开源无线网络-OSRAN

 找回密码
 立即注册
搜索
热搜: 活动 交友 discuz
查看: 279|回复: 0

无线AI的思考(挑战篇)[2]

[复制链接]

42

主题

42

帖子

140

积分

注册会员

Rank: 2

积分
140
发表于 2023-6-23 12:15:28 | 显示全部楼层 |阅读模式
3 无线AI单点突破到系统创新的挑战
我前面提及我对无线AI的快速规模商用的态度从激进转向了保守,最核心的问题就是无线AI是一个系统解决方案,不是一个单点技术突破问题。尤其是需要整个无线系统产生比较大的革命和变化,才能够更好应用无线AI的技术。这一点其实非常要命的。
我们实际上已经在很多单点领域找到了无线AI算法的价值,而且这种单点突破会越来越多,但如果想快速的让基站这个铁疙瘩上产生智能,其实还是非常有挑战的。
现在大家都明白了,是因为数据、算力和算法的共同突破才使得AI应用在某些领域产生突破。但正是因为有Caffe、Tensorflow等这些AI平台出现后,降低了AI创新的成本,加速了AI创新,才最终导致了AI的应用百花齐放。
前面在描述数据挑战的时候我已经强调了,按现在人工收集数据的模式是不可行的,成本太高,效率太低。而采用传统的技术去部署AI算法也是不可行。谷歌最近在推的AutoML技术可能最适合在无线系统中应用。
同时,在描述数据安全和隐私,以及模型泛化的时候,我也提及了大量的数据可能并不能上到云端,尤其是非高价值数据不用上云端。同时为了解决数据异常和数据随机性问题,就需要有足够场景的数据,这样模型的联合学习和模型迁移问题就是非常关键了,这些都需要有特殊的架构支持。
为了支撑好无线AI,产品要进行架构和平台的彻底改变,甚至还要设计专用芯片,伤筋动骨,代价非常高。无线AI短期内是否有足够的价值和商业模式支撑这么大的改变是非常具有挑战的。很可能陷入鸡生蛋、蛋生鸡的问题。
AI应用的规律,先有平台和架构,才能自动化的获得大量的数据,自动化的部署算法,在上面才能快速长出更多的应用。
系统级的创新和革命很难,有些公司要举公司之力去推AI First就是这个原因。
4 AI算法挑战
前段时间遇到浙大的张朝阳教授,他告诉我现在流行的DL(Deep Learning,以下同)模型结构不太适合通信系统,在这次会议上遇到金石教授,他也给了同样的观点。我们发现Tensorflow内置的算法有11类,几百种算子,但没有为无线设计的。DL这些年是随着图像识别、自然语言处理等发展起来的,但应用于无线系统的历史很短,还存在很多不确定性,也没有积累。
其实大家比较津津乐道的几十、上百层的DL算法应用暂时在无线系统里面很少看到。我们目前常用的NN(Neutral Network,神经网络)层次最多也就看到5-6层。实际在目前的无线系统里面用的比较多的反而是强化学习、随机森林、SVM等ML算法,或者深度强化学习。
无线的场景非常多,加上空中传播信道的各种随机性和多变性,比如一阵雨,或者一辆车开过,就会导致信道环境发生很大的变化,很难收敛出规律来,这一点是让很多人感觉悲观的。同时,无线AI是无线理论+ML的结合,这是两门不同的学科。有些场景下采用ML不产生作用、无法收敛、或者效果比较差的时候,你很难界定是ML不适用,还只是因为ML模型结构不对。尤其是我们团队经过去年在无线软件大赛下,通过DL模型的几次优化,最终用一个神经网络从无法收敛规则到最终战胜了人类、且战胜了大部分其它对手,成为大会的第2名(小分落后)。我们深刻理解了DL模型本身就是一个很深的学问,有很多可挖的空间。
适合无线的AI算法体系是什么样的?有哪些方向需要不断积累和发展呢?其实还不完全清晰,现在只是才起步,要长期探索适合无线的AI算法。
5 新知识体系的挑战
无线AI是一个工业界和学术界齐步走的技术,学术界的兴起主要从2017年开始的,所以学术界并不能给工业界太多的指导和帮助。将AI技术应用到无线通信系统中对传统基于香农定理理论基础发展起来的通信体系在知识体系上是一个非常大的冲击,在人才、技术、理论,甚至心理上都还没有做好准备。
我自己在2016年接触到DL的时候,对数据建模就非常不理解,反复询问其中的逻辑关系是什么,公式是什么?如何解释。后面才明白NN类似一个模拟计算,对于每一个选择可能没有那么精确的解释。花了大量的时间学习Alpha go的原理,自己尝试做了几个演练,才对DL的原理有所了解。后面又花了一些时间了解强化学习的原理,同时还花时间上了吴恩达的网课。从接触到初步明白ML原理花了不少时间,现在也只能说很初步的了解,关键还是观念的变化。主要是自己脑子里原来的技术体系太牢固了,非常强的逻辑推理习惯,很难接受一种全新的数据建模的技术体系。坦率的说,我对ML算法的理解深度可能还赶不上一些刚毕业的AI背景的博士。
香农定理和机器学习是完全不同的两个科学分支,前者是由牛顿建立最小相关性假设集合,然后以推理演绎构建理论体系。归纳出模型,然后不断演进。牛顿体系是feature function的关键因素抽取极为明确下的准确推理。后者经验主义分支,甚至可以认为是基于数据的暴力计算。下面这个图表罗列其中的差异。

当全员都在讨论AI的时候,其实我挺担心的。我最害怕的是具有决策地位的专家和主管其实并不太懂AI,或者并不了解数据建模的原理和真实体验。如同盲人摸象,只摸到一条腿就可能认为就是整个世界了。这也是我为什么想写这篇文章的根本原因,尝试将我自己的浅显理解写出来,供大家讨论。

回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|小黑屋|OpenXG  

Copyright © 2001-2013 Comsenz Inc.Template by Comsenz Inc.All Rights Reserved.

Powered by Discuz!X3.2

快速回复 返回顶部 返回列表