刘光 ： AI for 6G 汉

对无处不在的情报的需求 人工智能已经成为新一轮产业转型的核心驱动力。工业的自动化、数字化和智能化需要无处不在的智能。 网络自治需要AI客户需要AI业务需要AI 应急通信操作与维护 声纹识别机器翻译 医学识别安全监视器 智能覆盖定制网络 智能导航个性化推荐。机器人救援智能制造 6G和AI的集成包括两个方面：“面向网络的AI” 和“AI网络”3 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 跨学科集成。人工智能是提高网络性能的关键解决方案。 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 空中接口 更精确的通道 信息更精确的定位 增强干扰取消功能 提高能源效率, 频谱容量 网络运行之间出现冲突 效率、复杂性和成本 当前技术不足网络 满足6G的需求改进的场景自适应 网络运维效率 速度 难以估计更大规模 MIMO信道交通更加平衡 调度 密集的基站部署线索 增加干扰更快的联网 矛盾 三角形 更复杂的系统设计导致能源消耗增加 异构中的复杂路由 设备网络 干扰避免 更精致的业务 标识 网络 复杂性 成本更准确的故障定位 多样化的通信场景 要求是分散的4 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需要转化为新功能 为6G通信网络提供服务，实现AIaaS ITU将6G场景扩展到无处不在的智能 随时随地获取AI 6G网络本身提供 AI服务 5G 低延迟AI 推理/训练 支持移动AI 通信通信 能力服务 6G AI服务质量 保证 AI安全和隐私保护 通信计算+ 能力能力AI服务 感知能力数据能力 AI模型能力 5 5G网络与AI融合的挑战 满足6G和AI集成需求，现有AI设计方法的通用性和效率 由场景驱动的用例、插件或移植需要改进。 情景驱动的AI外部或嫁接AI 为特定的空中接口和网络设计单独的AI模型优化用例 将AI服务器或与AI相关的网络功能添加到网络中，例如NWDAF AIforNetworks 海量交通数据 更改频道 条件 减少开关 智能数据 分析 天线重量 调谐 用户移动 AI服务器CN 网络管理 NWDAF RANUE 性能 问题：AI模型泛化程度低，时间长开发周期和高成本 为不同的第三方AI设计不同的AI服务流程场景 车联网 预测 问题：保证实时、有效和 一致的数据。完成整个AI过程涉及高试验和错误成本。 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 高速提交AI网络 NetworksforAI 智能工厂 XR/VR 智能跟随 实时多代理 协作 用户移动 预测 服务订单 UE 变速器 网络 云AI服务提供商 问题：网络难以快速部署AI 适用于不同场景的服务 问题：数据只能上传到云端，很难有效地利用网络中无处不在的资源，这 无法保证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” 云云云AI 提供者 NWDAFCN CN通信QoS AI工作流程1 5G外部AI6G原生AIAI工作流程2 通信QoS 交通分析交通分析 算法 天线调整 天线调整 Commu 沟通 ComputING Data AI四要素协作 运动预测运动预测 7 目录 16G原生AI的驱动力 6G原生AI架构设计 2和关键功能 36G和基础模型 8 6G原生AI网络架构 挑战：AI的三个基本组成部分（数据，算法和计算）已经获得与网络连接、相应体系结构、接口和 协议应该跨越整个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： 提供相应的支持 客户的业务需求。 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。 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: 提供操作环境 原生AI的完整生命周期。 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 1.无处不在的智能网络和AI 综合服务框架 2.从外部覆盖到内部 Synergy 3.从尽力而为到按需 AI网络 通信 平面 AIfor 数据平面计算平面 AI用例 智能飞机 数字 AI管理和编排双床 服务QoS网络 Networks Generation分析函数和战略安排 通信 Control 数据控制 ComputingControl AI任务生命周期 管理 AI任务管理 AI任务调度 模型控制 Four 元素 资源 Control 数字 双胞胎为社区 -阳离子 通信 Bearer Data 处理 ComputingExecution 模型操作 10 人工智能训练、推理、压缩的结果， 验证等。 关键功能1：AI服务质量(QoAIS) 传统的QoS系统主要强调会话和连接性能，缺乏全面的支持 满足不同的需求；QoAIS指标系统包含安全性、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。 QoAIS保障机制 智慧城市智能 Industry 智能生活智能智能社区娱乐 管理 AI服务服务QoS& 业务流程 AI任务任务QoS 任务 管理 算法Data Computing Connection 资源QoS 任务控制 统一IP计算- 网络基础 OTN/OXCOTN/OXCOTN/OXC 所有光学底座 计算-网络基础设施 关键特征2：AI计算与通信深度融合 设计集成计算和通信的原生AI协议对于满足AI的连接性是必要的 和分布式计算服务需求。 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：深度收敛的三种模式 计算与通信 管理平面 计算要求 对于6G原生AI 模式1模式2模式3 协调 xNBxNB 功能安排 QoS分析 高计算量效率 连接Computing连接 控制控制控制 Computing融合 控制控制 低能量消费和延迟 满足差异化 CCB行政首 长协调会 计算任务数据传输与执行 CCB行政首 长协调会 QoAIS需要 行政首 Task1行政首 CCB 行政首 用户平面 长协调会 行政首 CCB CCB 长协调 会 Task3 CCB 长协调会 协同设计计算与通信 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 CS长协调 会 Task2行政首 长协调会 行政首 长协调协议 会 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 网络数字孪生优化 网络AI 要求 网络状态预测 数字孪生建模 1.降低数据收集成本和传输； 2.解决困难等问题 获取传统的真实数据； 3.技术：数据增强 AIGAN; 服务 外部需求 requirementsAI的预验证 自动生成 requirements 的要求 数据收集和一代 收音机CUDUAAU 物理 已处理 数据 1.预期完成性能预验证不影响网络运营； 2.降低潜在风险 决策可能会导致，例如网络性能恶化； 网络 虚拟化 核心网基于云的无线接入网 目录 16G原生AI的驱动力 6G原生AI架构设计 2和关键功能 36G和基础模型 14 6G与AI的融合：基础模型的新时代 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 Networksfor 基础模型 网络作为一个平台来支持或提供基础模型服务 基础模型 用于网络 基础模型将增强移动网络在运营、执行、 和验证 域 要求 影响 Networks 网络 多模态机床 小 Operations 学习,语言 理解,文本 网络 Maintenance 网络 正在运行 Generation 非标准数据介质 治理,数据对齐,自然 语言理解, 代码生成 非标准数据大 治理,形象生成、视频 Generation •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 •实现智能全局协同控制端子 •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通过在训练期间提供链接和数据服务来促进基础模型的训练 流程，并支持具有链接、计算和模型分解/分发服务的推理流程 6G AI培训服务AI推理服务 海量数据集合 数据处理 已处理数据已处理数据 推理 请求 AI推理 UE6G网络云AI提供商UE6G网络云AI提供商 基础模型训练通常需要高速光纤基础模型需要大量的存储空间和 功能数据中心的光学连接，使无线电网络强大的AI推理芯片，这是无法满足的 部署具有挑战性。单基站。 服务收集用户和网络数据，对其进行预处理，以及管理流量以支持模型训练 潜在6G网络高效处理数据，减少数据 增益传输和改进模型的云AI训练 通过适当的模型分割，可以部署模型在无线网络中提供AI推理服务。 在6G网络中，部署更靠近用户的模型可以减少延迟 未来 所需的特殊数据分析技术？如何 问题 在分布式中有效地调度数据？ 如何平衡增加的推理延迟和减少的推理延迟6G网络中的传输延迟？技术是否像模型分割、压缩和加速是可行的 模型？数据在节点之间有效调度？16 网络基础模型 由于结构化数据的丰富和不清楚，网络基础模型面临着重大挑战 不同网络问题之间的共性，不同于ChatGPT 分阶段探索，从探索网络运营ai通用模型开始从小规模到大规模，从离线到实时，最终调查 统一的可行性 小规模大规模统一 脱机基于场景 运营模式 操作通用 模型 小模型1服务级别 ？网络 小模型2 … 小模型N 实时 ？运行模型 网络级运行模型 单系统运行模型 多场景 ？通用运行 模型 通用模型 17 网络AI基础模型的挑战-数据 网络运行和维护数据主要以分钟/小时的间隔从一致的来源获得，而网络运营数据由于不同的时间间隔、标准化和数据源而更加复杂， 让它更难获得。 数据开放和标准化全行业协作数据开放 6GANA与多个组织合作，包括九个 困难数据 采集 数据差 质量 天堂平台，发布四大数据集，创建行业数据 共享生态系统支持网络AI研究！ 数据开放 不断策划和积累智能网络 数据集，向公众开放，构建一系列创新 标准化与行业合作，共同制定新数据收集标准和开发动态数据收集 CSI压缩反馈数据集 网络AI调度技术研究数据集 智能RAN 切片数据集 无线电资源调度数据集 18 网络AI基础模型的挑战-评估 建立人工智能网络综合评价体系，确保整体实用性、平衡性、 技术解决方案的系统性。 要求挑战 Metrics 驱动程序 •创建整体公制系统平衡能力，效率和质量。 •覆盖定制、泛化、通用性、实时性性能、可靠性和成本效益 可行性定量 Metrics 评价保证 系统 •设计一种包含以下内容的工程评估方法整个生命周期和所有元素 •包括训练推理、元素权重、综合目标等。 有效性评价 Methods 工具Methods 支持•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、数字双网络和网络管理统计。 有效性的评估 工具 19 批判性思维 •如何探索模型的潜在应用场景并挖掘其价值 用例各种背景? •如何评估AI网络的价值和优势？ 数据/模型 计算能力 •如何构建统一的网络AI基础模型？ •如何建立可解释的理论模型，以确保AI的有效性和 网络中决策的可靠性？ •如何解决诸如数据碎片和获取设备方面的挑战等问题数据? •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功能 ChatGPT和语义模型等模型？ •如何将面向AI的网络和面向网络的AI的统一架构细化为实现智能接口、功能和流程的高效设计 建筑智能或计算飞机？ •架构如何支持网络AI基础的分布式训练模型? 20 6G网络AI联盟——6GANA 6GANA：一