刘光 <unk> ： AI for 6G

目录 6G原生驱动力AI 1 6G原生AI架构设计和关键功能 2 6G和基础模型3 对无处不在的情报的需求 AI已经成为新一轮产业变革的核心驱动力，产业的自动化、数字化、智能化需要无处不在的智能化。 AI对网络的驱动力 移动通信技术面临瓶颈，迫切需要技术创新和跨学科融合，人工智能是提升网络性能的关键解决方案。 空中接口 人工智能网络的驱动力 ITU将6G场景扩展到无处不在的智能。AI需要转变为6G通信网络的新功能和服务，以实现AIaaS 5G网络与AI融合的挑战 满足6G和AI集成需求，需要提高由场景用例、插件或移植驱动的现有AI设计方法的通用性和效率。 外部或嫁接AI 情景驱动的AI 将AI服务器或与AI相关的网络功能添加到网络中，例如NWDAF 面向网络的AI 问题：保证实时、有效和一致的数据是一项挑战，完成整个人工智能过程需要很高的试验和错误成本。 UE网络云AI服务：数据只能上传到云端，难以有效利用网络中无处不在的资源，无法保证AI服务的质量和安全性6 6G原生AI设计原则 目录 1 6G原生驱动力AI 6G原生AI架构设计和关键功能 2 6G和基础模型3 6G原生AI网络架构 挑战：由于AI的三个基本组成部分（数据、算法和计算）已经获得了与网络连接相当的重要性，相应的架构、接口和协议的设计应该跨越整个AI生命周期。 方法 与5G网络不同，6G网络将定义新的数据平面、智能平面和计算平面，传统的控制平面和用户平面也有望得到扩展。 6G原生AI网络架构 关键功能1：AI服务质量(QoAIS) 传统QoS系统主要强调会话和连接性能，缺乏对多样化需求的全面支持；QoAIS指标体系将安全性、隐私性、自主性和资源开销作为新的评价维度，形成标准化的AI服务质量评价体系。 关键特征2：AI计算与通信深度融合 为了满足AI的连通性和分布式计算服务需求，需要设计一个集成计算和通信的原生AI协议。它通过三个维度来实现：管理平面、控制平面和用户平面 关键特征3：数据生成和可靠的AI 网络中AI的海量训练数据需求和高试错风险要求网络数字孪生实现按需数据生成和可靠的AI和验证 数据生成和优化 1.降低数据收集和传输成本；2.解决传统真实数据获取困难等问题；3.技术：GAN中的数据增强； AI的预验证 1.旨在在不影响网络运营的情况下完成性能预验证；2. Re d u c e p o t e n t i a l r i s k s h a tdeci s i on可能导致网络性能恶化； 目录 1 6G原生驱动力AI 6G原生AI架构设计和关键功能 2 6G和基础模型3 •检测故障并生成解决方案•编排和计划任务工作流•在验证阶段发挥重要作用 •为基础模型提供丰富的环境数据•为用户提供基于意图的服务•实现智能终端的全局协同控制 基础模型的网络 6G原生AI通过在训练过程中提供链接和数据服务来促进基础模型的训练，并通过链接，计算和模型分解/分发服务支持推理过程 基础模型需要大量的存储空间和强大的AI推理芯片，这是单个基站无法满足的。 基础模型训练通常需要数据中心中的高速光纤连接，这使得无线电网络部署具有挑战性。 功能 收集用户和网络数据，对其进行预处理，并管理流量以支持模型训练 通过适当的模型分割，模型可以部署在无线网络中，以提供AI推理服务。 服务 在6G网络中，部署更靠近用户的模型可以减少延迟 6G网络高效处理数据，减少数据传输，改进模型的云AI训练 如何在6G网络中平衡增加的推理延迟和减少的传输延迟？模型分段、压缩和加速等技术是否可行？数据在节点?16 未来问题 所需的特殊数据分析技术？如何在分布式中高效地调度数据？ 网络基础模型 与ChatGPT不同，由于结构化数据的丰富和不同网络问题之间不清楚的共性，网络基础模型面临着重大挑战 网络AI基础模型的挑战-数据 网络操作和维护数据主要以分钟/小时的间隔从一致的来源获得，而网络操作数据由于时间间隔，标准化和数据源的变化而更加复杂，因此更难获取。 网络AI基础模型的挑战- 批判性思维 数据/模型 •如何利用无处不在的移动计算能力来增强基础模型，如ChatGPT和语义模型？ •如何完善AI网络和AI网络的统一架构，在智能或计算层面实现智能接口、功能和流程的高效设计？ •架构如何支持网络AI基础模型的分布式训练？ 6GANA：一个民用和开放的网络AI国际交流平台 国际会议MWC 2023、Hexa - X、6GIC、TII！ 6GANA发布了17份白皮书（7份英文），以说明有关网络AI的最新全球技术共识！ 谢谢！