2024年6G網(wǎng)絡(luò)AI概念術(shù)語白皮書

6GAI6GNetworkAIConceptandAI6G據(jù)、AIAIAIaaSAI6GANA各工作組更高效的討論網(wǎng)絡(luò)AI摘 背 網(wǎng)絡(luò)AI概念術(shù)語定 網(wǎng)絡(luò)AI的 內(nèi)生 網(wǎng)絡(luò)AI分級(jí)分類定 網(wǎng)絡(luò)AI分級(jí)定 S1：連接4AI類 總 參考文 縮略 附 6GAI6G6GAICT、IT6G2B2C如元宇宙、觸覺互聯(lián)網(wǎng)等新應(yīng)用走向更極致性能、更智能化和個(gè)性化。網(wǎng)絡(luò)AI是基于這樣的趨勢(shì)出發(fā)提出的。目前業(yè)界對(duì)網(wǎng)絡(luò)AI數(shù)據(jù)和AIAIAI來。本白皮書正是從當(dāng)前的現(xiàn)狀觸發(fā)，來定義網(wǎng)絡(luò)AI相關(guān)的概念術(shù)語，并從需求角度進(jìn)一步分析6G網(wǎng)絡(luò)和計(jì)算、數(shù)據(jù)、AI融合的不同選項(xiàng)，及網(wǎng)絡(luò)AI潛在帶來的如AIaaS這AI6G6G還應(yīng)該從架構(gòu)層基于原生設(shè)計(jì)支持AI，例如結(jié)合AI應(yīng)用在連接、算力、數(shù)據(jù)、算法等層面的要求，進(jìn)行深度融合的優(yōu)化設(shè)計(jì)，這個(gè)被認(rèn)為是6G架構(gòu)層面變革的主要驅(qū)動(dòng)力之AIforNetwork（AI4NET）：通過AI提升網(wǎng)絡(luò)自身的性能、效率和用戶服務(wù)體驗(yàn)。AI4NET主要研究包括利用AI優(yōu)化傳統(tǒng)算法（如空口信道編碼、調(diào)制）、優(yōu)化網(wǎng)絡(luò)功NetworkforAI（NET4AI）：通過網(wǎng)絡(luò)為AI提供多種支撐能力，使得AI訓(xùn)練/推理可以實(shí)現(xiàn)的更有效率、更實(shí)時(shí)，或者提升數(shù)據(jù)安全隱私保護(hù)等。NET4AI將傳統(tǒng)網(wǎng)AIasaService（AIaaS）：AIAI括網(wǎng)絡(luò)自用的AI或者AI新業(yè)務(wù)，部署AI應(yīng)用可以是運(yùn)營(yíng)商或第三方。CloudAI：AI，AIAIAI：在網(wǎng)絡(luò)中提供完整的分布式1AIAIAIAI從概念上包含AI4NET、NET4AI以及AIaaSNET4AI將支撐網(wǎng)絡(luò)自用的AI、AI新業(yè)務(wù)和AIaaS的業(yè)務(wù)能力。網(wǎng)絡(luò)AI可獨(dú)立于CloudAI發(fā)展，也可互為補(bǔ)充。AIAI4NET/NET4AI從目前普遍上的理解，AI4NETAIAI網(wǎng)絡(luò)的性能、優(yōu)化網(wǎng)絡(luò)運(yùn)維效率等；而NET4AI中的AI是指通過網(wǎng)絡(luò)承載的AI應(yīng)用業(yè)AI2種不同類型的AI，都需要提供支持，即對(duì)于網(wǎng)絡(luò)AI來說，AI4NET和NET4AI是不同的場(chǎng)景，都需要從網(wǎng)絡(luò)AI架構(gòu)層AIAI4NETNET4AIAI能力的運(yùn)營(yíng)，即AIaaS樣的服務(wù)能力。未來網(wǎng)絡(luò)通過提供網(wǎng)絡(luò)AI的原生支持，自然需要擴(kuò)展傳統(tǒng)的通信生態(tài)體1AIAI相關(guān)能力，但不意味著網(wǎng)絡(luò)中運(yùn)行AI應(yīng)用都是分布式的；對(duì)于是否增加“分布式”，沒有完全達(dá)成一致。網(wǎng)絡(luò)AI的QoS，QoAISAIQoAIS架體系，將包括性能、開銷、安全隱私和自治等。因此QoAIS首先從內(nèi)容需要進(jìn)行擴(kuò)AI服務(wù)與QoAISAI服務(wù)可以包括AI數(shù)據(jù)類、AI訓(xùn)練類、AIAI驗(yàn)證類。對(duì)每一類AIQoAISAIAI的QoAIS進(jìn)行分解，再映射到對(duì)數(shù)據(jù)、算法、算力、連接等各方面。另外，QoAIS也可以包括AI應(yīng)用的業(yè)務(wù)體驗(yàn)指標(biāo)，以信道壓縮為例，可以選擇歸一化均方誤差（Normalizedmeansquareerror,NMSE）或是余弦相似度作為信道恢復(fù)精度的KPI。此外，QoAIS還可以包括AIAI（從用戶發(fā)起請(qǐng)求到AI）AIComputingForce/ComputingArtificialMachineKnowledge圖CentralizedDistributedDistributedMachine分布式機(jī)器學(xué)習(xí)指利用多個(gè)計(jì)算機(jī)節(jié)點(diǎn)（或稱為工作者worker）進(jìn)行機(jī)器學(xué)習(xí)，以點(diǎn)上）、單機(jī)機(jī)器學(xué)習(xí)模型的算法及優(yōu)化（各個(gè)節(jié)點(diǎn)上的模型如何優(yōu)化）根據(jù)對(duì)并行任務(wù)的不同分解，可分為：數(shù)據(jù)并行（dataparallelism），模型并行（modelparallelism），以及模型與數(shù)據(jù)混合并行（Hybridparallelism）。AIAIAIAI，而不是疊加或外掛的設(shè)計(jì)模式。對(duì)網(wǎng)絡(luò)高水平自治AI另外提供行業(yè)間的聯(lián)邦智能，實(shí)現(xiàn)跨域的智慧融合和共享。提供高價(jià)值的新型業(yè)務(wù)和極致業(yè)務(wù)體驗(yàn)強(qiáng)，考慮到數(shù)據(jù)隱私需求，需要內(nèi)生智能協(xié)同網(wǎng)絡(luò)和終端，為2C客戶提供極致業(yè)務(wù)型的數(shù)據(jù)，因此網(wǎng)絡(luò)將面臨大量新的復(fù)雜的攻擊方式?；贏I6G從以上驅(qū)動(dòng)力分析可以看出，6G6GAIAI多樣化的新業(yè)務(wù)場(chǎng)景和網(wǎng)絡(luò)自治優(yōu)化等需求，包括應(yīng)用于網(wǎng)絡(luò)自身優(yōu)化和用戶體驗(yàn)的AI（如用AI重寫的空口），也包括第三方的AI新業(yè)務(wù)。AI6GAI6G部提供數(shù)據(jù)采集，數(shù)據(jù)預(yù)處理，模型訓(xùn)練，模型推理，模型評(píng)估等AI工作流全生命周期的完整運(yùn)行環(huán)境，將AI服務(wù)所需的算力、數(shù)據(jù)、算法、連接與網(wǎng)絡(luò)功能、協(xié)議和流程進(jìn)AI基于外掛設(shè)計(jì)的AIAIAI介入，對(duì)現(xiàn)網(wǎng)的影響也比較大，這導(dǎo)致了目前AI外掛模式難以實(shí)現(xiàn)預(yù)驗(yàn)證、在線評(píng)估和全自動(dòng)閉環(huán)優(yōu)化。在外掛模式下，AI通常需要預(yù)先準(zhǔn)備大量的數(shù)據(jù)，而現(xiàn)網(wǎng)集中采集數(shù)據(jù)困難，傳輸開銷也大，導(dǎo)致AI由于外掛AI6GAIAI網(wǎng)絡(luò)AI對(duì)于網(wǎng)絡(luò)AI的研究，實(shí)質(zhì)是研究網(wǎng)絡(luò)和AI確網(wǎng)絡(luò)和AIAI融合不同分級(jí)，隨著級(jí)別越高，本質(zhì)是網(wǎng)絡(luò)與AI6G網(wǎng)絡(luò)需要設(shè)計(jì)的領(lǐng)域范圍提出個(gè)更多的要求。其中S0是AI4NET，S1~S4是NET4AI，S5是AIaaS，如下圖所示：S0-AI4NET：在這個(gè)分類下，AI定產(chǎn)生影響，例如用基于數(shù)據(jù)的AI模型替換網(wǎng)絡(luò)中的傳統(tǒng)的數(shù)值算法來優(yōu)化網(wǎng)絡(luò)性能和用戶體驗(yàn)，或在運(yùn)維領(lǐng)域?qū)崿F(xiàn)智能運(yùn)維等。AI4NET5G6G，隨著深度學(xué)習(xí)為代表的AIS14AI：AI組網(wǎng)方面的特殊的要求，例如對(duì)比5G已有的連接QoS服務(wù)，AI新業(yè)務(wù)可能在可達(dá)性、計(jì)算速度、吞吐量、時(shí)延、可靠性、安全隱私等方面有新的訴求，需要研究6GS2-（連接+算力）4AI：6GAIAI，6GS3-（連接+算力+數(shù)據(jù)）4AI：6GAIAI，6GS4-（連接+算力+數(shù)據(jù)+算法）4AI：6G網(wǎng)絡(luò)除了可以滿足AI所需的連接、計(jì)算和數(shù)據(jù)服務(wù)，還對(duì)AI模型本身有一定程度的感知，并基于對(duì)AI模型的不同層次的認(rèn)知，6G架構(gòu)內(nèi)生支持對(duì)具體的AIS5-AIaaS：AIAI絡(luò)基礎(chǔ)設(shè)施中構(gòu)建AI應(yīng)用的服務(wù)能力。S0：AI4NET1：AI/MLAI/ML碼、調(diào)制、MIMO和波形設(shè)計(jì)。AI/ML可以用來提取無線信道的時(shí)域、頻域和空于提供更準(zhǔn)確的信道信息。AI/ML譯碼器不僅可以降低復(fù)雜度，還可以更好的補(bǔ)償非線性。AI/ML在MIMO系統(tǒng)中個(gè)天線集和頻段中的信道，即在FDD系統(tǒng)中國(guó)可能可以通過上行信道探測(cè)直接獲AI/ML（CSI），CSIAI/ML，可以說是為不同物理層功能提供了一種通用的優(yōu)化模塊，增加了物理層的適應(yīng)性和靈活度。AI/ML2：AI/ML應(yīng)用于空口高層多用戶處理場(chǎng)景，包括功控、QoS管理、資源分配、自適應(yīng)調(diào)制編碼（AMC）MACAI/ML驗(yàn)，AI/ML可優(yōu)化AMC來做出更優(yōu)的選擇。這些應(yīng)用本質(zhì)是基于AI/ML開展自因此，通過在無線空口物理層、MACAI/ML法，最終可能出現(xiàn)通過AI重構(gòu)未來無線通信的空口。3：AI/MLRANCNRANAI通過在基站之間傳遞切換的回報(bào)（reward）AI/MLCN，3GPPNWDAFAI/MLAI/MLAI/ML現(xiàn)異構(gòu)網(wǎng)絡(luò)，如地面網(wǎng)絡(luò)于非地面網(wǎng)絡(luò)的一體化，通過AI/ML協(xié)調(diào)復(fù)雜的多層次4：AI/ML發(fā)展階段，主要包括：規(guī)劃、建設(shè)、維護(hù)、優(yōu)化、運(yùn)營(yíng)5個(gè)主要環(huán)節(jié)，這些環(huán)節(jié)AIAI設(shè)計(jì)編排功能：為了適應(yīng)6G應(yīng)用場(chǎng)景多樣，業(yè)務(wù)需求多變的實(shí)際情況，裝開放能力，例如利用圖像識(shí)別等AI技術(shù)實(shí)現(xiàn)資源管理智能化，大幅降低AIAIRPAS14AI4AI26G網(wǎng)絡(luò)如何為AIAI6G網(wǎng)絡(luò)如何為AI1AI：AIAI關(guān)的請(qǐng)求/應(yīng)答消息。這里，AIa)作為用戶面數(shù)據(jù)傳輸；b)與NASAI控制采用NASAI信令放在container中通過NAS信令透明傳輸，等。2AI類別3：用于傳輸AI模型。以上不同的類別對(duì)連接的QoS、網(wǎng)絡(luò)適應(yīng)能力可能會(huì)提出新的要求。對(duì)于同一類別，例4AIQoS、適應(yīng)能力等也可能存在不同的要求。對(duì)于AI3GPPTS22.261（TR22.874論）5GKPI3GPP5GAI從功能和性能角度進(jìn)行了分析，但目前還不涉及AI內(nèi)生網(wǎng)絡(luò)的設(shè)計(jì)。6G內(nèi)生AI1：集中式AI連接組網(wǎng)。采用一個(gè)中心AIAI策略控制，包括AI2：分布式AIAIMEC，網(wǎng)絡(luò)邊緣的一個(gè)或多個(gè)功能實(shí)體(例如終端、網(wǎng)絡(luò)功能、應(yīng)用功能等)由本地的AI控制功能實(shí)體進(jìn)行控制和管理。3：子網(wǎng)式AI（UE）之間組成的子網(wǎng)AI（VN）AI類別最佳的體驗(yàn)。算力網(wǎng)絡(luò)融合可以有以下逐步演進(jìn)的3大類：1性能提升或者網(wǎng)絡(luò)運(yùn)維優(yōu)化等等定制化的AI應(yīng)用服務(wù)（即AIfornetwork），如無線資理面接口可在指定算力單元上完成AI算法的加載、更新或銷毀，實(shí)現(xiàn)管理面對(duì)算力和算模計(jì)算和訓(xùn)練要求的AI應(yīng)用，較難服務(wù)于第三方應(yīng)用。EC（邊緣計(jì)算）/MEC（多邊緣計(jì)算）形式存在；作為云計(jì)算的以通用處理器CPUGPU由于通信網(wǎng)絡(luò)能力開放給網(wǎng)管平臺(tái)，分布的外掛算力也呈現(xiàn)在網(wǎng)管平臺(tái)；因此，AI類算力上的AI等業(yè)務(wù)部署是通過管理面實(shí)現(xiàn)的，動(dòng)態(tài)性不強(qiáng)，無法實(shí)現(xiàn)網(wǎng)絡(luò)和算力在控2：沉浸式云XR、全息通信、感官互聯(lián)、智慧交互、通信感知以及數(shù)字孿生等。數(shù)據(jù)是6G的核心生產(chǎn)要素之一，相比于以通信網(wǎng)絡(luò)運(yùn)營(yíng)數(shù)據(jù)和用戶簽約數(shù)據(jù)為主的5G網(wǎng)絡(luò)數(shù)據(jù)，6G6GAI性，通過重用性提高數(shù)據(jù)服務(wù)效率。6G數(shù)據(jù)服務(wù)旨在高效支持端到端的數(shù)據(jù)采集、傳1：數(shù)據(jù)收集/分發(fā)，為數(shù)據(jù)生產(chǎn)者和消費(fèi)者提供基礎(chǔ)數(shù)據(jù)收集的發(fā)布和訂閱機(jī)制，提輸入為進(jìn)行模型訓(xùn)練的樣本數(shù)據(jù)集以及進(jìn)行推理的特定任務(wù)數(shù)據(jù)，在采用協(xié)作方式的AI操作下，各種AIAI如何定義AI模型的輸入輸出與AI，AI對(duì)于非決策類AI模型，其具體形式是通過AI輸入要求對(duì)限制因素和期望效果進(jìn)行個(gè)性化定義，AI6G網(wǎng)絡(luò)感知AI模型的輸入輸出以及協(xié)作方式，從而合理調(diào)整資源，滿足相應(yīng)的AI操以感知中間結(jié)果以及該AI操作采用模型分割的協(xié)作方式，從而根據(jù)網(wǎng)絡(luò)自身情況，網(wǎng)絡(luò)UE2在訓(xùn)練之前進(jìn)行手動(dòng)調(diào)整，主要的超參數(shù)包括學(xué)習(xí)率、BatchSize、優(yōu)化算法、迭代次學(xué)習(xí)率（LearningRateLR）是指在優(yōu)化算法中更新網(wǎng)絡(luò)權(quán)重的幅度大小。學(xué)習(xí)率可批樣本數(shù)量（BatchSize）送入模型的樣本數(shù)，BatchSize存資源的使用情況，BatchSize過小可能會(huì)導(dǎo)致梯度變來變?nèi)?，模型收斂較慢，BatchSize過大可能會(huì)導(dǎo)致內(nèi)存不夠用或程序內(nèi)核崩潰。以最大化模型性能，更科學(xué)地訓(xùn)練模型，從而能夠提高資源利用率?；?G網(wǎng)絡(luò)和模型的融合，一方面可以對(duì)于模型的超參數(shù)進(jìn)行預(yù)測(cè)，從而協(xié)助第三方AI確定模型訓(xùn)練的超參數(shù)，最大化模型的性能。進(jìn)一步的，6G網(wǎng)絡(luò)通過資源開放和模型開放，協(xié)助第三方應(yīng)用進(jìn)行模型的訓(xùn)練，例如通過資源開放，提供充足的計(jì)算、存儲(chǔ)、通信資源，幫助OTT6GOTT，OTT需進(jìn)行微調(diào)，從而高效的支持OTT的模型訓(xùn)練。3模型的AI/MLAI/ML，6GKPIAI多樣，不同的AI操作方法和不同的模型大小，對(duì)KPI有著不同的需求。比如在聯(lián)邦學(xué)習(xí)架構(gòu)下，6G網(wǎng)絡(luò)需要保證一組聯(lián)邦學(xué)習(xí)節(jié)點(diǎn)的整體QoS，避免組內(nèi)節(jié)點(diǎn)由于通KPIOTT滿足不同的KPI需求?？偟膩碚f，6G系統(tǒng)至少可以支持以下三種AI/ML操作:6GAI/MLAL/ML下載對(duì)于通信網(wǎng)絡(luò)的需求也是較高的。目前3GPPTS22.261中給出了相應(yīng)的通信KPI要求，包括推理功能、模型下載、終端和網(wǎng)絡(luò)服務(wù)器/應(yīng)用聯(lián)邦學(xué)習(xí)。46G網(wǎng)絡(luò)感知AI應(yīng)用所涉及的模型結(jié)構(gòu)，被認(rèn)為是網(wǎng)路對(duì)AI應(yīng)用最深層次的原生支持。網(wǎng)絡(luò)通過感知模型的結(jié)構(gòu)，進(jìn)而全面感知AI模型，實(shí)現(xiàn)對(duì)AI靈活的網(wǎng)絡(luò)AI部署主要涉及相關(guān)的編管平臺(tái)能力的構(gòu)建，為網(wǎng)絡(luò)AI按需提供連接、算力、數(shù)據(jù)、算法等多方面的服務(wù)，并支持網(wǎng)絡(luò)AI化等。面向網(wǎng)絡(luò)AI任務(wù)，主要包括如下多種類型的編管服務(wù)：1面向網(wǎng)絡(luò)AI任務(wù)，連接編排的一個(gè)重要目標(biāo)是自動(dòng)執(zhí)行基于AI服務(wù)的網(wǎng)絡(luò)請(qǐng)求,并最大AIQoSAI2算力編管是針對(duì)網(wǎng)絡(luò)AI為了服務(wù)AI3AI6G要素，6G時(shí)代，邊緣產(chǎn)生的數(shù)據(jù)量將會(huì)是呈現(xiàn)數(shù)量級(jí)的增長(zhǎng)。大量的個(gè)人數(shù)據(jù)將被使用4AI在網(wǎng)絡(luò)AI訓(xùn)練中，可能同時(shí)運(yùn)行數(shù)百個(gè)任務(wù)和上千個(gè)節(jié)點(diǎn)，有必要針對(duì)這樣復(fù)雜的AI服務(wù)進(jìn)行多層次的分解，如分解為多個(gè)工作流、多任務(wù)等形式，減低復(fù)雜度。AI網(wǎng)絡(luò)AI蘊(yùn)含的是連接、算力、算法、數(shù)據(jù)跨技術(shù)領(lǐng)域的融合創(chuàng)新，是網(wǎng)絡(luò)架構(gòu)層面的重大變革，6GAI界的思考和共識(shí)，給出定義并闡述其內(nèi)涵；并以此為基礎(chǔ)，分析網(wǎng)絡(luò)AI的分級(jí)分類定界加速網(wǎng)絡(luò)AI相關(guān)的共識(shí)達(dá)成做出貢獻(xiàn)。6GANA，《6GNetworkAI6GANA，《6GANAHuawei，《6G,theNextHorizon:FromConnectedPeopleandThingstoConnectedIntelligence》IMT-20306GPromotionGroup,6GvisionandcandidatetechnologiesITUFG-NET2030，“Network2030:Ablueprintoftechnology,applicationsandmarketdriverstowardstheyear2030andbeyond》Hexa-X，《6GVision,usecasesandkeysocietalvaluesYang,Y.Multi-tiercomputingnetworksforintelligentIoT.NatElectron2,4–5 3rdGenerationPartnershipProject6GANA 6GAllianceofNetworkAI Artificiel Machine InformationandCommunicationAIDeep典型的深度學(xué)習(xí)模型包括：卷積神經(jīng)網(wǎng)絡(luò)模型（CNN），循環(huán)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型圖Reinforcement強(qiáng)化學(xué)習(xí)是一個(gè)學(xué)習(xí)最優(yōu)策略（policy），可以讓智能體（agent）在特定環(huán)境（rnnt）中，根據(jù)當(dāng)前狀態(tài)（se），做出行動(dòng)（acn），從而獲得最大回報(bào)ard按照是否有模型，強(qiáng)化學(xué)習(xí)可分為有模型學(xué)習(xí)（Model-based）和免模型學(xué)習(xí)Transfer根據(jù)遷移場(chǎng)景的不同，遷移學(xué)習(xí)可分為歸納式遷移學(xué)習(xí)（InductiveTL）、直推式遷移學(xué)習(xí)（TransductiveTL）和無監(jiān)督遷移學(xué)習(xí)（UnsupervisedTL）等。Federated又稱為聯(lián)邦機(jī)器學(xué)習(xí)（FederatedMachineLearning），是一種分布式機(jī)器學(xué)習(xí)框HorizontalFederated又稱為特征對(duì)齊的聯(lián)邦學(xué)習(xí)（Feature-AlignedFederatedLearning），其本質(zhì)是樣VerticalFederated也稱為樣本對(duì)齊的聯(lián)邦學(xué)習(xí)（Sample-AlignedFeder