华为研究：AI与通信2024年11月

编者按ᎄᏨો 早在2018年，华为就率先提出“智能互联（Connected Intelligence）”的6G愿景。今天，随着AI革命加速使能各行各业，我们的使命是要构建下一代移动平台，随时随地为每个人、每个家庭、每个组织提供智能服务。 2023年11月，国际电信联盟ITU-R就6G框架建议达成全球共识，将AI和通信一体化列为6G的支柱之一。这意味着，AI for Network和Network for AI已经成为6G的标志性代际技术，终端和超算中心的全面AI化也在以前所未有的速度迅猛发展。古滕堡的文字印刷术开启了人类的信息革命，后来的工业革命使机器在体力上超越了人类，而现今的AI技术则会让机器在智力上超越人 类 。 放眼未来，6G移动网络将成为AI和通信一体化的基础平台，把超级智能服务带给每一个人、每一个物。 移动产业的规律在于以技术创新驱动市场演进。6G的市场窗口期将在2035到2045年，因此6G网络和6G终端必须适应未来消费者和垂直行业的需求。回首20年前，互联网是最新技术的使能者，移动通信因拥抱互联网而获得了巨大的商业成功。今天，AI成为了最新技术的使能者，并且正在成数量级地快速跃迁，带领我们走进超级智能的数字世界。6G移动通信与AI的结合，将打造移动网络的新范式，成为数字世界与物理世界的接口，全面使能通用人工智能（AGI）和具身智能（EmbodiedAI）。6G网络不应局限于生成式AI，而应将AI贯穿到终端、无线网络和核心网的感知、推理、判决以及实体操作的全流程中。在AI和通信一体化的加持下，6G网络将具备通感一体化特性及能力，实现原生的网络智能。 在6G终端演进方面，需要AI来驱动革命性突破，引领全产业链成功。在后移动宽带业务时代，终端技术的突破将是移动产业演进的关键。6G移动终端也将迎来新的革命，向Full AI演进，通过终端能力的跃迁实现6G网络升级，最终引领全产业链成功。 在架构设计方面，6G需要超越SBA（基于服务的架构），基于Agentic AI技术进行重构，从而走向ADGN（应用驱动的生成网络）。与5G相比，6G不单单是技术和架构的演进，而是要带动移动产业以及各行各业进行广泛的技术革新。 围绕AI在无线通信领域的应用，本期《华为研究》荟集了多方研究成果，不仅有华为专家的贡献，还有学术界和同行合作伙伴的愿景分享与成果展示。希望这些研究成果能为6G“智能互联”愿景的实现做出积极贡献。 朱佩英博士华为Fellow 目录目 录CONTENTS Ө˞ᆑ崖Яᦊ拾நἻ以ᠠ̔ืюӿ᝽ՂὉἷያBἸL0240054 展望 主编：廖恒 本期责任主编：童文，朱佩英 编委会：廖恒，童文，肖新华，胡邦红，周慧慧，鲍丰，Jeff Xu，陈海波，陆品燕，王建兵，李瑞华，白博 索阅、投稿、建议和意见反馈，请联系：HWResearch@huawei.com 面向通信的机器学习：通向智能传输与处理之路02王世雄，李烨 印刷数量：4000本印刷单位：雅昌文化（集团）有限公司印刷地址：深圳市南山区深云路19号印刷日期：2024年11月25日 5.5G 时代的人工智能：场景、关键技术与未来趋势17 林英沛，陈雁，秦熠，孙琰，徐瑞，杨玉雯，张征明，陈家璇，田洋，曹佑龙，柴晓萌，陈宏智，齐鸿，庞旭 编印单位：华为技术有限公司发送对象：本行业、本系统、本单位 预见 6G，通信 + AI 唐雄燕，王友祥，隋腾飞 计算即服务：探索移动终端的无限可能33 袁雁南，吴琦，康艳超，刘健康，孙晓文，姜大洁，秦飞 NetGPT 十大问题 童文，彭程晖，杨婷婷，王飞，邓娟，李荣鹏，杨璐，张宏纲，王栋，艾明，杨立，刘光毅，杨旸，肖遥，岳烈骧，孙万飞，李泽旭，孙文文 6G 网络通信大模型关键问题与技术探索45 杨婷婷，张平，郑孟帆，李楠，马帅 版权所有©2024华为技术有限公司，保留一切权利。 实践 技术 6G AI 和通信的性能要求和评估方法50 利用语义数字孪生增强无线通信与大语言模型推理的性能101 张公正，王坚，李榕，陈雁，邵家枫，林辉，王俊，马江镭，朱佩英 陈佩瑶，葛屹群，张其蕃，史无限，魏哲远 数字孪生在线信道建模：愿景、进展与挑战107 AI 原生 6G 网络的数据面设计57 李俊伶，张惟天，王承祥，黄晨 无线网络在网学习基于潜在结构蒸馏的分布式 LLM65Abdellatif Zaidi，Romain Chor，Piotr Krasnowski，Milad Sefidgaran，Rong Li，Fei Wang, Chenghui Peng，Shaoyun Wu，Jean-Claude Belfiore 基于 AI 的射频及天线设计114王光健，阳棂均，Jimmy Jian，Chandan Roy，潘立，黄国龙，蔡华，童文 物理启发的智能通信：机遇、进展和趋势125 基于联邦学习架构的 6G 空口数据分布式生成新方式73 邢子青，黎日东，陈子瑞，杨照辉，张朝阳 徐明枫，李阳，周伟，刘慧，江甲沫 AI 大模型赋能机器人及其为 6G带来的机遇133 面向 6G 网络内生 AI 的服务质量保障78 Massimiliano Maule，Anh Vu Vu，曹瀚文，付廷中，Mohamed Gharba，Daniel Gordon，Joseph Eichinger，张申飞，吴艺群，安雪莉，卢磊 刘光毅，王凯悦，邓娟，吴佳骏，胡焕然，林冠臣 大语言模型在无线通信知识管理领域的实践探索142 6G 智能内生网络多维资源联合编排管控技术研究86 侯宏伟，马驰翔，杜笠弘，李俊辉 王栋，郭建章 面向 6G 的非正交叠加导频传输与接收方案研究94 肖寒，田文强，郑旭飞，刘文东，沈嘉 面向通信的机器学习：通向智能传输与处理之路 王世雄，李烨 摘要 在人工智能与大数据时代到来之前，无线通信研究主要遵循传统路线，包含问题分析、模型构建与校准、算法设计与调优，以及整体测试和经验验证等环节。然而，在处理大规模复杂问题和管理动态海量数据时，这种方法往往存在局限性，导致传统通信系统和技术效率低下、性能受限。因此，借助人工智能和机器学习的革命浪潮，无线通信领域开发出高度自适应、更高效且更智能的系统和算法。这一技术革新为信息传输与处理的智能化铺平了道路。本文将探讨机器学习在智能无线通信中的典型作用，及其特点、挑战与实际考虑因素。 关键词 机器学习，智能传输，智能处理 1引言 图1展示了智能传输与处理的内涵。图2展示了基于机器学习的智能传输与处理系统的端到端架构。 自19世纪以来，无线电通信开启了人类社会信息传输的新纪元。在摩尔斯电码和电报机等早期无线电时代，传输技术严重依赖人工操作，限制了信息交换的效率和可靠性。为了实现信息传输与处理的自动化，第一代“智能传输与处理”概念应运而生。到了20世纪，模块化通信系统取得了重大发展。模块化通信系统由信源编码、信道编码、调制、发射波束赋形、无线传输、接收波束赋形、解调、信号检测、信道解码和信源解码等基本模块组成 [1–3]。从方法论上来看，模块化无线通信与信号处理遵循系统化研究路径，包括问题分析、模型开发与校准、算法设计与调优以及经验验证、反馈与改进，每一步都需要人类投入大量的脑力来完成。 为了展示机器学习在智能传输与处理中的重要作用，本文回顾了通信系统和方法中典型的机器学习应用，包括物理层通信 [6,12]、语义通信 [13,14]、通信资源分配 [15]、ICAC[16] 以及ISAC[17]。受篇幅所限，本文并未穷尽列举该领域当前所有研究成果，仅阐明通往智能传输与处理的路径。 进入21世纪后，无线通信系统需传输音频、视频、文本等各种形式的海量数据，并需保证低时延、高速率和高可靠性。此外，物联网和无人机中继网络等新型网络拓扑，以及通感一体化（IntegratedSensingandCommunications,ISAC）和算通一体化（IntegratedComputingandCommunications,ICAC）等尖端技术的出现，增加了现代通信系统设计的复杂性，这主要体现在以下三个方面： 尽管机器学习有望革新无线通信理论和实践，基于机器学习的方法在带来机遇和优势的同时，也面临挑战和问题[4]，如深度学习等“黑盒”学习方法缺乏可解释性导致的可靠性问题、训练数据有限及底层数据生成规律不平稳引发的泛化问题，以及在训练和存储大型机器学习模型（如深度学习）时资源不足的问题；参见图3。除了上述主要挑战，还可能存在其他问题，如系统拓扑或硬件重配置（如添加或移除天线）引发的可扩展性问题（也可视为一种泛化问题），以及网络学习中的安全与隐私问题 [16]。在发展通信理论和系统时，切勿夸大机器学习的作用，机器学习（尤其是数据驱动的深度学习）可以助力通信，但不是必须遵循的绝对规则；问题分析与机制建模历来都至关重要。相关技术综述，请参见 [18–20]。下例展示了数据驱动的机器学习方法的缺陷。 ●系统和单模块在建模时存在各种不确定性；●用户设备和基站产生各种形式的大数据；●网络实现中面临各种算法挑战。 传统设计方法高度依赖人类智力，难以处理大规模复杂问题和动态海量数据，导致信息传输处理效率低下、性能受限。在此背景下，无线通信与信号处理开始利用人工智能和机器学习进行革新 [4]。关于机器学习在通信领域的应用研究，请参见 [5–11]。这一技术和方法转变推动业界开发出高度自适应、高效、鲁棒且智能的系统和算法，催生了第二代“智能传输与处理”概念，以期大幅减少对人类智力的依赖，并提升通信系统的整体性能。 示例（冰激凌销售与鲨鱼袭击）：历史数据的回归分析表明，冰淇淋销售与鲨鱼袭击存在正相关性，但这显然不合理。然而，这种相关性背后的主要因素是气温——气温升高导致冰淇淋销量和海滩游客增加，而海滩游客增多则引发更多的鲨鱼袭击 [21]。可见，机制建模至关重要。 E(x,s)∼Px,sL[s, f(x)]。当s为一维离散数值时，会出现分类问题，L[s, f(x)]由函数（如指示函数I{s̸=f(x)}）决定。在这种情况下，s可表示不同的目标类，例如，对于二进制分类，有s∈ {−1,1}。 ●无监督学习：在无监督学习中，收集的数据没有标记s，只有特征x。因此，无监督学习主要用于从数据变量x的实现中发现隐含信息。聚类是一种典型的无监督学习任务。聚类与分类不同，分类是通过具有已知标记的训练数据集预测新数据点x的分类标记s，而聚类则根据相似数据点x的特征将其进行分组，无需预定义分类标记。简而言之，聚类就是寻找函数f，将数据x映射到一个合适的组。特征转换也是一种常见的无监督学习任务。它通过映射函数f将原始特征x转换到另一个特征空间，即y=f(x)。例如，时域信号x及其傅里叶变换y就是一种特征转换。自编码器（Autoencoder）是一种人工神经网络，它的编解码操作也是一个很好的特征转换示例。另一个重要的无监督学习示例是分布估计，即估计出最能拟合（刻画）已收集数据的概率分布。在生成式任务中，分布估计尤为重要，例如根据已有样本生成新样本；具体比如给定一组猫的图像，利用拟合分布绘制出新的猫图像。 在探讨通信领域机器学习的应用前，我们将在第2节简要回顾其概念和方法，特别是可信赖机器学习。这些资料有助于读者理解无线通信中使用机器学习时的主要考虑因素，包括哲学和技术因素。 2机器学习的概念与方法 机器学习的首要任务是从数据中发现隐含信息和模式，其优势在于能够自动解读数据，无需人类研究数据底层生成机制。这一特点从根本上使得机器智能能够参与到通信实践，尤其是信息传输与处理方面 [5,7,8,11,22]。 根据任务特点，机器学习可分为四类：有监督学习、无监督学习、半监督学习和强化学习。从数学角度看，所有机器学习任务的关键在于习得一个函数f（亦称为“假设”），将观察数据映射到期望决策上。相关概念参见图4，具体示例如下： ●半监督学习：半监督学习是监督