《AI/ML与无线蜂窝网络的协同发展》

• 来源专题：新一代信息技术
• 编译者： isticzz2022
• 发布时间：2024-04-09
• 原文来源：https://www.5gamericas.org/ai-and-ml-evolve-alongside-wireless-cellular-networks/

       美国5G总裁Chris Pearson（2024年3月）-我们生活在人工智能和机器学习的时代，它正在触及每个行业和平台。似乎无论你走到哪里，AI/ML都会出现在每一次对话和新闻文章中。这是在巴塞罗那举行的2024年世界移动通信大会上的一个主要故事情节，我预计它将在今年及以后继续成为更多的头条新闻。

       这是一个巨大的新兴话题，我将这个博客系列分解为几篇文章，我们将在接下来的几周内发表这些文章。第一部分重点关注我们在5G网络中使用人工智能的情况，以及Generative AI与其他AI/ML过程有何根本不同。

       AI/ML的使用对无线蜂窝网络来说并不是一件新鲜事。这项工作已经进行了几年，美国5G已经在我们的许多白皮书中记录了它的演变。最近，我们在一些关键白皮书中介绍了AI/ML，包括：3GPP技术趋势、移动通信网络的能源效率和可持续性，以及移动网络的发展现状。

       事实上，第三代合作伙伴计划（3GPP）一直在努力建立规范，以进一步将AI/ML集成到5G（以及很快的5G高级）网络中。随着无线蜂窝网络准备利用人工智能的一些最新进展，出色的工作仍在继续完成。当谈到AI/ML在无线蜂窝网络中的传统用途时，人们的工作往往集中在智能分类和回归有用的几个关键领域，包括：

• 利用自组织网络（SON）进行网络优化，AI算法可以实时动态调整网络参数，提高性能和效率。此外，人工智能已被用于预测性维护，它可以预测设备故障或在问题出现之前确定何时需要维护，最大限度地减少停机时间并提高服务可靠性。在管理编排与自动化方面，5G Americas探索了在无线蜂窝网络的自动化和管理中使用AI/ML。
• 通过流量预测和管理增强性能，其中ML模型分析流量模式以预测需求激增并相应地调整网络资源。然后，它通过将带宽和其他网络资源动态分配到最需要的位置来自动分配资源，优化流媒体、游戏和虚拟现实等高需求应用程序的性能。在5G边缘自动化和智能中，我们研究了ML模型如何帮助提高5G边缘网络的性能。
• 通过异常检测提高了安全性，人工智能可以实时监控网络流量，以检测和响应可能表明安全威胁的异常模式，如DDoS攻击或未经授权的访问尝试。此外，人工智能和ML可以增强安全协议，包括开发更安全的生物特征认证方法和检测网络基础设施中的漏洞。
• 人工智能可以帮助网络切片，因为这种网络功能允许运营商在单个物理基础设施上创建具有不同特征的多个虚拟网络。这对于支持广泛的应用至关重要，从低数据需求的物联网设备到4K视频流等高带宽应用，以及它们对延迟、速度和可靠性的特定要求。在5G网络切片商业化中，5G Americas详细介绍了如何使用AI/ML来改进网络切片技术，并将其应用于商业用例。
• 增强的用户体验。即使没有网络切片，人工智能也有可能用于分析网络条件和用户行为，以动态调整服务质量（QoS）设置，确保各种应用程序和服务的最佳服务级别。人工智能与预测分析一起用于评估用户行为和设备性能的数据，以帮助预测用户需求并相应地调整服务，增强用户体验。

       但随着Generative AI的出现，机器智能的应用已经发生了翻天覆地的变化。人工智能正在席卷整个行业。但首先，什么是Generative AI？它与“常规”人工智能和机器学习有何不同？

       生成人工智能与传统人工智能/ML的区别在于，它专注于创建模仿人类生成数据的新的原创内容，而不仅仅是根据现有数据进行解释或预测。利用生成对抗性网络（GANs）、变分自动编码器（VAE）和变换器等模型，生成人工智能学习数据的潜在分布，以产生新的实例，这些实例可能是原始数据集的一部分。这与传统的AI/ML形成了鲜明对比，后者主要对分类和回归等任务使用判别模型，专注于理解模式并根据输入数据做出决策。因此，Generative AI在内容创建、数据增强和模拟方面实现了创新应用，拓展了人工智能技术的创造性和实用性。

       Ian Goodfellow和他的同事于2014年推出的生成对抗性网络（GANs）代表了人工智能系统生成真实图像能力的重大突破。GANs由两个神经网络组成，一个生成器和一个鉴别器，通过对抗性过程同时训练，以产生高度逼真的图像或其他类型的数据。

       大约在GANs的同时，变分自动编码器（VAE）被开发为另一种生成数据的方法。VAE基于编码和解码数据的原理，为学习深度潜变量模型和生成新的数据样本提供了一个框架。Vaswani等人在2017年引入了transformer模型，为用于自然语言处理的Generative AI的重大进步铺平了道路。转换器模型，如OpenAI于2018年推出的GPT（生成预训练转换器）及其后续迭代，显示出生成连贯和上下文相关文本的非凡能力，使其成为现代生成人工智能在自然语言领域的基石。

        生成人工智能，特别是通过大型语言模型（LLM），通过实现复杂的自然语言处理能力，为无线蜂窝网络运营商提供了变革潜力。例如，无线蜂窝网络运营商可以利用LLM创建高级聊天机器人，为客户提供支持，从而显著增强用户体验。这些聊天机器人可以用自然语言理解和处理客户的查询，提供即时、准确的回复和解决方案。一种情况可能看起来像这样：

           场景1：客户的移动设备出现连接问题。

           用户：“我的手机上网有问题。”

           聊天机器人：“我是来帮忙的。让我们试试几个步骤。你能先检查一下你的移动数据是否打开了吗？

                               你可以在“连接”下的设置中找到这个。”

           用户：“开着，但还是没用。”

           聊天机器人：“明白了。请试着打开然后关闭‘飞行模式’。这有时会刷新你的连接。”

           用户：“很管用，谢谢！”

       另一个不太明显但可能更强大的例子涉及大型语言模型（LLM），它极大地改变了无线蜂窝网络运营商管理和重新编程网络运营的方式。通过集成自然语言处理能力，这些模型可以解释人工命令或查询，并将其转换为可操作的技术指令或配置。以下是它如何在重新编程网络操作的背景下工作：

           场景2：网络运营商需要重新配置部分网络，以提高性能、解决拥塞问题或部署新服务。

           命令输入：网络运营商以自然语言提供命令，例如“在高峰时段将区域51的带宽分配增加20%，以适应增加的                             使用量。”

           解释和翻译：LLM解释命令的意图，并将其翻译成网络管理系统可以理解的一组特定的网络配置命令或脚本。

           自动执行：这些命令在相关网络元件上自动执行，根据指示调整配置，无需手动干预。

           确认和反馈：系统通过LLM生成自然语言的确认消息，例如“在高峰时段，51区的带宽分配已成功增加20%。”

       这两个例子只是触及了Generative AI为当今无线蜂窝网络所能做的事情的表面。在博客系列的下一部分中，我将探讨Generative AI对5G和未来无线蜂窝网络的潜在影响，因为它们与网络规划和部署、无线电接入网（RAN）配置和频谱管理有关。