刘光 <unk> ： AI for 6G

目录 1 6G原生驱动力AI 2 6G原生AI架构设计和关键功能 3 6G和基础模型 2 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。 对无处不在的情报的需求 医学识别 安全监视器 机器人救援 智能制造 业务需要AI 客户需要AI Operation&维护 应急通信 声纹识别 机器翻译 智能覆盖率 定制网络 智能导航个性化推荐。 6G和AI的集成包括两个方面：“面向网络的AI” 和“AI网络” 网络自治需要AI 3 AI对网络的驱动力 空中接口 更准确的频道信息 更精确的定位 增强的干扰消除能力 提高能源效率，频谱容量 网络 提高了场景适应速度 更加均衡的流量调度更快的网络干扰避免更精细的业务识别 更准确的故障定位 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。 增强网络性能 传统通信系统面临性能瓶颈6G提出了更具挑战性的需求指标 网络运行效率、复杂性和成本之间会产生冲突网络运维效率 当前技术无法满足6G的需求难以估计更大规模的MIMO信道密集的基站部署导致干扰增加 更复杂的系统设计导致能耗增加异构中的复杂路由 矛盾三角形 网络复杂性成本设备网络 多样化的通信场景 要求是分散的4 ITU将6G场景扩展到无处不在的智能 6G网络本身提供 AI服务 随时随地获取AI 低延迟AI推理/训练沟通能力 5G 通信服务 6G 支持移动AI AI服务质量 通信+计算 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 AI安全和隐私保护 保证能力能力AI服务 感知能力数据能力AI模型能力 5 情景驱动的AI 外部或嫁接AI 面向网络的AI 海量交通数据 智能数据分析 为特定的空中接口和网络优化用例设计单独的AI模型 改变信道条件 降低开关性能 天线重量调谐 用户移动预测 问题：AI模型泛化程度低、开发周期长、成本高 针对不同的第三方AI场景设计不同的AI服务流程 将AI服务器或与AI相关的网络功能添加到网络中，例如NWDAF AI服务器 CN NWDAF RAN UE 网络管理 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。 云AI服务提供商在用户提交订单后提供尽力而为的AI服务 车联网 高速智能跟随 AI网络 提交AI服务订单 网络传输 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。 智能工厂 XR/VR 问题：网络难以为各种场景快速部署AI服务 提供商问题 实时多代理协作 用户移动预测 网络 ：数据只能U上E传到云端，难以有效利用网络中无处不在的资云源A，I服无务法保证AI服务的质量和安全性6 6G原生AI设计原则 要实现泛在智能，6G网络架构需要“四个转变” 云云 NWDAFCN CN 云AI提供商 通信QoS AI工作流程1 5G外部AI 6G原生AIAI工作流程2 通信QoS 交通分析 天线调整流量分析 通信Computing DataAI ... 算法 四要素协作 运天动线预调测整 运动预测 ... 7 目录 1 6G原生驱动力AI 2 6G原生AI架构设计和关键功能 3 6G和基础模型 8 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。 资源层: 提供底层资源 网络功能层： 提供特定的网络功能/网络服务能力 应用程序和服务层：为客户的业务需求提供相应的支持。 数据平面: 管理网络数据并提供数据服务 计算平面: 管理计算并提供计算服务 智能平面: 为原生AI的完整生命周期提供操作环境。 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。 方法 9 6G原生AI网络架构 要实现AI服务，通信、数据、计算和智能之间的协作至关重要。集成架构支持东西向和南北流程，满足内部和外部AI服务 2.从外部叠加到内部协同 1.泛在智能网与AI集成服务框架 3.从尽力而为到按需 AI网络 通信平面数据平面计算平面智能飞机 AI管理和编排 数字双胞胎 面向网络的 AI AI用例生成与策略 AI任务生命周期管理 服务QoS分析 AI任务管理 AI任务调度 网络功能安排 四要素资源控制 用于社区的数字孪生 -阳离子 通信控制数据控制计算控制模型控制 通信载体数据处理计算执行模型操作 AI训练、推理、压缩、验证等结果。 10 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。 关键功能1：AI服务质量(QoAIS) 平台化服务网络 AI服务 管理和业务流程 服务QoS AI任务 任务QoS 任务管理 算法 Data Computin g Connectio n 资源QoS 任务控制 统一IP计算-网络基础 OTN/OXC OTN/OXC 所有光学底座 计算-网络基础设施 QoAIS保障机制 智能城市智能行业智能生活智能社区智能娱乐 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 控制平面：计算与通信深度融合的三种模式管理平面 6G原生AI的计算要求 模式1 协调 模式2 xNB 模式3 xNB 功能安排 QoS分析 计算效率高 连接控制计算控制连接控制计算控制聚合控制 低能耗和延迟 满足差异化的QoAIS需求 CCB 行政CCB 行政行政 首长协调会 计算任务数据传输与执行 行政首长协调会 Task1 CCB 行政 行政 CCB Task2 CCB Task3 CCB 行政首长协调 行政 用户平面 计算与通信协议的协同设计 行政首长协调会：计算执行承载CCB：计算连接承载CS：计算会话=CEB+CCB 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 关键特征3：数据生成和可靠的AI 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 网络数字孪生 网络AI 网络状态预测 网络虚拟场景 数字双胞胎AI 要求 外部需求 自动生成的需求 数字孪生建模要求 数据收集和生成的要求 实体 按需收集和生成数据 服务 1.旨在在不影响网络运营的情况下完成性能预验证； 2.Reducepotentialriskshatdecision可能导致网络性能恶化； 已处理数据 收音机物理 网络 虚拟化核心网络 CUDUAAU 基于云的无线接入网 目录 1 6G原生驱动力AI 2 6G原生AI架构设计和关键功能 3 6G和基础模型 14 •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 随着人工智能进入通用智能时代，基础模型的出现带来了深刻的 6G与AI融合的转型 6G与AI的融合：基础模型的新时代 基础模型的网络 网络作为支持或提供基础模型服务的平台 网络基础模型 基础模型将在操作，执行和验证等方面增强移动网络服务 域 要求 影响 Networks 网络运营 多模态机器学习,语言理解,文本 Generation 小 网络维护 非标准数据治理,数据对齐,自然语言理解, 代码生成 介质 网络运行 非标准数据治理,图像生成,视频 Generation 大 •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 15 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 AI培训服务AI推理服务 海量数据 集合数据处理 已处理数据 推理请求 AI推理 已处理数据 UE6G网络云AI提供商 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 功能部署具有挑战性。 UE6G网络云AI提供商 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。 服务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 。 潜在收益 未来问题 6G网络高效处理数据，减少数据传输，改进模型的云AI训练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？ 在6G网络中，部署更靠近用户的模型可以减少延迟 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 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 分阶段探索，从探索网络运营ai通用模型从小规模到大规模，从离线到实时，最终调查统一的可行性 操作通用模型 小规模大规模统一 脱机 小模型1 小模型2？ … 小模型N 实时 基于场景的运营模型 服务级别运行模型 网络级运行模型单系统运行模型 ？通用运行 多场景模型 ？ 网络通用模型 17 数据开放和标准化 网络AI基础模型的挑战-数据 全行业协作数据开放 6GANA与包括九天平台在内的多个组织合作，发布四大数据集，打造行业数据共享生态系统 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。 ，支持网络AI研究！ 数据采集困难 数据质量差 数据开放 CSI压缩反馈数据集 智能RAN切片数据集 网络AI调度技术研究 无线资源调度数据集 持续策划和积累智能网络数据集，向公众开放，构建一系列创新的智能网络生态系统，支持研究 标准化 与行业合作，共同制定新的数据收集标准，并制定针对特定需求的动态数据收集粒度方案 18 建立人工智能网络的综合评估体系，确保技术解决方案的整体实用性、平衡性和系统性。 网络AI基础模型的挑战-评价 要求挑战 •创建全面的公制系统平衡能力、效率和质量。 •涵盖定制、泛化、通用性、实时性能、可靠性和成本效益 定量度量的可行性 Metrics 驱动程序 评价体系保证 •设计包含整个生命周期和所有元素的工程评估方法 评价方法的有效性 •包括训练推理、要素权重、综合目标等。 支持 工具Methods 评估工具的有效性 •提出适合不同阶段的评估工具，同时平衡精度和效率。 •如高精度网络仿真平台、数字孪生网络、网络管理统计等。 19 批判性思维 用例 数据/模型计算能力 •如何探索模型的潜在应用场景，并在各种情况下挖掘其价值？ •如何评估AI网络的价值和优势？ •如何构建统一的网络AI基础模型？ •如何为AI建立可解释的理论模型，以确保网络中决策的有效性和可靠性？ •如何解决数据碎片和获取设备数据的挑战等问题？ •如何利用数字孪生网络生成高质量数据并验证网络AI基础模型？ •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 ？ 建筑•架构如何支持网络AI基础模型的分布式训练？ 20 6G网络AI联盟——6GANA 6GANA：一个民用和开放的网络AI国际交流平台 国际会议