无线AI技术的理解

bigbing

伴随着人工智能（artificialintelligence,AI）三大驱动力——算力、算法和数据相关技术的不断发展，AI技术正在人类社会中掀起新一轮的技术革命。特别地，作为AI技术的一个重要研究方向，机器学习（machinelearning,ML）利用了深度神经网络

（deepneuralnetwork，DNN）的非线性处理能力，成功地解决了一系列从前难以处理的问题，在图像识别、语音处理、自然语言处理、游戏等领域甚至表现出强于人类的性能，因此近来受到了越来越多的关注。

AI/ML技术发展的同时，无线通信系统也在持续高速发展中。第5代移动通信（5G）支持增强移动通信（enhancedmobilebroadband,eMBB）、超高可靠低时延（ultra-reliablelowlatencycommunications，uRLLC）和海量机器类型通信（massivemachinetypecommunications，mMTC）等三大应用场景，而未来的无线通信系统必将向更大吞吐、更低时延、更高可靠性、更大连接数、更高频谱利用率等方向演进。已有的研究工作表明，AI在复杂未知环境建模、学习，信道预测，智能信号生成与处理，网络状态跟踪与智能调度，网络优化部署等许多方面具有重要的应用潜力[1]-[228]，有望促进未来通信范式的演变和网络架构的变革，对6G技术研究具有十分重要的意义和价值。由此催生了无线AI技术的蓬勃发展。

无线AI将是未来6G中渗透性最强的核心技术之一，涉及空口、网络、协议和算法的各个层面，也将深度影响感知、通信、计算、控制等网络功能，其性能潜力巨大。学术界和产业界围绕无线智能网络架构、无线智能空口、无线AI算法、无线AI数据集、无线语义通信等基础理论和关键技术展开了深入研究和探索，取得了一系列重要进展。

在IMT-2030（6G）推进组的统一安排下，无线技术工作组无线AI任务组就人工智能技术在6G无线空口和无线组网中的应用开展了深入调研分析，以为下一步开展相关研究提供指导和思路。本报告在对当前国内外的主要研究状况进行调研分析的基础上，结合部分成员单位在无线AI上的一些研究工作，对无线AI的若干研究方向及其关键技术进行了较为全面地分析和讨论，同时探讨了无线AI的难点、挑战和产业化前景。

传统通信链路设计时，人们采取分而治之的方法，将各功能模块进行独立的设计和优化如图2-1所示。在某些功能模块的设计和优化过程中，可能存在着性能损失。例如，为了降低设计复杂度，将某些非线性处理简化假设为线性操作。又如，一些模块的设计理论仍然缺失或难以分析，只能借助于启发式算法。此时，使用AI/ML方法替换这些模块可以带来性能的提升以及处理时延的降低。这也是将AI/ML方法用于空口技术设计的最直接方式。

未来无线通信系统将由不同的接入制式，多样的网络部署方法和混合异构网络共同组成，旨在实现数据传输速率、网络覆盖率和可连接设备数量等方面的大幅提升以及网络时延和设备能耗的持续降低。在未来无线通信系统中，无线资源分配以及系统内部与系统之间的干扰协调是业界关注的一大研究热点。面对状态多变、架构复杂的未来网络，传统模型和算法难以提供高效可靠的技术支撑。基于人工设计的传统的资源管理方法将很难满足日益苛刻的通信服务质量需求。同时，下一代无线网络期望更多地考虑用户环境以及行为特征，从而提供更高质量的个性化的通信服务[11]。为解决这些问题，面向下一代无线网络的资源管理方法亟需理论和范式上的创新与突破。另一方面，基于AI的最优控制方法在近几年有着迅猛的发展，其中最主要的发展方向为强化学习。强化学习能够通过与环境的交互，学习环境的特征，从而自适应地实现最优决策。特别是深度强化学习（deepreinforcementlearning，DRL）,能够以极低的计算成本智能地处理复杂系统的最优控制问题[12]。不同于传统模型和算法，AI技术对复杂多变的网络环境和网络结构具有很好的适应性，并且能从已有数据和先验信息中提取出未知特征以推演出高效的资源调度和干扰协调方案。由此，应用先进的Al技术解决异构无线资源调度和干扰协调问题逐渐发展为无线网络技术研究中一类新兴的研究手段。基于强化学习的无线资源管理作为当前的研究热点，得到国内外诸多著名研究团队与企业的推进和发展[13-23]。目前，在频谱资源分配[13]，车联网[14]，无人机通信[16]，绿色通信[17]等诸多方面，已有较为成熟的研究成果。这些研究成果表明，相比基于人工设计的传统方法，基于强化学习的无线资源管理在计算成本与服务质量上的表现均有提升。在无线通信干扰协调、资源调度（包括功率分配、信道分配、接入控制）和集中式分布式架构方面，AI已经有了各种研究和应用。

AI在无线通信网络的应用层和网络层主要有两方面的应用。首先，它们可以用于预测、推理和大数据分析。在此应用领域，AI功能与无线网络从其用户、环境和网络设备生成的数据集学习的能力有关[138][139][140][141]。例如，AI可以用来分析和预测无线用户的可用性状态和内容请求，从而使基站能够提前确定用户的关联内容并进行缓存，从而减少数据流量负载。在这里，与用户相关的行为模式（如移动方式和内容请求）将显著影响缓存哪些内容、网络中的哪个节点以及在什么时间缓存哪些内容。第二，AI在无线网络中的另一个关键应用是通过在网络边缘及其各网元实体（如基站和终端用户设备）上内嵌AI功能来实现自组织网络操作。这种边缘智能是资源管理、用户关联和数据卸载的自组织解决方案的关键促成因素。在这种情况下，AI可以学习环境，并随着环境的变化采用不同的解决方案，使得设备自主决策成为可能，从而实现网络智能化。

近年来，随着人们对无线通信智能化需求的提升，各种基于无线通信技术的新兴智能业务（如工业互联网、车联网、远程医疗/手术、虚拟现实及全息投影技术等）层出不穷。这些新兴业务不再仅仅依靠高速率的数据传输，而逐渐对网络智能化和服务多样性等方面提出更多要求。在这一发展趋势的推动下，未来通信网络将开始逐步向高度自动化、智能化且可提供更贴近人类用户需求和体验的万物智联全新架构转变。

语义通信是一种全新的通信架构，它通过将用户对信息的需求及语义融入通信过程，将有望大幅度提高通信效率、改进用户的体验质量（QoE,qualityofexperience），并从根本上解决基于数据的传统通信协议中存在的跨系统、跨协议、跨网络、跨人—机不兼容和难互通等问题，真正实现“万物透明智联”的宏伟愿景，即通信网络、计算和存储等软/硬件设备无缝融入人们的生活。人们无须携带手机或计算机等专属计算和通信设备也可以享受无处不在的计算、存储和通信等服务。

无线AI研究需要高质量的数据，如何共建共享无线AI研究数据集是无线AI研究向前推进需要迫切解决的问题。一种典型的无线AI研究数据集可以包括如下5个子数据集：1）信道数据集，包括对信道状态的记录；2）环境数据集，包括对客观环境的描述；3）经验数据集，包括无线网络状态、决策和性能的记录；4）用户画像数据集，包括对用户属性、行为的描述；5）预训练模型数据集，包括预先训练好的可用于通信任务的神经网络模型及参数。其中，信道状态可以是信道估计得到的信道系数，也可以是CSI测量信息等信道相关的信息。环境数据则可以包括用于描述客观传输环境的图像、点云数据等。用户画像可以包括用户使用的终端型号、位置等用户属性和行为信息。而预训练模型则可以是不同场景下的信道预训练模型、信道数据的分布模型或无线网络优化模型等可用于特定场景特定任务的预先训练的神经网络模型集合。