2 .問(wèn)題一：為什么需要AI用例自生成？ 9 2.問(wèn)題二：為什么需要QOAIS？ 13 3.問(wèn)題三：如何支持AI生命周期管理？ 17 7 4.問(wèn)題四：是否以任務(wù)為中心？ 20 203 題五：如何支持算網(wǎng)融合？ 23 6.問(wèn)題六：為什么需要自生長(zhǎng)的數(shù)據(jù)服務(wù)？ 27 7.問(wèn)題七：為什么需要自生長(zhǎng)和可信的算法？ 32 AI架構(gòu)？ 36 4 10.問(wèn)題十：可以對(duì)外開放哪些AI能力？ 45 11.總結(jié) 50 列表5獻(xiàn)者位鄭青碧、冷昀橘、李剛、溫子睿鵬宇、于夢(mèng)晗、邢燕霞李娜愛立信楊春剛子科技大學(xué)燕、王達(dá)亞信科技(中國(guó))有限公司技術(shù)有限公司基亞貝爾袁雁南沃移動(dòng)通信有限公司濤、楊旸、李凱技大學(xué)、謝峰、楊立周凡欽、豐雷京郵電大學(xué)勇軍慶郵電大學(xué)楊婷婷連海事大學(xué)、秦爽許陽(yáng)6人工智能(ArtificialIntelligence)在最近十年發(fā)展迅猛，在挖掘大數(shù)據(jù)樣本的非線性規(guī)律，與環(huán)境交互的在線精準(zhǔn)決策等領(lǐng)域快速超越了以人工為主的專家經(jīng)驗(yàn)(HumanIntelligence)模式，在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、機(jī)器人控制等領(lǐng)域取得了巨大的成功。一方面由于以深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等為代表的人工智能算法能力的突破；另一方面以GPU為代表的人工智能算力成本的快速下降和U隨著ICT(InformationandCommunicationsTechnology)技術(shù)的不斷融合，網(wǎng)絡(luò)正朝向深和網(wǎng)絡(luò)運(yùn)維等領(lǐng)域。應(yīng)用方式主要還是以云端智能為主，在云端匯聚大量的數(shù)據(jù)，利用集中的算力對(duì)處理，AI模型訓(xùn)練和驗(yàn)證等。但是在網(wǎng)絡(luò)中傳輸大量的原始數(shù)據(jù)，一方面對(duì)傳輸帶寬壓力處理，有利于在網(wǎng)絡(luò)架構(gòu)中引入AI相關(guān)的功能。然而當(dāng)前的網(wǎng)絡(luò)和AI技術(shù)的結(jié)合仍處于初級(jí)階段。AIAIAI提升網(wǎng)的性能，運(yùn)營(yíng)和價(jià)值?！爸悄芊涸凇钡氖澜?。6G應(yīng)在5G基礎(chǔ)上全面支持整個(gè)世界的數(shù)字化，網(wǎng)絡(luò)要助力千行百業(yè)的數(shù)智化能化服務(wù)[2]。同時(shí)，維護(hù)也需要從局部的智能化運(yùn)維向高水平的網(wǎng)絡(luò)自治演進(jìn)。這些都迫切要求網(wǎng)絡(luò)與AI技術(shù)更緊密的結(jié)合，將AI能力通過(guò)網(wǎng)絡(luò)架構(gòu)的革新深度內(nèi)化到網(wǎng)絡(luò)中。為此，6G網(wǎng)絡(luò)提出了“智慧內(nèi)生”AI務(wù)。通過(guò)在6G網(wǎng)絡(luò)架構(gòu)的設(shè)計(jì)中充分考慮AI的算法，算力和數(shù)據(jù)以及網(wǎng)絡(luò)連接等諸多要素，6G將成為融合連接和算力的新型基礎(chǔ)設(shè)施，從而極大提高AI資源的使用效率并使AIaaS(AIasaService)成為可能，AI能力在網(wǎng)絡(luò)中無(wú)處不在、無(wú)孔不入，并像人體的大腦和神經(jīng)網(wǎng)絡(luò)一樣，以分布式或集中的方式隨時(shí)隨地按需提供給網(wǎng)絡(luò)自身及第三方，實(shí)現(xiàn)智慧的泛在可得、全面賦能萬(wàn)事萬(wàn)物。7行 AI工作流1AI工作流3問(wèn)題十?dāng)?shù)據(jù)I練出現(xiàn)階段業(yè)界廣泛關(guān)注的、對(duì)6G網(wǎng)絡(luò)架構(gòu)存在潛在影響的十大核心技術(shù)問(wèn)題。針對(duì)每項(xiàng)問(wèn)題，從特征內(nèi)涵、必要性、可行性、對(duì)網(wǎng)絡(luò)架構(gòu)的影響等四個(gè)方面展開分析，研究該問(wèn)題所示技術(shù)特征是否行 AI工作流1AI工作流3問(wèn)題十?dāng)?shù)據(jù)十個(gè)問(wèn)題間的邏輯關(guān)系如下圖所示：?jiǎn)栴}一需求導(dǎo)入問(wèn)題二、三質(zhì)量評(píng)估保障底層資源 計(jì)算 存儲(chǔ)通信集中式AI超腦分布式AI邊腦AI工作流2AI工作流分布式AI邊腦承接TG1對(duì)需求和應(yīng)用場(chǎng)景的研究，面向不同行業(yè)和場(chǎng)景對(duì)6G網(wǎng)絡(luò)內(nèi)生AI千差萬(wàn)別的需求，TG2提出的第一個(gè)問(wèn)題即是：如何去表達(dá)和導(dǎo)入用戶對(duì)6G網(wǎng)絡(luò)AI服務(wù)的需求？AI用例(需求表達(dá)形式)的自生成(一種導(dǎo)入方式)為什么會(huì)成為6G網(wǎng)絡(luò)支持的技術(shù)特征？TGQoAISQualityofAIService)AI服務(wù)質(zhì)量的概念，并給出一種供參考的指標(biāo)8I 據(jù)、連接)，以實(shí)時(shí)的、持續(xù)的滿足用戶對(duì)QoAIS服務(wù)質(zhì)量要求。由于算法、算力和數(shù)據(jù)將同傳統(tǒng)連接一樣，成為網(wǎng)絡(luò)中可管控的新資源維度，資源的異質(zhì)性及挑I法的可信？提出為什么可通過(guò)基于模型的計(jì)算實(shí)現(xiàn)AI算法的自我進(jìn)化，以及如何提供可信的AI算在上述資源的部署架構(gòu)方面，6G將呈現(xiàn)集中式和分布式相結(jié)合的特點(diǎn)。集中式資源下的AI能力面，以及不同節(jié)點(diǎn)間如何協(xié)同的問(wèn)題。最后，從資源對(duì)外開放的角度，問(wèn)題十提出6G網(wǎng)絡(luò)中上述資源可包裝成哪些特定的能力向第三開放。G9涵用例的管理將AI用例部署到網(wǎng)絡(luò)中，網(wǎng)絡(luò)根據(jù)AI用例的描述按需調(diào)配網(wǎng)絡(luò)元素(包括數(shù)據(jù)、算法、算力、連接等)以滿足該用例的性能需求。AI用例：AI用例是用戶在智能應(yīng)用場(chǎng)景下向網(wǎng)絡(luò)提出的一次AI服務(wù)請(qǐng)求，一個(gè)AI用例可能涉及到一類或多類網(wǎng)絡(luò)內(nèi)生AI服務(wù)(如AI訓(xùn)練、驗(yàn)證和推理服務(wù))的調(diào)用。如下示例為一個(gè)AI用例涉型服務(wù)的情況：AI用例才能達(dá)到智能化目標(biāo)。智能應(yīng)用場(chǎng)景例如網(wǎng)絡(luò)自治類場(chǎng)景、行業(yè)類場(chǎng)景、未來(lái)數(shù)據(jù)推演出的新等[3]。以網(wǎng)絡(luò)自治中的智能應(yīng)用場(chǎng)景舉例說(shuō)明智能應(yīng)用場(chǎng)景與AI用例之間的關(guān)系：如網(wǎng)絡(luò)通過(guò)KPI (KeyPerformanceIndicator)指標(biāo)監(jiān)測(cè)發(fā)現(xiàn)某CBD(CentralBusinessDistrict)區(qū)域語(yǔ)音切換成切換成功率的因素有部分小區(qū)的SSB波束覆蓋不佳、部分小區(qū)的鄰區(qū)配置不準(zhǔn)確、部分小區(qū)的切換測(cè)AIBAI的鄰區(qū)配置AI的切換測(cè)量參數(shù)值服務(wù)請(qǐng)求，在實(shí)操層面需獲知的框架性或輔助性信息。從描述中，網(wǎng)絡(luò)可獲知在智能應(yīng)用場(chǎng)景、輸入輸出數(shù)據(jù)、模型選擇、模型訓(xùn)練、模型驗(yàn)證優(yōu)化、以及實(shí)施模型輸出的結(jié)論/決策等方面的信息?！翱葾I往往在不同優(yōu)化用例之間產(chǎn)生優(yōu)化效果的沖突，如某小區(qū)覆蓋性能的提升導(dǎo)致周邊小區(qū)干擾的抬升和等網(wǎng)絡(luò)元素需求將千差萬(wàn)別，基于配置的方式將無(wú)法最大化的滿足和適應(yīng)網(wǎng)絡(luò)全場(chǎng)景對(duì)網(wǎng)絡(luò)和服務(wù)的網(wǎng)絡(luò)內(nèi)生AI的方式，智能化地生成和調(diào)度實(shí)施AI用例，避免AI用例之間的沖突，保證疊加效果最巨大適應(yīng)能力以及使能網(wǎng)絡(luò)自身具備智慧。1)智能的實(shí)施范圍：包括時(shí)空范圍，此例為待優(yōu)化小區(qū)ID(Identify)。。4)智能模型的輸入和輸出數(shù)據(jù)模板：智能模型輸出的數(shù)據(jù)元素模板和智能模型訓(xùn)練所需的所有數(shù)據(jù)出數(shù)據(jù)為待優(yōu)化小區(qū)的SSB波束權(quán)值，獎(jiǎng)勵(lì)驗(yàn)證集中樣本的分布要求或某些必須包括的樣本要求等；對(duì)于驗(yàn)證場(chǎng)景，可以包含對(duì)驗(yàn)證場(chǎng)景的7)QoAIS要求(QualityofAIService)：一個(gè)AI用例的完成可能涉及到多種AI服務(wù)的調(diào)用，每種AI服務(wù)都有對(duì)應(yīng)的服務(wù)質(zhì)量評(píng)價(jià)和保障指標(biāo)，包括AI服務(wù)的性能指標(biāo)[8]、開銷指標(biāo)、安全指標(biāo)體系。AIAIAI的方式有兩種：一種是網(wǎng)絡(luò)基于數(shù)據(jù)分析推演的方法生成，另一種是通過(guò)對(duì)外接口導(dǎo)入AI用例描述。通過(guò)數(shù)據(jù)分析推演生成AI用例的方式，可基于網(wǎng)絡(luò)元數(shù)據(jù)實(shí)現(xiàn)內(nèi)生意圖精確推理與PIAIAI工進(jìn)行參從用例的描述方式上，網(wǎng)絡(luò)生成的AI用例描述可標(biāo)準(zhǔn)化，但由外部導(dǎo)入的AI用例描述可能因?qū)⒒蛞庠覆煌y于統(tǒng)一要求，因此，可初步分為“面向用戶的描述方式”和“面向網(wǎng)成AI用例。兩者之間可能需要轉(zhuǎn)譯。影響對(duì)于網(wǎng)絡(luò)自治場(chǎng)景下，AI用例由網(wǎng)絡(luò)自生成的情況，網(wǎng)絡(luò)AI用例生成所需的數(shù)據(jù)可能跨越多個(gè)IAI用例在網(wǎng)元中自生成。網(wǎng)元的數(shù)字孿生體是網(wǎng)元實(shí)時(shí)狀態(tài)在數(shù)字域的擬真，其包含網(wǎng)元內(nèi)部組件拓?fù)浜蛿?shù)據(jù)元素間的關(guān)聯(lián)度知識(shí)圖譜。當(dāng)網(wǎng)元性能惡化時(shí)，觸發(fā)此場(chǎng)景下的AI用例。該場(chǎng)景下，網(wǎng)絡(luò)架構(gòu)需要考慮支持網(wǎng)元內(nèi)、域內(nèi)和跨域多層級(jí)的集中式和分布式數(shù)字孿生體之間的交互AI成除了在網(wǎng)絡(luò)架構(gòu)的研究方面需要開展上述工作外，在今后的標(biāo)準(zhǔn)化工作和產(chǎn)業(yè)生態(tài)的影響分析中，也需要開展如下工作：致在一片區(qū)域內(nèi)所有網(wǎng)元網(wǎng)管設(shè)備均為同一供應(yīng)商。對(duì)于用戶導(dǎo)入AI用例的場(chǎng)景，由于對(duì)用戶描述語(yǔ)言的規(guī)范化難度較大(用戶背景廣泛，對(duì)新鮮事物的接受能力參差不齊)，可能會(huì)催生從用戶描述語(yǔ)言到機(jī)器可理解的AI用例描述語(yǔ)言間的轉(zhuǎn)譯工具互式可選信息等。6G智能內(nèi)生網(wǎng)絡(luò)將具有為全場(chǎng)景提供最佳適配的強(qiáng)大適應(yīng)能力。面對(duì)千差萬(wàn)別的巨大差異和細(xì)微不同的微小差別，借助內(nèi)生AI，6G網(wǎng)絡(luò)通過(guò)網(wǎng)絡(luò)自生成或?qū)ν饨涌趯?dǎo)入的方式，基于AI用例描述模板，將場(chǎng)景的AI需求精準(zhǔn)的用例化。通過(guò)AI用例管理，6G智能內(nèi)生網(wǎng)絡(luò)對(duì)場(chǎng)景所建議基于TG1廣泛收集各類智能應(yīng)用場(chǎng)景需求，進(jìn)一步研究完善智能應(yīng)用場(chǎng)景與AI用例的關(guān)AII立信李娜、中國(guó)電信王棟、西安電子科技大學(xué)楊春剛生成AI用例生成AI服務(wù)及QoAIS要求AI訓(xùn)練服務(wù)AI生成AI用例生成AI服務(wù)及QoAIS要求AI訓(xùn)練服務(wù)AI工作流1AI工作流2AI工作流3AI工作流4AI用例描述AI數(shù)據(jù)服務(wù)AI驗(yàn)證服務(wù)技術(shù)特征內(nèi)涵QoAIS(QualityofAIService)是評(píng)估和保障網(wǎng)絡(luò)內(nèi)生AI服務(wù)質(zhì)量的指標(biāo)體系和流程機(jī)制。一個(gè)AI服務(wù)對(duì)應(yīng)一套QoAIS指標(biāo)，一個(gè)AI用例對(duì)應(yīng)的QoAIS指標(biāo)由其包含的所有AI服務(wù)對(duì)應(yīng)的SQoAIS是網(wǎng)絡(luò)內(nèi)生AI編排管理系統(tǒng)和控制功能的重要輸入，管理編排系統(tǒng)需要對(duì)頂層的QoAIS面相關(guān)機(jī)制設(shè)計(jì)獲得持續(xù)保障。QoAIS獲知的方式有兩種：一種是外部導(dǎo)入，比如在外部導(dǎo)入AI用生生成AI工作流和任務(wù)QoAIQoAISQoAIQoAISQoAIQoAIS任務(wù)AI用例描述AI服務(wù)QoAIS必要性分析G絡(luò)將不再只是服務(wù)于傳統(tǒng)通信業(yè)務(wù)的管道，6G網(wǎng)絡(luò)將構(gòu)建內(nèi)生于網(wǎng)絡(luò)的AI能力，形成一套可服務(wù)于多種智能應(yīng)用場(chǎng)景的能力體系，即AIaaS。考慮到不同的智能應(yīng)用場(chǎng)景(如網(wǎng)絡(luò)高水平自AI著不同的需求，因此需要一套指標(biāo)體系通過(guò)量化或分級(jí)的方式表達(dá)用戶層面的需求以及網(wǎng)絡(luò)編排控制AI各要素(包括算法、算力、數(shù)據(jù)、連接等)的綜合效果。在具體指標(biāo)體系設(shè)計(jì)上，傳統(tǒng)通信網(wǎng)絡(luò)的QoS主要考慮通信業(yè)務(wù)的時(shí)延和吞吐率(MBR、GBR等)等與連接相關(guān)的性能指標(biāo)[9]。6G網(wǎng)絡(luò)除了傳統(tǒng)通信資源外，還將引入分布式異構(gòu)算力資源、存儲(chǔ)資源、數(shù)據(jù)資源、AI算法等AI服務(wù)編排的多種資源元素，因而需要從連接、算力、算法、數(shù)據(jù)等AI據(jù)安全性和隱私性關(guān)注程度的普遍加強(qiáng)，以及用戶對(duì)網(wǎng)絡(luò)自治能力需求的提升，未來(lái)性能相關(guān)指標(biāo)將不再是用戶關(guān)注的唯一指標(biāo)，安全、隱私、自治和資源開銷方面的需求將逐漸深服務(wù)質(zhì)量的新維度，而不同行業(yè)和場(chǎng)景在這些新維度上的具體需求也將千差萬(wàn)別，需要SoS3可行性分析6G網(wǎng)絡(luò)內(nèi)生的AI服務(wù)可以分為AI數(shù)據(jù)類、AI訓(xùn)練類、AI推理類和AI驗(yàn)證類。表2-1提供了標(biāo)維度性能能指標(biāo)界、訓(xùn)練耗時(shí)、泛化性、可重用性、魯棒性、可解釋性、損失函數(shù)與優(yōu)化目標(biāo)的一致性、公平性*存儲(chǔ)開銷、計(jì)算開銷、傳輸開銷、能耗全*存儲(chǔ)安全、計(jì)算安全、傳輸安全數(shù)據(jù)隱私等級(jí)、算法隱私等級(jí)自治、部分人工可控、全部人工可控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，也可以選擇鏈路級(jí)/系統(tǒng)級(jí)指標(biāo)(如誤比特率或吞吐量等)作為反映信道反饋精度對(duì)系統(tǒng)性能影響的KPI。此外，QoAIS還可以包括AI服務(wù)的可獲得性、AI服務(wù)的響應(yīng)時(shí)間(從用戶發(fā)起請(qǐng)求到AI服務(wù)的首條響應(yīng)消息)等與AI服務(wù)類型無(wú)關(guān)的通用性評(píng)價(jià)指標(biāo)。AISQoSAIQoAIS整體指標(biāo)拆解到各指標(biāo)維度上的QoAIS指標(biāo)，再進(jìn)一步映射到各資源維度上的QoS指標(biāo)，由管理指標(biāo)(如各類資源開銷)和適合分級(jí)評(píng)估的指標(biāo)(如安全等級(jí)、隱私等級(jí)和自治等級(jí))。在前一類指標(biāo)中，有部分指標(biāo)的量化方案已成熟或較容易制定(如訓(xùn)練耗時(shí)、算法性能界、計(jì)算精度、各類資源開銷等)，部分指標(biāo)目前尚無(wú)定量評(píng)估方法(如模型的魯棒性、可重用性、泛化性和可解釋性等)，如表2-2所示。因此，如何在起始階段設(shè)計(jì)出足夠開放包容的網(wǎng)絡(luò)架構(gòu)以便后續(xù)逐步引入上述指標(biāo)的成熟量化技術(shù)是需要思考和研究的問(wèn)題。標(biāo)維度源維度性能性能指標(biāo)界、訓(xùn)練耗時(shí)、泛化性、可可解釋性、優(yōu)化目標(biāo)匹配度、公平性數(shù)據(jù)特征冗余度、完整度、數(shù)據(jù)度、數(shù)據(jù)準(zhǔn)備耗時(shí)本空間平衡性、完整性、樣本分布動(dòng)態(tài)性法性能指標(biāo)界、訓(xùn)練耗時(shí)、是收斂、優(yōu)化目標(biāo)匹配度性、可重用性、泛化性、可解釋性、公平性力算精度、時(shí)長(zhǎng)、效率接碼率及抖動(dòng)、可靠性等對(duì)網(wǎng)絡(luò)架構(gòu)的影響SQoAIS指標(biāo)映射到網(wǎng)絡(luò)各資源面上的QoS指標(biāo)，并通過(guò)在管理面、控制面和用戶面上設(shè)計(jì)新的機(jī)制要考慮的問(wèn)題。具體需要考慮如下幾個(gè)方面：S控制面實(shí)現(xiàn)的可能性，及對(duì)網(wǎng)絡(luò)架構(gòu)的影響對(duì)于在管理面生成的QoAIS指標(biāo)需求，其向各維度資源QoS指標(biāo)的映射機(jī)制，以及管理面如何本章小結(jié)量化或分級(jí)的方式表達(dá)用戶的需求；6G網(wǎng)絡(luò)除了傳統(tǒng)通信資源外，還將引入分布式算力、數(shù)據(jù)、算法等多維資源，需要從多個(gè)維度綜合評(píng)估網(wǎng)絡(luò)內(nèi)生AI的服務(wù)質(zhì)量。因此我們認(rèn)為6G內(nèi)生AI需要構(gòu)建一套適用于網(wǎng)絡(luò)內(nèi)生AI服務(wù)的質(zhì)量評(píng)價(jià)指標(biāo)和保障機(jī)制，即QoAIS(可區(qū)分為QoAIS指標(biāo)體系和QoAIS保障機(jī)制)。QoAIS指標(biāo)體系需考慮性能、開銷、安全、隱私和自治五個(gè)指標(biāo)維度，由指標(biāo)維上的QoS上。當(dāng)前，部分QoAIS指標(biāo)尚無(wú)成熟的量化評(píng)估方式(如模型的泛化性、可解釋性、可重用性)，建議TG4開展相關(guān)研究，建議TG2后續(xù)研究：如何在起始階段設(shè)計(jì)出足夠開放包容的網(wǎng)絡(luò)架構(gòu)以便成熟量化技術(shù)？征內(nèi)涵-基于業(yè)務(wù)目標(biāo)出發(fā)構(gòu)建機(jī)器學(xué)習(xí)問(wèn)題(場(chǎng)景，QoAIS,KPI，監(jiān)控需求)。。AI生命周期管理流程如圖所示：AI。管理所有步驟中實(shí)現(xiàn)自動(dòng)化和監(jiān)控，并建立模型持續(xù)優(yōu)化和改進(jìn)流程，使能全場(chǎng)景自動(dòng)閉環(huán)，自診析G“原生”AI旨在隨時(shí)隨地的提供AI服務(wù)，并通過(guò)持續(xù)迭代優(yōu)化，不斷提升系統(tǒng)性能和用戶體AIG、數(shù)據(jù)、可編程能力集成到6G6G網(wǎng)絡(luò)可能是由分布式的具有內(nèi)生AI能力的功能節(jié)點(diǎn)組成，為智能業(yè)務(wù)提供原生支持或者支持分析G基本特征的自治網(wǎng)絡(luò)運(yùn)營(yíng)管理架構(gòu)，在AI的生命周期管理中通過(guò)支持持續(xù)集成(CI)、持續(xù)交付(CD)和持續(xù)訓(xùn)練(CT)的ML(MachineLearning)管道，可AI包括：2)可重性集成環(huán)境。用于訓(xùn)練和部署模型，跟蹤使用模型時(shí)所需的網(wǎng)絡(luò)資源模型，支持模型的注和部署等操作。性能指標(biāo)。型部署、模型測(cè)試和數(shù)據(jù)偏移檢測(cè)等。持續(xù)監(jiān)控模型在運(yùn)行中的預(yù)測(cè)性能，監(jiān)控?cái)?shù)據(jù)治理、此外，開放網(wǎng)絡(luò)自動(dòng)化平臺(tái)ONAP(OpenNetworkAutomationPlatform)[13][14]提供了一AI大規(guī)模負(fù)載和服務(wù)。通過(guò)ONAP和3GPP系統(tǒng)接口開放和協(xié)作，網(wǎng)絡(luò)運(yùn)營(yíng)商可以實(shí)時(shí)動(dòng)態(tài)編排物理和虛擬網(wǎng)絡(luò)功能以滿足AI需求。與此同時(shí)，ONAP的開放性和全球主要網(wǎng)絡(luò)供應(yīng)商的普遍接受加構(gòu)的影響1)統(tǒng)一AI生命周期管理與數(shù)據(jù)和算力的調(diào)度編排；2)支持以工作流和任務(wù)為中心的編排機(jī)制和ML管道機(jī)制；融合；本章小結(jié)6G內(nèi)生AI網(wǎng)絡(luò)架構(gòu)需考慮如何將AI生命周期管理以及ML管道自動(dòng)編排技術(shù)相結(jié)合，并且在1)AI生命周期定義、管理接口以及網(wǎng)絡(luò)資源模型定義；2)支持以工作流和任務(wù)為中心的自動(dòng)化編排機(jī)制和ML管道機(jī)制；3)如何實(shí)現(xiàn)AI算力、算法、數(shù)據(jù)的管理編排以及與控制面的融合；亞信科技(中國(guó))有限公司王達(dá)技大學(xué)楊春剛4.1技術(shù)特征內(nèi)涵步分解為一個(gè)或多個(gè)任務(wù)。2)任務(wù)為中心：任務(wù)為中心是指以任務(wù)為管控對(duì)象，支持任務(wù)的生命周期管控，通過(guò)計(jì)算、算法、4.2必要性分析傳統(tǒng)通信系統(tǒng)是以會(huì)話為中心的設(shè)計(jì)，提供了完整的會(huì)話生命周期管理機(jī)制(如，E2E隧道的創(chuàng)建、修改、刪除、錨點(diǎn)遷移等流程)；6G原生支持網(wǎng)絡(luò)AI，涉及到多節(jié)點(diǎn)場(chǎng)景下的多算力、多連4.3可行性分析1)前提假設(shè)：IbG和AI系統(tǒng)。周期管理(如，算力、算法、數(shù)據(jù)、連接等資源的編管控)、任務(wù)QoS生S障)。中心架構(gòu)，其中，引入任務(wù)控制和任務(wù)執(zhí)行兩個(gè)a)任務(wù)控制：在接受任務(wù)源(如，服務(wù)編排)提供的請(qǐng)求后，任務(wù)控制負(fù)責(zé)對(duì)整個(gè)任務(wù)的生命周期管控，包括調(diào)控資源四要素(算力、算法、數(shù)據(jù)、連接)來(lái)進(jìn)行任務(wù)的QoS保障。c)任務(wù)控制與任務(wù)源的接口：任務(wù)源(如，服務(wù)編排)提供AIaaS服務(wù)。在任務(wù)源接受服務(wù)請(qǐng)接口，將任務(wù)控制的輸入(如，工作流)和QoAIS、傳遞給任務(wù)控制。任務(wù)控制接受任務(wù)源(如，服務(wù)編排)請(qǐng)求后、將業(yè)務(wù)需求(如，工作流)分解為一個(gè)或多個(gè)任體等的對(duì)應(yīng)關(guān)系：上述是以服務(wù)編排為任務(wù)觸發(fā)源、并由任務(wù)控制將服務(wù)編排觸發(fā)并生成的工作流分解為具體任務(wù)并4.4對(duì)網(wǎng)絡(luò)架構(gòu)的影響響：1)任務(wù)控制的引入、及邏輯功能定義，從而支持對(duì)算力、算法、數(shù)據(jù)、連接的統(tǒng)一管控，以任務(wù)為析：1)任務(wù)為中心：6G網(wǎng)絡(luò)通過(guò)控制信令支持任務(wù)的生命周期管理，網(wǎng)絡(luò)AI的QoS生成、分解和保障，及相關(guān)資源(算力、算法、數(shù)據(jù)、連接)的控制。2)對(duì)外接口：服務(wù)編排與任務(wù)控制之間接口定義，如，服務(wù)編排分解后的工作流、以及其對(duì)應(yīng)的4.5本章小結(jié)4.5.1觀點(diǎn)傳統(tǒng)通信系統(tǒng)是以會(huì)話為中心的設(shè)計(jì)、提供了完整的會(huì)話生命周期管理機(jī)制(如，E2E隧道的創(chuàng)建、修改、刪除、錨點(diǎn)遷移等流程)；6G原生支持網(wǎng)絡(luò)AI，涉及到多節(jié)點(diǎn)場(chǎng)景下的多算力、多連行和QoS保障。4.5.2建議——華為技術(shù)有限公司彭程暉、王君、王飛G務(wù)的基礎(chǔ)設(shè)施，可面拉通，包括分布式算力(如，終端算力、基站算力、核心網(wǎng)算力)與連接的相互感知，相互協(xié)同，算力發(fā)現(xiàn)、靈活動(dòng)態(tài)算力調(diào)度，提供無(wú)處不在，滿足計(jì)算服務(wù)的服務(wù)質(zhì)量需求的計(jì)算算網(wǎng)融合在實(shí)現(xiàn)相應(yīng)功能時(shí)能綜合考慮空口狀態(tài)信息、網(wǎng)絡(luò)狀態(tài)、算力分布等信息以達(dá)到性能的最優(yōu)化或者資源最小消耗，例如在分配算力實(shí)施業(yè)務(wù)部署時(shí)考慮網(wǎng)絡(luò)狀態(tài)、用戶分布、用戶空口狀1)算網(wǎng)融合網(wǎng)絡(luò)架構(gòu)：網(wǎng)元和計(jì)算節(jié)點(diǎn)組成可調(diào)度的計(jì)算和通信節(jié)點(diǎn)集群，其計(jì)算能力與通信指，網(wǎng)力，計(jì)算網(wǎng)元和計(jì)算節(jié)點(diǎn)產(chǎn)生的算力稱為內(nèi)生算力；分布式特征具體是指，計(jì)算個(gè)節(jié)點(diǎn)，使得通信、計(jì)算和存儲(chǔ)資源得到更充分的利用；算力異構(gòu)特征具體是指，節(jié)點(diǎn)的計(jì)算能力、存儲(chǔ)能力、算力類型不同；多層次特征具體是指，算網(wǎng)融合網(wǎng)絡(luò)架構(gòu)是包括云層、霧層、邊緣層和終端層的多層次網(wǎng)絡(luò)(端、邊、核心網(wǎng)云)，層與層之間相互連接，相互配合，共同為戶提供服務(wù)。息，如算力類型、算力資源的數(shù)量、算力資源的使用狀態(tài)等。算力發(fā)現(xiàn)具體是指，網(wǎng)絡(luò)在運(yùn)行過(guò)程源發(fā)現(xiàn)。算力注冊(cè)具體是指，在網(wǎng)絡(luò)發(fā)現(xiàn)新的算力資源后，會(huì)與該算力資源的節(jié)點(diǎn)進(jìn)行3)計(jì)算、連接的融合控制；融合控制功能具體包括分布式異構(gòu)算力資源、連接資源的調(diào)度與控制。在資源調(diào)度時(shí)，融合控制功能會(huì)綜合考慮空口狀態(tài)信息、延時(shí)、算力分布、算力異構(gòu)情況等信S6G時(shí)代的新興AI業(yè)務(wù)如沉浸式XR、自動(dòng)駕駛等，對(duì)算力和網(wǎng)絡(luò)提出更高的要求，如超高算活算力調(diào)度等。而傳統(tǒng)集約式的云數(shù)據(jù)中心與端側(cè)算力顯然無(wú)法滿足多樣化的業(yè)務(wù)算力互為資源孤島，容易產(chǎn)生資源浪費(fèi)、算力不足、無(wú)法滿足低時(shí)延業(yè)務(wù)要求等問(wèn)題。如何將利用多智能調(diào)度和優(yōu)化，可有效促進(jìn)算力資源的按需“流動(dòng)”。計(jì)算和網(wǎng)絡(luò)深度融合，一方面可以整體提高AI務(wù)提供最佳的計(jì)算、網(wǎng)絡(luò)等資源服務(wù)。方ECAI的，并需要實(shí)時(shí)適配無(wú)線邊緣動(dòng)態(tài)復(fù)雜的環(huán)境，這和CloudAI情況是完全不同的，也需要在控制面G算”雙基礎(chǔ)設(shè)施，將算力高效連接、靈活調(diào)度，以支持內(nèi)生AI所需的強(qiáng)大算力，滿足各種實(shí)時(shí)的AI務(wù)。府已出臺(tái)系列政策指引產(chǎn)業(yè)發(fā)展。這些政策對(duì)相關(guān)產(chǎn)業(yè)的推動(dòng)，將激發(fā)對(duì)算網(wǎng)融合的需求。以2021年5月國(guó)家發(fā)展改革委、中央網(wǎng)信辦、工業(yè)和信息化部、國(guó)家能源局聯(lián)合印發(fā)《全國(guó)一體化大數(shù)據(jù)中系算力樞紐實(shí)施方案》為例，明確提出構(gòu)建數(shù)據(jù)中心、云計(jì)算、大數(shù)據(jù)一體化的新型算3GPPSA5通過(guò)標(biāo)準(zhǔn)支持通信和計(jì)算在管理功能上進(jìn)行協(xié)作，使得算力服務(wù)于移動(dòng)通信網(wǎng)絡(luò)；ETSIMEC和3GPPSA2通過(guò)標(biāo)準(zhǔn)支持通信和計(jì)算在信息開放上進(jìn)行協(xié)作，使得移動(dòng)網(wǎng)絡(luò)承載管道和計(jì)算業(yè)務(wù)之間更好地匹配。在傳輸領(lǐng)域，IETF基于IPv6協(xié)議開展CFN(computingfirstnetwork)標(biāo)準(zhǔn)化，通過(guò)SRv6技術(shù)來(lái)攜帶算力節(jié)點(diǎn)的算力服務(wù)信息和算力狀態(tài)信息，從傳輸網(wǎng)絡(luò)層面解決算力感面的功能上協(xié)同通信與計(jì)算，實(shí)現(xiàn)算力資源、連接資源的合理分配，滿足計(jì)算服務(wù)質(zhì)量需求成為可能。影響算力對(duì)架構(gòu)的影響包括：算力可能成為3GPP的邏輯功能網(wǎng)元；RAN側(cè)(包括基站與終端)的、RAN是在控制面耦合還是在管理面耦合；跨技術(shù)域的計(jì)算、連接的協(xié)同機(jī)制，其中技術(shù)域包括但不局限于案包括：1)方案1，核心網(wǎng)會(huì)話控制功能和算力控制功能(包括算力感知、調(diào)度、控制等)獨(dú)立部署，定義控制信令交互接口。其中會(huì)話控制功能包括計(jì)算會(huì)話的創(chuàng)建、更新、刪除等控制管理功能，計(jì)1)方案1，RAN側(cè)引入新的邏輯計(jì)算單元xNC(ComputingNode)，與傳統(tǒng)連接服務(wù)基站xNB對(duì)等，RRC(RadioResourceControl)和CRC(ComputingResourceControl)通過(guò)標(biāo)準(zhǔn)接口進(jìn)行控制面交互，其中RRC控制部分包括計(jì)算承載的創(chuàng)建、更新、刪除等控制管理功CRC進(jìn)行控制面交互。這種方案的好處是基站內(nèi)部接口實(shí)現(xiàn)性能較好，且無(wú)線通信資源和計(jì)算資源的資源控制實(shí)體(xRC)，同時(shí)對(duì)連接和計(jì)算資源進(jìn)行控制。這種方案的好處是同時(shí)決定連接和計(jì)S提供方時(shí)算力資源的請(qǐng)求和協(xié)商，運(yùn)營(yíng)支撐系統(tǒng)應(yīng)支持算力服務(wù)簽約，并實(shí)現(xiàn)與用戶的其算網(wǎng)融合的融合控制功能使得運(yùn)營(yíng)商有能力構(gòu)建“連接+計(jì)算”的雙基礎(chǔ)設(shè)施，支持網(wǎng)絡(luò)AI和2)分布式異構(gòu)算力資源的調(diào)度與控制；——華為技術(shù)有限公司彭程暉、劉哲中國(guó)電信邢文娟移動(dòng)通信有限公司袁雁南、上?？萍即髮W(xué)吳連濤、楊旸、李凱1技術(shù)特征內(nèi)涵數(shù)據(jù)服務(wù)是數(shù)據(jù)提供者和數(shù)據(jù)消費(fèi)者之間的抽象，是對(duì)數(shù)據(jù)消費(fèi)者和物理數(shù)據(jù)提供者的解耦。GAIAI采集、處理、存儲(chǔ)、知識(shí)轉(zhuǎn)化、應(yīng)用等多個(gè)方面促使數(shù)據(jù)服務(wù)能力進(jìn)化，形成自生長(zhǎng)的數(shù)據(jù)服務(wù)。通過(guò)AI與數(shù)據(jù)服務(wù)的結(jié)合，AI為數(shù)據(jù)服據(jù)服務(wù)具有以下特點(diǎn)：對(duì)海量異構(gòu)數(shù)據(jù)精準(zhǔn)感知、主動(dòng)推送和動(dòng)態(tài)按需采集，避免數(shù)據(jù)冗AI對(duì)不同價(jià)值的數(shù)據(jù)進(jìn)行云邊端分布式存儲(chǔ)和策略優(yōu)化提升數(shù)據(jù)服務(wù)響應(yīng)速度；通過(guò)模型訓(xùn)練和知識(shí)推2必要性分析數(shù)據(jù)是6G的核心生產(chǎn)要素之一，數(shù)據(jù)服務(wù)能力直接影響網(wǎng)絡(luò)性能和數(shù)據(jù)價(jià)值。數(shù)據(jù)服務(wù)包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)訪問(wèn)、數(shù)據(jù)共享與協(xié)同等階段，涉及的數(shù)據(jù)元素包含業(yè)務(wù)數(shù)G致數(shù)據(jù)失效。6G網(wǎng)絡(luò)存在巨量的連接設(shè)備和傳感器，其產(chǎn)生的海量異構(gòu)數(shù)據(jù)分散在網(wǎng)絡(luò)各層各域。對(duì)多源跨層跨域的數(shù)據(jù)服務(wù)，在數(shù)據(jù)時(shí)效性和一致性保證上存在難度，需要結(jié)合AI提升數(shù)據(jù)服務(wù)效只能適應(yīng)于特定問(wèn)題和應(yīng)用，局部數(shù)據(jù)的價(jià)值難以推廣。對(duì)數(shù)據(jù)價(jià)值深度挖掘?qū)崿F(xiàn)價(jià)值最景需求，而當(dāng)前的參數(shù)配置和數(shù)據(jù)服務(wù)編排方式難以做到對(duì)各種場(chǎng)景的動(dòng)態(tài)適配。打造更為豐富多樣數(shù)據(jù)服務(wù)，可以對(duì)數(shù)據(jù)價(jià)值的分析進(jìn)行云邊端分布式存儲(chǔ)策略優(yōu)化，將高價(jià)值數(shù)據(jù)實(shí)現(xiàn)對(duì)全局跨域的數(shù)據(jù)編排、網(wǎng)絡(luò)各域/各節(jié)點(diǎn)數(shù)據(jù)協(xié)同、本地?cái)?shù)據(jù)處理和按需共享；在AI加持下進(jìn).3可行性分析對(duì)6G內(nèi)生AI網(wǎng)絡(luò)，數(shù)據(jù)服務(wù)能力可以從數(shù)據(jù)采集、數(shù)據(jù)中間處理和數(shù)據(jù)應(yīng)用三個(gè)層面進(jìn)行提n原始數(shù)據(jù)原始數(shù)據(jù)中數(shù)據(jù)非常龐雜，為了控制數(shù)據(jù)質(zhì)量和數(shù)量，數(shù)據(jù)采集要在一定的限制約束前提下進(jìn)行才能使數(shù)據(jù)越來(lái)越符合特定需求。基礎(chǔ)數(shù)據(jù)可以廣泛應(yīng)用于多個(gè)數(shù)據(jù)服務(wù)，多個(gè)數(shù)據(jù)服務(wù)使用也提升的通用性。通過(guò)對(duì)數(shù)據(jù)多維度挖掘、對(duì)第三方數(shù)據(jù)采集，可以擴(kuò)展數(shù)據(jù)范圍并豐富數(shù)據(jù)的種類。通過(guò)對(duì)原始數(shù)據(jù)的精準(zhǔn)感知、高質(zhì)高效采集，復(fù)用性增強(qiáng)和數(shù)據(jù)增廣等方式，能夠?qū)崿F(xiàn)數(shù)據(jù)服務(wù)的智能提升。n中間數(shù)據(jù)質(zhì)量提升使得數(shù)據(jù)服務(wù)效率和準(zhǔn)確性得到提升。n應(yīng)用數(shù)據(jù)應(yīng)用數(shù)據(jù)的數(shù)據(jù)含義明確，能夠直接面向場(chǎng)景業(yè)務(wù)。通過(guò)對(duì)應(yīng)用場(chǎng)景、業(yè)務(wù)的不斷挖掘以及數(shù)據(jù)如圖6-2所示，通過(guò)全生命周期的工作流編排實(shí)現(xiàn)對(duì)原始數(shù)據(jù)、中間數(shù)據(jù)和應(yīng)用數(shù)據(jù)的數(shù)據(jù)服務(wù)作流包括數(shù)據(jù)集成，數(shù)據(jù)存儲(chǔ)，數(shù)據(jù)處理，數(shù)據(jù)治理，數(shù)據(jù)安全，數(shù)據(jù)開放幾個(gè)關(guān)鍵模塊。依托大數(shù)據(jù)技術(shù)，6G內(nèi)生AI數(shù)據(jù)服務(wù)通過(guò)對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行非實(shí)時(shí)、準(zhǔn)實(shí)時(shí)和實(shí)時(shí)的數(shù)據(jù)高價(jià)值\低價(jià)值數(shù)據(jù)的原則進(jìn)行分布式存儲(chǔ)，將AI融入數(shù)據(jù)分析處理過(guò)程，對(duì)外形成標(biāo)準(zhǔn)化的數(shù)據(jù)服務(wù)能力(包括數(shù)據(jù)、AI模型、預(yù)測(cè)服務(wù)等)，向6G內(nèi)生AI網(wǎng)絡(luò)及外部系統(tǒng)或用戶提供量稽核等全面數(shù)據(jù)質(zhì)量管控工作，通過(guò)數(shù)據(jù)安全管理提供確認(rèn)、授權(quán)、訪問(wèn)與審計(jì)等功能，最大化的保4對(duì)網(wǎng)絡(luò)架構(gòu)的影響協(xié)同計(jì)算引擎配合進(jìn)行下推算子的執(zhí)行、完成數(shù)據(jù)治理的執(zhí)行態(tài)。通過(guò)云邊協(xié)同引擎實(shí)現(xiàn)云邊的跨域跨庫(kù)查詢與分析，結(jié)合統(tǒng)一的Catalog(實(shí)現(xiàn)平臺(tái)的數(shù)據(jù)編目托管)完成兩級(jí)的算組與算子為了支撐自生長(zhǎng)的數(shù)據(jù)服務(wù)，6G網(wǎng)絡(luò)架構(gòu)還需要對(duì)數(shù)據(jù)進(jìn)行分層存儲(chǔ)和管控，網(wǎng)絡(luò)要能夠主動(dòng)源，在數(shù)據(jù)服務(wù)各環(huán)節(jié)進(jìn)行質(zhì)量保證，對(duì)數(shù)據(jù)格式和分類規(guī)范化，對(duì)數(shù)據(jù)服務(wù)建立監(jiān)督和評(píng)價(jià)反饋機(jī)制。在基站或相關(guān)無(wú)線網(wǎng)元邏輯節(jié)點(diǎn)中，要有數(shù)據(jù)自生長(zhǎng)服務(wù)功能實(shí)體、相關(guān)的數(shù)據(jù)轉(zhuǎn)的可信開放，還需要定義數(shù)據(jù)對(duì)外開放接口，數(shù)據(jù)服務(wù)規(guī)范化統(tǒng)一描述和安全訪問(wèn)授權(quán)5本章小結(jié)長(zhǎng)的數(shù)據(jù)服務(wù)。為支持自生長(zhǎng)的數(shù)據(jù)服務(wù)，6G網(wǎng)絡(luò)需要引入單獨(dú)的數(shù)據(jù)面來(lái)構(gòu)建統(tǒng)一的數(shù)據(jù)服務(wù)框還需要構(gòu)建云邊協(xié)同平臺(tái)來(lái)對(duì)數(shù)據(jù)進(jìn)行全面管控和協(xié)同。亞信科技(中國(guó))有限公司趙燕、王達(dá)移動(dòng)通信有限公司袁雁南.1技術(shù)特征內(nèi)涵G生成不再僅僅依靠基于大量訓(xùn)練數(shù)據(jù)的暴力計(jì)算模AI信維度體解釋技術(shù)方面確性AI盡可能接近真實(shí)情況棒性AI以保障系統(tǒng)的安全與可靠解釋性化性數(shù)據(jù)做出準(zhǔn)確的預(yù)測(cè)性在風(fēng)險(xiǎn)方面I人類擁有對(duì)AI系統(tǒng)自主活動(dòng)(如，決策)的控制權(quán)社會(huì)方面明性算法可信包含的維度還沒(méi)有定論。.2必要性分析算法自生長(zhǎng)方面，主要面向的問(wèn)題是當(dāng)前高成本低效率的算法或模型學(xué)習(xí)方式：需要提供大量訓(xùn)GB對(duì)于傳輸是極大的負(fù)擔(dān)，并且大型模型的計(jì)算力為GFLOPS或者是PetaFLOPS/s-day，計(jì)算開銷很高。比如，OpenAI提出的基于Transformer架構(gòu)的GPT-3模型，參數(shù)量高達(dá)1750億，對(duì)算力的消耗更高達(dá)7.3可行性分析路為提高已訓(xùn)練好的模型的可重用性，使得僅通過(guò)目標(biāo)域少量數(shù)據(jù)的訓(xùn)練即可獲得新的適配模型，這型，從模型中學(xué)模型需要建立起對(duì)已有模型的知識(shí)體系。最基本的如，模型的元數(shù)據(jù)(描述該模型的數(shù)據(jù)，包括模型結(jié)構(gòu)信息、適用場(chǎng)景、部署后的使用性能、訓(xùn)練過(guò)程中的超參等等)。更進(jìn)一步如解釋模型各種輸出的知識(shí)，模型結(jié)構(gòu)中的各個(gè)部分對(duì)于模型給出某種決策的影響程度。再進(jìn)一步如建立起通信領(lǐng)域的基礎(chǔ)模型集合，集合中的元素模型(或原子模型)均對(duì)應(yīng)通信領(lǐng)域中某項(xiàng)基本功能或映射，具有很高的可重用性，可以通過(guò)調(diào)整模型參數(shù)值將原子模型適配到某個(gè)特定場(chǎng)景下的基本模型，也可以通過(guò)模型間的計(jì)算(比如拼接、融合、相交等)構(gòu)建與更大功能相對(duì)AIAI特的可信意味著對(duì)數(shù)據(jù)提供者進(jìn)行隱私保護(hù)，采取措施保障數(shù)據(jù)的公平性等可信特征。數(shù)據(jù)質(zhì)量?jī)r(jià)值的數(shù)據(jù)采集和預(yù)處理環(huán)節(jié)需要考慮數(shù)據(jù)的隱私性與公平性等可信要求，特征提取階段需額外考慮魯試(功能性測(cè)試、性能測(cè)試)、數(shù)學(xué)驗(yàn)證方法。可解釋性一般通過(guò)定性指標(biāo)(如，主觀人類評(píng)價(jià))和間接定量測(cè)量方法(如，近似精度)來(lái)評(píng)估，目前仍然沒(méi)有直接定量測(cè)量的方法。模型訓(xùn)練階段除了定量方法包含可解釋的模型、特征解釋等。魯棒性主要通過(guò)額外的技術(shù)手段來(lái)實(shí)現(xiàn)，比如對(duì)抗性訓(xùn)采用定性的方式判斷，比如可不可以人工干預(yù)，審計(jì)特性一般采用定性的方式評(píng)估，比如審計(jì)檢查.4對(duì)網(wǎng)絡(luò)架構(gòu)的影響G主要在于算法/模型本身的研究，當(dāng)前元素、如何采集獲得這些數(shù)據(jù)，如何管理等。模型重用則可采用已有的具有較高性價(jià)比的學(xué)習(xí)方式 系如圖7-1所示：圖自生長(zhǎng)。這個(gè)階段的模型知識(shí)更加豐富，除了階段一中的元型組件可以通過(guò)編號(hào)、數(shù)學(xué)算法等方式來(lái)實(shí)現(xiàn)，并不代表“模型的可解釋性”。當(dāng)前已有一些模型組件相關(guān)的知識(shí)后，模型的生成將不再僅依賴搜索算法，更可能是知識(shí)和搜索算法生長(zhǎng)。經(jīng)過(guò)第二階段，為滿足某項(xiàng)功能生成的模型其結(jié)構(gòu)將更加簡(jiǎn)潔精準(zhǔn)，模型參數(shù)將更加靈活動(dòng)態(tài)(比如模型參數(shù)不再是一個(gè)具體的值，而是一個(gè)函數(shù)，根據(jù)應(yīng)用場(chǎng)景的不同，映射出不同的參數(shù)值)。最終，會(huì)產(chǎn)生針對(duì)通信領(lǐng)域基本功能設(shè)計(jì)的基本模型集算法自生長(zhǎng)可以根據(jù)達(dá)到的智力水平高低進(jìn)行劃分，智力水平依據(jù)模型自身性能指標(biāo)以及應(yīng)用到算法可信評(píng)估已經(jīng)成為算法評(píng)估中不可缺少的一部分，在算法自生長(zhǎng)的研究中我們也應(yīng)考慮算法AI可以更有效地獲得公眾的關(guān)注或信任。AI系統(tǒng)的審計(jì)要求會(huì)影響移動(dòng)網(wǎng)絡(luò)的生態(tài)，未來(lái)或許AI目前6G算法可信的范疇還需要進(jìn)一步研究，雖然AI可信的概念幾乎涵蓋了AI領(lǐng)域所有懸而未7.5本章小結(jié)雖然算法自生長(zhǎng)的相關(guān)研究較為緩慢，并且算法可信的范疇還未明確，但這兩個(gè)特征對(duì)6G網(wǎng)絡(luò)8.1技術(shù)特征內(nèi)涵分布式網(wǎng)絡(luò)是由分布在不同地點(diǎn)的計(jì)算機(jī)系統(tǒng)互連而成，通信控制功能可分布在各節(jié)點(diǎn)上。6G賦能千行百業(yè)，構(gòu)筑全行業(yè)的泛在智能生態(tài)系統(tǒng)。6G網(wǎng)絡(luò)分布式AI架構(gòu)將支持各層級(jí)節(jié)點(diǎn)間的智能數(shù)據(jù)和知識(shí)雙驅(qū)動(dòng)、算力資源靈活調(diào)配、數(shù)據(jù)和網(wǎng)絡(luò)復(fù)雜異構(gòu)等[17]。8.2必要性分析GAI要求、性能要求等多方面考慮，保證6G網(wǎng)絡(luò)中各節(jié)點(diǎn)具備數(shù)據(jù)感知和處理、知識(shí)加工和儲(chǔ)備、信息傳遞和交互、模型訓(xùn)練和調(diào)度、策略1)多態(tài)異構(gòu)網(wǎng)絡(luò)帶來(lái)數(shù)據(jù)安全問(wèn)題：一方面，6G網(wǎng)絡(luò)海量多態(tài)異構(gòu)的網(wǎng)絡(luò)設(shè)備接入給集中式的2)各節(jié)點(diǎn)知識(shí)差異需要分享協(xié)作：6G網(wǎng)絡(luò)將存在大量智能節(jié)點(diǎn)，各節(jié)點(diǎn)可能需要具備知識(shí)加工源限制，可能較難滿足需求，可能將云計(jì)算資源下沉到邊緣側(cè)和終端側(cè)；采程序的內(nèi)存及功率等消耗也越來(lái)越大，通過(guò)模型拆分存儲(chǔ)和訓(xùn)練的分布式架構(gòu)可以降低各節(jié)8.3可行性分析GAIG用場(chǎng)景，因此6G網(wǎng)絡(luò)的AI架構(gòu)需要滿足各種學(xué)習(xí)方法的需求，即可根據(jù)網(wǎng)絡(luò)中不同節(jié)點(diǎn)的AI能為中央節(jié)點(diǎn)和本地節(jié)點(diǎn)協(xié)作方式，群體學(xué)習(xí)為多節(jié)點(diǎn)配合的完全去中心化方式，多智能體強(qiáng)化學(xué)習(xí)可能有中央節(jié)點(diǎn)參與也可能各節(jié)點(diǎn)協(xié)同完成，遷移學(xué)習(xí)和元學(xué)習(xí)更強(qiáng)調(diào)模型參數(shù)等在多節(jié)助學(xué)習(xí)，可能需要管理和協(xié)調(diào)的中央節(jié)點(diǎn)。因此在網(wǎng)絡(luò)架構(gòu)中則需要考慮配備不同角有哪些等；I力要求后如何在節(jié)點(diǎn)間進(jìn)行合理分配、如何滿足實(shí)時(shí)性要求等；。8.4對(duì)網(wǎng)絡(luò)架構(gòu)的影響1.網(wǎng)絡(luò)架構(gòu)中的層主要從網(wǎng)絡(luò)提供服務(wù)的視角闡述，不同層形態(tài)和功能不同，提供的服務(wù)也不源層，主要指基礎(chǔ)設(shè)施，例如頻譜資源、異構(gòu)計(jì)算(CPU、GPU、TPU、FPGA等)、2)網(wǎng)絡(luò)能力層，主要指網(wǎng)絡(luò)邏輯功能(NF)，包含6G網(wǎng)絡(luò)的主要能力，例如信息感知功能、數(shù)據(jù)處理功能、網(wǎng)絡(luò)通信功能(移動(dòng)性管理、會(huì)話管理、策略管理等控制面功能，路由轉(zhuǎn)發(fā)等數(shù)據(jù)面功能)、計(jì)算功能等；費(fèi)4)應(yīng)用服務(wù)開放層，則功能/能力層提供的服務(wù)與應(yīng)用，例如感知服務(wù)、位置服務(wù)、低時(shí)延高可1)數(shù)據(jù)面實(shí)現(xiàn)資源狀態(tài)感知(算力等)、網(wǎng)絡(luò)狀態(tài)感知、業(yè)務(wù)或場(chǎng)景感知、用戶數(shù)據(jù)、數(shù)據(jù)倉(cāng)庫(kù)等；2)安全面提供安全服務(wù)及策略等；3)智能面則主要提供AI能力調(diào)用、知識(shí)構(gòu)建、統(tǒng)一數(shù)據(jù)模型、大數(shù)據(jù)分析、算法、策略等；智源感知、特定功能分析等，向網(wǎng)絡(luò)運(yùn)營(yíng)管理層提供意圖轉(zhuǎn)譯、編排分析；向應(yīng)用服務(wù)開放層提源感知等。度較國(guó)級(jí)、區(qū)域級(jí)(也包含基于服務(wù))、網(wǎng)元級(jí)、邊緣級(jí)，考慮到AI還會(huì)涉及終端級(jí)，部署上可能會(huì)有集AIML節(jié)點(diǎn)管理協(xié)同等特點(diǎn)，因而能夠提供更精I(xiàn)功能實(shí)體內(nèi)嵌AI能力進(jìn)行會(huì)話相關(guān)信息感知和推理，終端內(nèi)嵌AI能力輔助進(jìn)行聯(lián)邦學(xué)習(xí)等。內(nèi)嵌智能功能實(shí)體在實(shí)時(shí)性、隱私保護(hù)和安全性方面可能更有優(yōu)勢(shì)，但往往因算力有型單一等問(wèn)題較難完成大型復(fù)雜的分析任務(wù)。內(nèi)嵌智能功能實(shí)體的具體功能可包括數(shù)據(jù)或狀態(tài)感知、小型的模型訓(xùn)練(用于聯(lián)邦學(xué)習(xí)等)、知識(shí)存儲(chǔ)、推理及反饋等。網(wǎng)和終端級(jí)等可考慮使用內(nèi)嵌智能網(wǎng)元[19]。8.5本章小結(jié)能的需求。6G網(wǎng)絡(luò)智能化的目標(biāo)是滿足內(nèi)生AI的需求，則需要考慮AI如何融入網(wǎng)絡(luò)，成為網(wǎng)絡(luò)的一部郵電大學(xué)周凡欽、豐雷電大學(xué)徐勇軍、大連海事大學(xué)楊婷婷國(guó)移動(dòng)溫子睿9.1技術(shù)特征內(nèi)涵手段、算力供給需求、整體AI能力中的角色等多個(gè)角度加以區(qū)分。從人工智能實(shí)現(xiàn)手段角度動(dòng)和數(shù)據(jù)驅(qū)動(dòng)等不同AI能力[20]；從算力供給需求角度，不同的AI能力一般具有AIAI節(jié)點(diǎn)間協(xié)同主要體現(xiàn)在AI節(jié)點(diǎn)之間進(jìn)行數(shù)據(jù)和知識(shí)的協(xié)同、算力和資源的調(diào)配、算法和模型式和數(shù)據(jù)傳遞，在滿足實(shí)時(shí)性要求、減少傳輸壓力、網(wǎng)絡(luò)和算力資源分配最合理、隱私保護(hù)等前提9.2必要性分析AI1)從節(jié)點(diǎn)智能需求角度，各層級(jí)節(jié)點(diǎn)數(shù)據(jù)獲取的全面性與時(shí)效性不同，例如靠近端側(cè)的節(jié)點(diǎn)的網(wǎng)絡(luò)數(shù)據(jù)獲取時(shí)效性較好，全面性較；同時(shí)，不同人工智能實(shí)現(xiàn)手段下度，各層級(jí)節(jié)點(diǎn)存在顯著差別。終端節(jié)點(diǎn)計(jì)算資源有限且算力供給穩(wěn)定性差，節(jié)點(diǎn)異構(gòu)性高；全國(guó)級(jí)節(jié)點(diǎn)能夠提供高質(zhì)量強(qiáng)穩(wěn)定的算力，但可能存在一定時(shí)延，對(duì)實(shí)時(shí)決策造成影I任GAI完成AI任務(wù)，主要體現(xiàn)在以下幾個(gè)方面：1)場(chǎng)景需、狀態(tài)、資源使用和流量消耗，從終端域獲取終端目的地、速率等，從外部網(wǎng)絡(luò)域獲取9.3可行性分析AI能需要定義和增加新的AI節(jié)點(diǎn)，但AIAI行分析和推動(dòng)解決。2)目前的AI技術(shù)以數(shù)據(jù)驅(qū)動(dòng)為主，如何獲取大量實(shí)時(shí)的AI數(shù)據(jù)，對(duì)網(wǎng)絡(luò)智能能力的上限存在決定性影響，網(wǎng)絡(luò)架構(gòu)可考慮預(yù)留開放的數(shù)據(jù)接口和專有信令用于支撐和賦AI型和方法能夠穩(wěn)定有效工作在網(wǎng)絡(luò)中，在計(jì)算機(jī)操作系統(tǒng)上沙盒模式是一個(gè)常見的解決方式[22]。考慮到通信網(wǎng)絡(luò)存在設(shè)備異構(gòu)性問(wèn)題，每個(gè)AI節(jié)點(diǎn)可能僅能處理小組高維模型的樣本，因9.4對(duì)網(wǎng)絡(luò)架構(gòu)的影響9.4.1不同節(jié)點(diǎn)的不同AI功能在不同節(jié)點(diǎn)部署恰當(dāng)?shù)?、差異化的AI能力，應(yīng)該綜合考慮其智能需求與算力特點(diǎn)，實(shí)現(xiàn)計(jì)算能時(shí)延表現(xiàn)、傳輸開銷三者之間的平衡。1)全國(guó)級(jí)節(jié)點(diǎn)、區(qū)域級(jí)節(jié)點(diǎn)可獲取全局的網(wǎng)絡(luò)數(shù)據(jù)，但可能無(wú)法準(zhǔn)確獲取實(shí)時(shí)數(shù)據(jù)，為全面參控制，對(duì)計(jì)算能力要求高，所需數(shù)據(jù)量大，更適合對(duì)全局性的策略或者算法模型集中進(jìn)2)邊緣級(jí)節(jié)點(diǎn)、網(wǎng)元節(jié)點(diǎn)能夠獲取一定范圍的網(wǎng)絡(luò)數(shù)據(jù)，但數(shù)據(jù)時(shí)效性不如終端級(jí)節(jié)點(diǎn)，可為業(yè)務(wù)需求即可，建議部署以數(shù)據(jù)驅(qū)動(dòng)的內(nèi)嵌智能功能實(shí)體能力為主，以知識(shí)驅(qū)動(dòng)的AI3)終端級(jí)節(jié)點(diǎn)可以實(shí)時(shí)獲取端側(cè)本地信息，但獲取數(shù)據(jù)的范圍很小，建議部署數(shù)據(jù)驅(qū)動(dòng)的內(nèi)嵌智能功能實(shí)體能力，側(cè)重于具備策略應(yīng)用能力，可參與本地聯(lián)邦學(xué)習(xí)在線訓(xùn)練，在算力富足時(shí)具備一9.4.2節(jié)點(diǎn)間的AI協(xié)同移動(dòng)通信網(wǎng)絡(luò)中的AI協(xié)同包括網(wǎng)絡(luò)架構(gòu)中域內(nèi)域間、級(jí)內(nèi)級(jí)間、層內(nèi)層間、面內(nèi)面間的AI協(xié)同，從差異性角度來(lái)說(shuō)，域內(nèi)域間、級(jí)內(nèi)級(jí)間、層內(nèi)層間與面內(nèi)面間的AI協(xié)同方式四者之間差別不析。級(jí)AI節(jié)點(diǎn)間通過(guò)共享模型加速學(xué)習(xí)等。同級(jí)AI節(jié)點(diǎn)之間的協(xié)同可能主要考慮以下幾個(gè)方面：1)模模型的準(zhǔn)確性和可靠性等；2)模型拆分：可考慮采用多節(jié)點(diǎn)并行的縱向跨層模型拆分方式，需要考同級(jí)內(nèi)的AI節(jié)點(diǎn)可能采用群體學(xué)習(xí)方式或通過(guò)遷AI之間的縱向AI協(xié)同、橫向和縱向混合的協(xié)同方式，主要考慮通過(guò)有中心的分布AIAI能功能實(shí)體之間協(xié)同采用以獨(dú)立智能功能實(shí)體為中心節(jié)點(diǎn)，內(nèi)嵌智能功能實(shí)體為本地節(jié)點(diǎn)的聯(lián)邦學(xué)習(xí)等；域AI方面：a)數(shù)據(jù)協(xié)同：數(shù)據(jù)服務(wù)分布式協(xié)同可保證數(shù)據(jù)有效性，網(wǎng)絡(luò)數(shù)據(jù)可在多節(jié)點(diǎn)內(nèi)均存有備份或每個(gè)節(jié)點(diǎn)存儲(chǔ)部分?jǐn)?shù)據(jù)，并需要備份數(shù)據(jù)的及時(shí)更新；b)算力調(diào)度：指算力資源可在不同級(jí)的AI節(jié)點(diǎn)之間進(jìn)行合理再分配；c)模型共享：指不同級(jí)之間的AI節(jié)點(diǎn)可共享AI模型，可直接用于任務(wù)推理或?qū)δＰ瓦M(jìn)行再訓(xùn)練；d)模型拆分：可通信網(wǎng)絡(luò)中不同域面向不同通信專業(yè)領(lǐng)域，提供能力的層面或范圍存在較大的差異性，為了滿足用戶端到端的服務(wù)體驗(yàn)，6G網(wǎng)絡(luò)將不可避免的會(huì)涉及不同域間的協(xié)同問(wèn)題。由于各域的復(fù)雜性、能域間協(xié)同的協(xié)同方式主要考慮以下幾個(gè)方面：a)數(shù)據(jù)協(xié)同：各域AI從其他域獲取分析所需的元理后的數(shù)據(jù)或知識(shí)，用于本域的模型訓(xùn)練或分析，需要考慮數(shù)據(jù)獲取的實(shí)時(shí)性、數(shù)據(jù)樣本顆粒度等；b)模型共享：本域AI的ML模型可共享給其他域，輔助其他域AI進(jìn)行模型訓(xùn)練或分，可能需要考慮統(tǒng)一的協(xié)作中心，例如支持聯(lián)邦學(xué)習(xí)的中央服務(wù)器，選擇針對(duì)不同智能9.5本章小結(jié)2)依據(jù)AI能力設(shè)計(jì)方案部署AI任務(wù)，采集類和感知類任務(wù)可部署到終端級(jí)節(jié)點(diǎn)、邊緣節(jié)點(diǎn)和AI分析需求，需要各節(jié)點(diǎn)間相互協(xié)同，GAIAIAI性能與資源消耗、計(jì)和實(shí)現(xiàn)方面提出創(chuàng)新方案。郵電大學(xué)周凡欽、豐雷電大學(xué)徐勇軍、大連海事大學(xué)楊婷婷國(guó)移動(dòng)溫子睿.1技術(shù)特征內(nèi)涵AICDTGAI能力開放是指對(duì)于6G網(wǎng)絡(luò)中的AI相關(guān)的資源包裝成特定的能力向第三方開放、使用，主要數(shù)據(jù)開放：數(shù)據(jù)開放是指將6G網(wǎng)絡(luò)中可以獲得的數(shù)據(jù)經(jīng)過(guò)加工后共享給第三方使用，包括對(duì)于G于原始數(shù)據(jù)分析后得到的有價(jià)值信息的開放。算力開放：算力開放是指網(wǎng)絡(luò)可以充分利用算力資源對(duì)外提供計(jì)算服務(wù)。當(dāng)收到外部的算力服務(wù)網(wǎng)絡(luò)的云邊端架構(gòu)會(huì)整合網(wǎng)絡(luò)中的空閑算力，通過(guò)網(wǎng)絡(luò)模型中的功能層實(shí)現(xiàn)算力的統(tǒng)籌模型開放：模型即算法，是第三方實(shí)現(xiàn)AI服務(wù)的靈魂。6G網(wǎng)絡(luò)中可以向第三方提供AI模型/算AIG通信等資源).2必要性分析n數(shù)據(jù)開放的必要性所有參與者充分利用已有的數(shù)據(jù)資源，避免重復(fù)的數(shù)據(jù)采集處理操作。開放數(shù)據(jù)能夠打破網(wǎng)絡(luò)間、行業(yè)間的數(shù)據(jù)孤島和數(shù)據(jù)壁壘，并為第三方參與提供途徑。數(shù)據(jù)開放豐富了加強(qiáng)了數(shù)據(jù)之間的聯(lián)系，拓展了數(shù)據(jù)應(yīng)用空間，讓數(shù)據(jù)服務(wù)更加智能化。數(shù)據(jù)開放為數(shù)據(jù)了數(shù)據(jù)價(jià)值的挖掘拓展和數(shù)據(jù)資產(chǎn)變現(xiàn)的更多可能。對(duì)于數(shù)據(jù)開放來(lái)說(shuō)，AI技術(shù)之所以能夠業(yè)務(wù)體驗(yàn)3rd業(yè)務(wù)體驗(yàn)3rdpartyAI/ML操作價(jià)值QoIQoS6G網(wǎng)絡(luò)5G網(wǎng)絡(luò)3rdpartyQQoSG務(wù)的體驗(yàn)，網(wǎng)絡(luò)主要以提供和保障高質(zhì)量的QoS為主，其中網(wǎng)絡(luò)切片、TSNGQoS能夠提供最佳的QoS，就可以G為了能夠?qū)崿F(xiàn)最佳的AI/ML操，在6G網(wǎng)絡(luò)中，利用意圖網(wǎng)絡(luò)等技術(shù)，基于信息的能力開放可以以QualityofInformation的形式呈n算力開放的必要性很多基于AI的服務(wù)需要耗費(fèi)大量的算力資源，大多數(shù)的OTT廠家都不具有如此龐大的資源體量。運(yùn)營(yíng)商網(wǎng)絡(luò)可以為OTT提供云資源服務(wù)，讓OTT使用運(yùn)營(yíng)商的云資源執(zhí)行相應(yīng)的AI服務(wù)或?yàn)锳I人工智能的最新進(jìn)展推動(dòng)了網(wǎng)絡(luò)邊緣的智能應(yīng)用，如智能家居、智能工廠和智能城市等等。為了在算力資源緊張的邊緣設(shè)備上部署計(jì)算密集的深度神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)的方法是將部分神經(jīng)網(wǎng)絡(luò)模型上傳將計(jì)算結(jié)果反饋回終端，但這種方式缺點(diǎn)是可靠性差且延遲高。因此利用網(wǎng)絡(luò)中設(shè)備的利用算力眾籌可以將網(wǎng)絡(luò)中設(shè)備閑置算力集中控制再根據(jù)網(wǎng)絡(luò)中業(yè)務(wù)需求合理分配，并開放給第n模型(算法)開放的必要性無(wú)疑對(duì)于很多第三方使用AI模型是難以克服的門檻。為此，6G網(wǎng)絡(luò)可以具體在如下幾個(gè)方面向第三方提供按需、高效的模型開放：量的樣本無(wú)法支持第三方訓(xùn)練出一個(gè)，得到性能良好且適配于第三方特定需求的AI模型；擇和計(jì)算層數(shù)的分配需要根據(jù)算力要儲(chǔ)受限得終端或服務(wù)器上，而過(guò)于簡(jiǎn)單地模型又會(huì)造成模型推理準(zhǔn)確性的缺失，因此需要6G網(wǎng)通過(guò)蒸餾、剪枝、量化等技術(shù)幫助第三方實(shí)現(xiàn)理想的模型尺寸。.3可行性分析上述必要性分析中提到的AI能力開放已經(jīng)在前面章節(jié)提到的問(wèn)題中的分析中有了充分的理論支對(duì)于數(shù)據(jù)開放，在之前的問(wèn)題六“6G內(nèi)生AI網(wǎng)絡(luò)架構(gòu)是否需要支持?jǐn)?shù)據(jù)服務(wù)自生長(zhǎng)技術(shù)特征?”功能，以及高效的數(shù)據(jù)存儲(chǔ)和管理、按需動(dòng)態(tài)的數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和聚合、對(duì)外能力開放和注入等功能。數(shù)據(jù)服務(wù)的可信開放特性主要體現(xiàn)在數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)訪問(wèn)、數(shù)據(jù)共協(xié)同等階段。對(duì)于算力開放，在之前的問(wèn)題五“6G內(nèi)生AI網(wǎng)絡(luò)架構(gòu)是否需要支持算網(wǎng)融合技術(shù)特征”中已經(jīng)第三方進(jìn)行算力開放。為此，可以將神經(jīng)網(wǎng)絡(luò)計(jì)算任務(wù)拆分，拆分要根據(jù)當(dāng)前的通信狀況和可利用的算力來(lái)確定，包括對(duì)于神經(jīng)網(wǎng)路的橫向拆分(即按層拆分，拆分后前一部分的輸出是后一部分的輸入，計(jì)算需要從前到后)、縱向拆分(即快層拆分，將神經(jīng)網(wǎng)絡(luò)每層中的神經(jīng)元分配到不同部分，拆分的部分彼此間既有并行關(guān)系也有串行關(guān)系，計(jì)算時(shí)需要不同拆分部分間信息交互)以及混合拆分(即橫向和縱向拆分的組合)。策略后，需要將拆分后的模型分配給不同的設(shè)備，同時(shí)需要對(duì)各設(shè)備的計(jì)算結(jié)果進(jìn)行匯有效實(shí)現(xiàn)多節(jié)點(diǎn)之間的協(xié)作和信息共享。對(duì)于模型(算法)開放，在之前的問(wèn)題七“6G內(nèi)生AI網(wǎng)絡(luò)架構(gòu)是否需要支持算法自生長(zhǎng)和可信”中已經(jīng)提到6G網(wǎng)絡(luò)內(nèi)生智能的算法/模型生成不再僅僅依靠基于大量訓(xùn)練數(shù)據(jù)的暴力計(jì)算模式，，結(jié)合問(wèn)題五和六中提到的數(shù)據(jù)服務(wù)和算網(wǎng)融合服務(wù)于6G網(wǎng)絡(luò)，可以充分利用多級(jí)云資源為第三方提供模型存儲(chǔ)、訓(xùn)練、知識(shí)蒸餾等遷移學(xué)習(xí)技術(shù)為營(yíng)商具有的龐大基礎(chǔ)設(shè)施資源得以更加有效地利用，第三方具備的靈活快速特點(diǎn)可以在運(yùn)營(yíng)商的基礎(chǔ).4對(duì)網(wǎng)絡(luò)架構(gòu)的影響控。對(duì)數(shù)據(jù)服務(wù)，還需要構(gòu)建整體的數(shù)據(jù)安全管理體系和提供貫穿數(shù)據(jù)全生命周期的數(shù)據(jù)安全防護(hù)能如圖10-2所示，為了實(shí)現(xiàn)最上層服務(wù)層的AI能力開放，對(duì)網(wǎng)絡(luò)架構(gòu)的影響可以包括如下幾方源抽象層來(lái)為功能層提供可量化的算力資源。功能層進(jìn)一步將整個(gè)系統(tǒng)的各方面狀態(tài)如控制面信息，用戶面信息，數(shù)據(jù)面信息等等匯