这是AI发展的前提，没有干净的数据，在此基础上建立的算法模型就没有准确率可言。

目前数据的采集和存储缺乏统一的标准，也没有规范要求，数据的缺失和失真使得它的可用性大打折扣。提升可用性的前提是建立数据格式统一的标准，并需要花费大量的精力对数据进行规整和清洗，这无疑加大了AI落地的难度和成本。

更进一步，现在世界各国法规对用户数据的使用有着越来越严格的要求，欧盟的GDPR（一般数据保护条例）已经于2018年5月25日生效，而且一般认为，这只是一个开端。运营商在数据获取方面有着天然的优势，但即便是运营商，也不能随便采集和使用用户的数据，必须符合合规的要求。

再进一步，当真的有海量数据可用时，究竟需要如何收集数据，收集哪些数据也是一个巨大的挑战。无线通信的数据维度非常高，数据类型跨度非常大，数据量更是海量的。一方面，要保证算法的泛化性和场景的适配性，数据的采集需要综合考虑尽可能广泛的场景。另一方面，又要保证数据采集的有效性和可行性。二者之间如何保持一个平衡，这是一门需要认真探究的学问。

目前也有尝试通过仿真工具产生数据，但实践证明并不是很可行。通过大数据去拟合出模型，基于仿真工具产生的数据，最终的拟合结果就是拟合出仿真所用的公式，难以满足泛化能力的要求。

除了以上的林林总总，数据工程化、标签自动化等都是极大的挑战。数据就在那里，但想用起来并不容易。

算力

从无线AI的角度，算力的挑战相对较小。

运营商本身就有大量的数据中心，有大量的云计算资源，再考虑未来的边缘计算能力，这些资源可以为AI提供强大的算力支撑。而算力网络的发展，将进一步提升算力支撑的能力与效率。

终端方面，随着终端能力的提升，也为无线AI的发展提供了相当的算力。

算法

有利的一面，是通信网络的很多场景都有极强的规律性，也有很多现成的工作模型，这些都可以为AI算法的模型提供参考依据。

具有挑战性的是：目前流行的深度学习（DL）模型究竟是否适合无线通信系统？DL这些年是随着图像识别、自然语言处理发展起来的，但应用于无线通信的历史很短，不确定性很大。

更进一步，无线通信的场景很多，加上传播信道的随机性和多变性，都使得信道环境可能发生很大的变化，AI能否及时、准确的收敛，都存在疑问。而且，无线AI是无信通信与AI的结合，当无线AI出现问题，例如无法收敛或是效果比较差的时候，问题的边界往往难以准确的界定，这都在算法层面提出了很大的挑战。

简而言之，无线AI绝不是流行的AI算法与无线通信的简单结合。究竟怎样的算法体系适用于无线通信，或是适用于无线通信的具体细分场景，还需要持续的探索过程。

场景

所谓无线AI的适用场景，业界讨论很多，但实际上并不完全清晰。

根据ETSI ENI的定义，无线AI适用于架构管理、网络运维、网络保障、服务编排和管理、网络安全等；GSMA也就无线AI在网络运营、网络维护监控、网络优化配置、业务质量保障提升、网络节能增效、网络安全防护、网络规划建设中的应用做了定义。

一般认为，无线AI在应用层、管理面、控制面的应用，不存在太大的争议，只是收益与代价的权衡，以及标准、平台、接口、数据流程能否很好支撑AI应用的问题。但在无线传输层面，AI应用的边界并不清晰。

AI在编码调制、信道估计、多天线优化等物理层中的应用，是当前业界关注的焦点之一，业界也已做了大量的研究。挑战主要有两个：一是当前的物理层算法已有成熟的模型，采用AI算法的增益究竟能有多少。归根结底是收益与成本的权衡问题；二是AI算法的结果缺乏确定性的解释，对问题的定位也提出了新的挑战。

看到了一个很好的例子，对于确定性的计算，例如2x4=8这种计算，采用公式计算非常简单，但如果采用AI，可能收敛的结果会是8.001。显然，AI并不是放之四海皆准，有一个应用边界的问题。

其实，除了以上要素，个人更倾向于认为，人才准备、工作流程、组织架构，甚至思维中固有的理念才是无线AI最终落地的更大障碍。

对于传统思维方式与生产方式的颠覆从来都不容易。直面它，质疑它，并且拥抱它，无线AI，终究会来。