楊震，趙建軍，黃勇軍，李潔，陳楠

基于網(wǎng)絡(luò)演進(jìn)的人工智能技術(shù)方向研究

楊震，趙建軍，黃勇軍，李潔，陳楠

（天翼物聯(lián)科技有限公司，上海 200122）

國家戰(zhàn)略把人工智能（AI）及物聯(lián)網(wǎng)（IoT）/5G同時定位為信息基礎(chǔ)設(shè)施的重要組成部分，其中人工智能屬于新技術(shù)基礎(chǔ)設(shè)施，IoT/5G屬于通信網(wǎng)絡(luò)基礎(chǔ)設(shè)施。這引出了“通信技術(shù)與人工智能技術(shù)融合發(fā)展”的技術(shù)方向。對于電信運(yùn)營商而言，如何將人工智能技術(shù)與網(wǎng)絡(luò)融合，重構(gòu)網(wǎng)絡(luò)技術(shù)架構(gòu)，將“AI能力”作為“服務(wù)”開放，將是重要的技術(shù)演進(jìn)方向?；谶@一命題，探討了未來AI和網(wǎng)絡(luò)技術(shù)的發(fā)展方向，為未來AI技術(shù)與IoT/5G網(wǎng)絡(luò)架構(gòu)的融合發(fā)展方向提供了參考思路。

人工智能；物聯(lián)網(wǎng)；5G；智能內(nèi)生；算網(wǎng)融合

0 引言

國家戰(zhàn)略把人工智能（AI）及物聯(lián)網(wǎng)（IoT）/5G同時定位為信息基礎(chǔ)設(shè)施的重要組成部分，人工智能已經(jīng)進(jìn)入與實(shí)體經(jīng)濟(jì)深度融合的階段，但各行業(yè)如何在原有的技術(shù)、產(chǎn)品體系中引入AI技術(shù)是擺在人們面前的問題。另外，在網(wǎng)絡(luò)技術(shù)進(jìn)入5G時代后，以服務(wù)企業(yè)用戶為主要需求的網(wǎng)絡(luò)演進(jìn)，需要引入更多的技術(shù)驅(qū)動因素；而AI技術(shù)不論從服務(wù)對象，還是對數(shù)據(jù)、模型、算力連接的需求，都將在技術(shù)路徑上與網(wǎng)絡(luò)技術(shù)進(jìn)行深度交叉融合。物聯(lián)網(wǎng)是實(shí)現(xiàn)“人與物”“物與物”的泛在連接和數(shù)字化信息處理、“人、機(jī)、物”終端感知與交互，為行業(yè)/企業(yè)用戶提供“融合AI與網(wǎng)絡(luò)技術(shù)新型連接”的核心載體。因此面向行業(yè)/企業(yè)AI應(yīng)用/賦能的“物聯(lián)網(wǎng)新型連接”技術(shù)研發(fā)需求，為網(wǎng)絡(luò)技術(shù)的發(fā)展提供了重要的需求輸入，可以說下一代網(wǎng)絡(luò)技術(shù)的演進(jìn)方向是通過物聯(lián)網(wǎng)連接，將AI能力嵌入企業(yè)的各類應(yīng)用中，降低企業(yè)獲得相關(guān)AI能力的成本及復(fù)雜度，實(shí)現(xiàn)AI能力的“物聯(lián)網(wǎng)原生”[1-3]。

本文首先從AI與網(wǎng)絡(luò)融合的角度，進(jìn)行了“基于AI的網(wǎng)絡(luò)”和“基于網(wǎng)絡(luò)的AI”兩個技術(shù)觀點(diǎn)的辨析；然后從基于網(wǎng)絡(luò)的AI、連接+AI的角度，分析了未來AI與網(wǎng)絡(luò)各自需要關(guān)注的研究方向，并簡要探討了相關(guān)技術(shù)的發(fā)展階段。

1 人工智能能力網(wǎng)絡(luò)原生

1.1 人工智能技術(shù)演進(jìn)與網(wǎng)絡(luò)技術(shù)演進(jìn)的關(guān)系

雖然目前AI技術(shù)在某些特定領(lǐng)域（如機(jī)器視覺在安防領(lǐng)域）的應(yīng)用取得了很好的效果，但是AI技術(shù)在行業(yè)賦能、規(guī)模化應(yīng)用方面還有很大欠缺，究其原因，主要有以下幾個方面。

（1）數(shù)據(jù)共享。AI模型訓(xùn)練需要大量的數(shù)據(jù)，并且數(shù)據(jù)需要根據(jù)應(yīng)用場景進(jìn)行相應(yīng)的特征提取，而數(shù)據(jù)的所有權(quán)基本屬于應(yīng)用企業(yè)，而非AI能力提供企業(yè)，因此目前單獨(dú)項(xiàng)目式開展的方式無法形成規(guī)模復(fù)制效應(yīng)；行業(yè)企業(yè)用戶也沒有能力組織AI隊(duì)伍，自己完成相應(yīng)的工作。

（2）能力的標(biāo)準(zhǔn)化。對AI生成及對外服務(wù)流程的標(biāo)準(zhǔn)化，尤其是對AI應(yīng)用效果的評價標(biāo)準(zhǔn)化工作還比較欠缺，企業(yè)用戶無法評價、了解目前所采用的AI模型是否是業(yè)界應(yīng)該達(dá)到的水平，還有改進(jìn)的余地，為提升效果還需要提供什么樣的支持和資源投入。

（3）安全、可信、可解釋。包括企業(yè)用戶是否能信任目前的AI結(jié)果，所采用的AI能力是否符合監(jiān)管要求等。

通信技術(shù)是極其嚴(yán)格、標(biāo)準(zhǔn)化的技術(shù)，通過各類通信協(xié)議及相關(guān)建設(shè)服務(wù)標(biāo)準(zhǔn)的制定，可以為規(guī)模化AI應(yīng)用提供很好的技術(shù)保障，解決AI應(yīng)用中的各類問題。隨著IoT/5G技術(shù)的發(fā)展，目前傳遞信息的技術(shù)水平已經(jīng)超出了業(yè)界的真實(shí)需求。通信行業(yè)的根本目標(biāo)是為信息的獲得者提供決策服務(wù)，將傳遞信息作為主要的技術(shù)演進(jìn)方向，在網(wǎng)絡(luò)建設(shè)中引入AI技術(shù)思想及能力，是下一代網(wǎng)絡(luò)技術(shù)研究的關(guān)鍵之一。從更廣泛的視角來看，吸納AI技術(shù)對企業(yè)決策的支持能力，在信息傳遞的基礎(chǔ)上實(shí)現(xiàn)信息連接，進(jìn)一步基于云/端/邊的算力，利用AI技術(shù)實(shí)現(xiàn)計算、決策支持能力的一體化通信服務(wù)架構(gòu)，將是未來網(wǎng)絡(luò)技術(shù)發(fā)展及建設(shè)的重要方向。未來“人工智能”與“網(wǎng)絡(luò)”融合存在兩大方向：基于人工智能的網(wǎng)絡(luò)（AI for NET，AI4NET）和基于網(wǎng)絡(luò)的人工智能AI（NET for AI，NET4AI）[4-17]。

1.2 基于人工智能的網(wǎng)絡(luò)

AI4NET是指在網(wǎng)絡(luò)建設(shè)、運(yùn)行、服務(wù)、產(chǎn)品、維護(hù)中引入AI技術(shù)，如在網(wǎng)絡(luò)運(yùn)營中使網(wǎng)絡(luò)的各項(xiàng)功能更加智能、效率更高，其核心思想是AI服務(wù)于網(wǎng)絡(luò)設(shè)計、建設(shè)、運(yùn)維。文獻(xiàn)[8]從運(yùn)營商無線接入網(wǎng)、核心網(wǎng)、傳輸網(wǎng)、終端到大部分產(chǎn)品服務(wù)，引入AI技術(shù)的詳細(xì)分析，如網(wǎng)絡(luò)流量分類、網(wǎng)絡(luò)流量預(yù)測、網(wǎng)絡(luò)優(yōu)化、基站的無線資源管理、服務(wù)要求保證、網(wǎng)絡(luò)故障識別與預(yù)測、核心網(wǎng)用戶策略管理和移動性管理、承載網(wǎng)路由調(diào)度等；在網(wǎng)絡(luò)管理領(lǐng)域，從2018年3GPP定義的管理數(shù)據(jù)分析功能（management data analytic function，MDAF）、歐洲電信標(biāo)準(zhǔn)組織（European Telecommunications Standards Institute，ETSI）成立經(jīng)驗(yàn)式網(wǎng)絡(luò)智能工作組（Experiential Network Intelligence，ENI）并定義ENI引擎到網(wǎng)絡(luò)運(yùn)維支撐系統(tǒng)（operation supporting system，OSS），都分析了AI可能的應(yīng)用場景；此外，在運(yùn)營商各類產(chǎn)品管理中也介紹了引入AI技術(shù)的方向，如呼叫中心語音交互、在客戶營銷、市場營銷中的AI應(yīng)用等。目前的熱點(diǎn)是在網(wǎng)絡(luò)架構(gòu)和標(biāo)準(zhǔn)化方面的AI能力引入，移動通信國際標(biāo)準(zhǔn)化組織3GPP引入了網(wǎng)絡(luò)數(shù)據(jù)分析功能（network data analysis function，NWDAF），定義了以NWDAF 為核心的5GC智能架構(gòu)。NWDAF作為網(wǎng)絡(luò)數(shù)據(jù)分析功能的5G核心網(wǎng)AI網(wǎng)元，關(guān)注及實(shí)現(xiàn)AI技術(shù)與通信技術(shù)協(xié)議的融合，完成對5G核心網(wǎng)絡(luò)的移動性管理、網(wǎng)絡(luò)服務(wù)質(zhì)量（quality of service，QoS）以及 5G核心網(wǎng)其他網(wǎng)元（如用戶面功能（user plane function，UPF）等）進(jìn)行智能化管理，包括網(wǎng)絡(luò)的性能分析、終端的移動性分析、終端的通信模式分析、終端的行為異常檢測、業(yè)務(wù)體驗(yàn)預(yù)測等，提升網(wǎng)絡(luò)質(zhì)量與用戶體驗(yàn)。這部分的核心是在通信行業(yè)引入AI技術(shù)，目前研究較多，這里不贅述。

1.3 基于網(wǎng)絡(luò)的人工智能

NET4AI是指網(wǎng)絡(luò)服務(wù)于AI的生成及能力開放，如把AI各種能力（如智能語音、知識圖譜、圖像內(nèi)容理解等功能）轉(zhuǎn)換成用戶可以通過網(wǎng)絡(luò)調(diào)用、嵌入行業(yè)客戶業(yè)務(wù)系統(tǒng)中的AI能力。結(jié)合IoT/5G網(wǎng)絡(luò)技術(shù)的發(fā)展，試著給出NET4AI的定義：基于IoT/5G的AI能力開放，即以新一代IoT/5G網(wǎng)絡(luò)為基本支撐載體的，考慮新一代終端技術(shù)演進(jìn)方向的，實(shí)現(xiàn)AI場景需求感知、AI算力及承載資源調(diào)度、AI生成（包括數(shù)據(jù)采集、匯聚、存儲、特征工程、模型訓(xùn)練、模型推導(dǎo)加載、優(yōu)化維護(hù)等）及AI服務(wù)能力開放的網(wǎng)絡(luò)技術(shù)架構(gòu)。NET4AI使AI能力隨網(wǎng)開放給各行業(yè)的應(yīng)用需求，是使網(wǎng)絡(luò)成為AI從生成到應(yīng)用全生命周期管理的技術(shù)架構(gòu)，使網(wǎng)絡(luò)通過“人、機(jī)、物”的連接，實(shí)現(xiàn)“數(shù)據(jù)、AI能力、算力、應(yīng)用”的連接。

NET4AI符合人工智能發(fā)展的技術(shù)趨勢：①從技術(shù)融合角度，結(jié)合目前“云網(wǎng)融合”“東數(shù)西算”“算網(wǎng)一體、算力網(wǎng)絡(luò)”等運(yùn)營商核心技術(shù)優(yōu)勢，使“人工智能基礎(chǔ)設(shè)施”“人工智能新基建”中的關(guān)鍵核心環(huán)節(jié)成為“網(wǎng)絡(luò)基礎(chǔ)設(shè)施的重要組成部分”；②通過“AI能力網(wǎng)絡(luò)原生”的技術(shù)架構(gòu)，形成圍繞IoT/5G網(wǎng)絡(luò)的新型創(chuàng)新生態(tài)鏈，建設(shè)AI技術(shù)應(yīng)用過程中知識的積累復(fù)用機(jī)制，解決數(shù)據(jù)積累、場景化特征工程、模型訓(xùn)練、加載、優(yōu)化迭代運(yùn)維過程中的能力復(fù)用問題，并凝練相關(guān)標(biāo)準(zhǔn)及技術(shù)規(guī)范。

本文主要研究NET4AI所需進(jìn)行的工作。

2 當(dāng)前人工智能的研究方向

要想實(shí)現(xiàn)NET4AI，首先要進(jìn)行AI基本技術(shù)研究及分析，找出AI形成及應(yīng)用過程中的關(guān)鍵影響因素，進(jìn)行技術(shù)要求及指標(biāo)的提煉及構(gòu)建，然后將其轉(zhuǎn)化成網(wǎng)絡(luò)服務(wù)AI能力開發(fā)、建設(shè)及運(yùn)維指標(biāo)，在此基礎(chǔ)上構(gòu)建下一代網(wǎng)絡(luò)技術(shù)體系。AI的技術(shù)研究方向基本有以下幾個方面[18-28]。

（1）新的理論模型。解決當(dāng)前神經(jīng)網(wǎng)絡(luò)計算模型依賴大量標(biāo)注樣本、魯棒性和適應(yīng)性差、可解釋性不足、能效比低等問題；實(shí)現(xiàn)因果推理、自適應(yīng)、自學(xué)習(xí)、小樣本學(xué)習(xí)、可解釋性等智能新理論與新方法，并由此提出新的AI計算平臺框架。例如，以類腦智能為代表的由腦結(jié)構(gòu)和功能啟發(fā)的新型神經(jīng)網(wǎng)絡(luò)模型，期望基于腦科學(xué)的最新進(jìn)展，提出新型的神經(jīng)網(wǎng)絡(luò)計算模型，研究監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和元學(xué)習(xí)等多種類腦學(xué)習(xí)機(jī)制。

（2）認(rèn)知計算和知識圖譜。面向開放、動態(tài)、真實(shí)環(huán)境下推理、決策、實(shí)際落地的需求，進(jìn)行常識學(xué)習(xí)、直覺推理、自主演化、因果分析等理論和方法研究，進(jìn)行知識圖譜構(gòu)建方法的研究；進(jìn)行知識圖譜半自動、自動化工具的研究及開發(fā)；面向AI可解釋需求，構(gòu)建AI從數(shù)據(jù)采集、數(shù)據(jù)解釋、特征工程、模型構(gòu)建、模型遷移、環(huán)境適應(yīng)性、安全等知識圖譜，并開展基于知識圖譜決策知識系統(tǒng)、AI解釋系統(tǒng)的構(gòu)建。知識圖譜是現(xiàn)在可見的解決行業(yè)/企業(yè)用戶數(shù)據(jù)理解及認(rèn)知問題的最佳技術(shù)，并且能提供一種全新的信息整理存儲及計算思路。

（3）大數(shù)據(jù)智能。核心是大數(shù)據(jù)、大模型、面向“通用智能”的需求，基于跨行業(yè)的海量數(shù)據(jù)搜集、匯聚、表達(dá)、理解及應(yīng)用。符號主義和連接主義的結(jié)合，使大模型在大數(shù)據(jù)的支撐下發(fā)揮作用，如谷歌提出的BERT、OPEN AI發(fā)布的GPT-3等大模型，具備百億/千億級參數(shù)，需要大量的圖形處理單元（graphics processing unit，GPU）、張量處理單元（tensor processing unit，TPU）進(jìn)行訓(xùn)練及實(shí)際應(yīng)用開發(fā)，這類大模型基本還是延續(xù)深度神經(jīng)網(wǎng)絡(luò)技術(shù)路線。

（4）小數(shù)據(jù)智能。小數(shù)據(jù)也可以說是小樣本，主要解決實(shí)際工作中，受采集、人工標(biāo)注等限制而不可能獲得滿意樣本數(shù)量的場景。在某些條件下，還包括考察對新數(shù)據(jù)集的適應(yīng)性，在新數(shù)據(jù)集下，經(jīng)過少量的標(biāo)注學(xué)習(xí)（小樣本學(xué)習(xí)）、零樣本學(xué)習(xí)，進(jìn)而發(fā)展出遷移學(xué)習(xí)、增量學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等技術(shù)；另外，也可以指在不能獲得原始數(shù)據(jù)條件下的機(jī)器學(xué)習(xí)技術(shù)，如聯(lián)邦學(xué)習(xí)、隱私計算，解決的是數(shù)據(jù)共享、隱私保護(hù)方面的問題。

（5）小模型研究。主要關(guān)注的是模型面向運(yùn)行環(huán)境的適應(yīng)性，主要有兩個分支，一個是以知識蒸餾為代表的模型裁剪、優(yōu)化、神經(jīng)網(wǎng)絡(luò)剪枝等，使訓(xùn)練好的推導(dǎo)模型“體積、尺寸”更小，滿足部署環(huán)境的需求；另一個分支是TinyML，目標(biāo)是在低于1 mW的功耗下，如標(biāo)準(zhǔn)紐扣電池的運(yùn)行功率下，運(yùn)行機(jī)器學(xué)習(xí)模型，在成本和功率受限的系統(tǒng)中部署及完成機(jī)器學(xué)習(xí)任務(wù)，這個方向也是未來物聯(lián)網(wǎng)領(lǐng)域人工智能的主要方向之一。

（6）跨媒體智能。研究多模態(tài)、跨媒體關(guān)聯(lián)數(shù)據(jù)獲取、開放域知識等問題，實(shí)現(xiàn)不同媒體、多模態(tài)數(shù)據(jù)集的構(gòu)建方法、知識獲取和推理方法，構(gòu)建大規(guī)模、共享開放的跨媒體常識、客觀規(guī)律和時空事件等知識庫，提出并實(shí)現(xiàn)通用認(rèn)知測試方法。

（7）群體智能?；谌藗儗ψ匀唤缛壕?、具備自組織能力的生物群體觀察提出的一種AI研究方向，指由大量相同個體構(gòu)成的群體通過特定的組織結(jié)構(gòu)匯聚和管理大規(guī)模參與者完成任務(wù)時，涌現(xiàn)出的智慧超越其組成個體智慧的智能研究方向，如群體求解、群體數(shù)據(jù)及信息共享、群體算力共享等。還包括群體交互機(jī)制/協(xié)議、群體解決問題定義及分解、群體演化及能力開放等研究方向。

（8）分布式智能。完成一個AI功能的各個流程環(huán)節(jié)存在于不同的物理實(shí)體、承載環(huán)境中，通過獨(dú)特的技術(shù)框架實(shí)現(xiàn)各部分之間統(tǒng)一調(diào)度協(xié)調(diào)，完成數(shù)據(jù)采集、特征工程、模型構(gòu)建、模型訓(xùn)練、加載、運(yùn)維等全流程AI服務(wù)，滿足數(shù)據(jù)安全、隱私、監(jiān)管等各類要求。

（9）機(jī)器學(xué)習(xí)框架、平臺。面向機(jī)器學(xué)習(xí)技術(shù)的開發(fā)和應(yīng)用，讓開發(fā)人員更容易、更方便地通過一個定義好的平臺框架使用預(yù)置的算法、模型，平臺支持?jǐn)?shù)據(jù)準(zhǔn)備、特征工程、模型構(gòu)建、訓(xùn)練、調(diào)試、驗(yàn)證、測試、硬件適配、發(fā)布部署等。國外的代表性平臺有TensorFlow和PyTorch，國內(nèi)有華為的MindSpore、百度的PaddlePaddle等。

此外，還有混合增強(qiáng)智能、自主智能系統(tǒng)、泛在智能、邊緣計智能、新一代分布式智能等研究方向?？傮w來看，當(dāng)前AI技術(shù)研究思路可以概括為：①基于人類認(rèn)知本質(zhì)，對外部世界實(shí)體、數(shù)據(jù)內(nèi)在規(guī)律的研究、認(rèn)知及建模；②相同數(shù)據(jù)情況下不同理論實(shí)踐效果的研究及分析；③偏工程化的方向，相同實(shí)踐效果下，與計算資源（算力）、承載資源（操作系統(tǒng)）、真實(shí)應(yīng)用場景（實(shí)際生產(chǎn)數(shù)據(jù)）相適應(yīng)的研究及模型優(yōu)化、魯棒性研究等。其中，第②、③條的研究成果對新一代網(wǎng)絡(luò)建設(shè)有指導(dǎo)意義。

3 基于網(wǎng)絡(luò)的人工智能研究方向

3.1 基于網(wǎng)絡(luò)的人工智能的AI研究方向

NET4AI基本的“衡量目標(biāo)”是網(wǎng)絡(luò)是否能提供滿足AI應(yīng)用需求的，從場景感知、算力調(diào)度、模型適配及提供到服務(wù)關(guān)鍵績效指標(biāo)（key performance index，KPI）及QoS保障等各類支撐能力。因此，NET4AI主要回答在以網(wǎng)絡(luò)為基本支撐載體的情況下，AI模型生成/構(gòu)造、能力開放服務(wù)的關(guān)鍵技術(shù)指標(biāo)如何定義，面向AI應(yīng)用需求提供客觀（可見/可評估）的考察和衡量標(biāo)準(zhǔn)，并把這些成果與通信協(xié)議融合，主要總結(jié)如下。

（1）AI模型比較衡量指標(biāo)。通過網(wǎng)絡(luò)開放的核心技術(shù)，AI客觀指標(biāo)必須是可見、可衡量、可計算、可比較的，需要使用用戶可感知的形式呈現(xiàn)給用戶，主要包含如下兩種。

·準(zhǔn)確率指標(biāo)。指在相同數(shù)據(jù)集下，不同理論模型解決相同問題生成的AI系統(tǒng)的準(zhǔn)確率差異的評價標(biāo)準(zhǔn)，如文本搜索類的查全率、查準(zhǔn)率等指標(biāo)，人臉識別的錯誤接受率及錯誤拒絕率等。

·模型處理問題時長指標(biāo)。指不同的AI模型在相同的準(zhǔn)確率、計算資源約束條件下，解決相同問題所需的時間差異，如語音識別中的實(shí)時率指標(biāo)；實(shí)際中這個指標(biāo)會轉(zhuǎn)化成一定計算資源下的并發(fā)路數(shù)指標(biāo)（一定資源下功能相同的AI系統(tǒng)同時服務(wù)的用戶數(shù)），同時考察AI模型占用的CPU/GPU/存儲等資源是否有差異。

（2）AI模型運(yùn)行維護(hù)相關(guān)技術(shù)及標(biāo)準(zhǔn)。例如，模型是否可以快速根據(jù)新數(shù)據(jù)集訓(xùn)練升級新模型，模型準(zhǔn)確性、效率等不會損失，符合生產(chǎn)要求。這個指標(biāo)關(guān)注的是在原來算法的生成流程不變的情況下，根據(jù)“新增數(shù)據(jù)”進(jìn)行模型優(yōu)化升級的能力，并提供一系列可見的驗(yàn)證方法、技術(shù)評價指標(biāo)。

（3）AI模型的場景化/泛化能力。模型對新場景/新樣本集合的適應(yīng)能力，訓(xùn)練好的模型在實(shí)際條件下是否還能維持一定的準(zhǔn)確率的能力。這個指標(biāo)與第二個指標(biāo)有一定的相關(guān)性，但這個指標(biāo)主要考查AI模型不升級情況下對場景的適應(yīng)能力。

（4）AI模型軟硬件平臺適應(yīng)性指標(biāo)。指訓(xùn)練好的模型對部署環(huán)境、操作系統(tǒng)的適應(yīng)性以及對硬件的適配性等，實(shí)際中這部分涉及各類操作系統(tǒng)、軟件工程相關(guān)工作。

（5）分布式AI或AI流程標(biāo)準(zhǔn)件。利用分布式AI技術(shù)，實(shí)現(xiàn)數(shù)據(jù)采集、特征工程、模型訓(xùn)練、加載能力的組件化構(gòu)造，AI生成及服務(wù)的不同步驟（流程/功能）由不同的網(wǎng)元完成。本部分工作有助于打破傳統(tǒng)AI形成及能力提供的黑箱，使AI流程標(biāo)準(zhǔn)件各個部分可見、可衡量、可計算，并通過統(tǒng)一的控制器進(jìn)行任務(wù)調(diào)度及分配。基本要求是形成與網(wǎng)絡(luò)架構(gòu)融合的，AI生成及能力提供的分布式架構(gòu)，并進(jìn)行相應(yīng)的標(biāo)準(zhǔn)化工作。

（6）可解釋性。AI的可解釋性是企業(yè)應(yīng)用進(jìn)行決策的重要前提，可解釋性是指讓人工智能系統(tǒng)的輸出結(jié)果可以理解。使用者理解輸入數(shù)據(jù)與預(yù)期結(jié)果的關(guān)系，理解模型的生成及工作過程，要求模型輸出的結(jié)果覆蓋各種可能，企業(yè)依據(jù)各種可能情況設(shè)計各種業(yè)務(wù)流。

（7）安全。如何在保持?jǐn)?shù)據(jù)的安全隱私前提下，進(jìn)行AI技術(shù)研發(fā)及應(yīng)用，并符合各類監(jiān)管要求。

3.2 基于網(wǎng)絡(luò)的人工智能的網(wǎng)絡(luò)研究方向

對以上各種AI方向的研究成果進(jìn)行標(biāo)準(zhǔn)化及工程化定義，將為形成未來的網(wǎng)絡(luò)技術(shù)架構(gòu)、新一代網(wǎng)絡(luò)建設(shè)、網(wǎng)元的功能設(shè)計，流程、接口及相應(yīng)的通信協(xié)議定義提供重要輸入。因此，應(yīng)該有以下幾個研究方向。

（1）與通信網(wǎng)絡(luò)相融合的AI能力開放技術(shù)框架。這個框架實(shí)現(xiàn)對客戶使用的AI能力的管理、加載、發(fā)布等功能，支撐面向業(yè)務(wù)側(cè)的AI生成的幾個核心功能實(shí)現(xiàn)，并定義相應(yīng)的承載網(wǎng)元：數(shù)據(jù)采集/存儲/特征工程、模型訓(xùn)練/生成、能力開放/場景化適配、優(yōu)化/運(yùn)維。這部分工作的意義是使AI能力開放給行業(yè)用戶的技術(shù)要求體現(xiàn)在網(wǎng)絡(luò)規(guī)范標(biāo)準(zhǔn)和網(wǎng)元定義及部署上。

（2）NET4AI如何提供可計算及衡量的AI指標(biāo)能力。結(jié)合AI技術(shù)的演進(jìn)，NET4AI相關(guān)網(wǎng)絡(luò)功能（network function，NF）展現(xiàn)標(biāo)準(zhǔn)化的AI能力。在對企業(yè)AI服務(wù)方面，包括NWDAF等新一代網(wǎng)元功能或類似網(wǎng)元的技術(shù)演進(jìn)，向其他NF提供AI能力或細(xì)分的AI功能，例如如何做到提供語音識別AI能力進(jìn)行加載管理，具體的標(biāo)準(zhǔn)、工作流程如何制定。

（3）基于新一代網(wǎng)絡(luò)技術(shù)的算力/存儲等基礎(chǔ)資源的調(diào)度、分配和動態(tài)加載。在云網(wǎng)融合背景下，基于網(wǎng)絡(luò)實(shí)現(xiàn)面向網(wǎng)絡(luò)原生AI能力輸出的算力資源調(diào)度、分配。

（5）NET4AI的能力是否能做到安全、可信、可解釋。怎樣形成一個完備的符合安全、監(jiān)管、可追溯要求的AI技術(shù)生產(chǎn)框架。

3.3 基于網(wǎng)絡(luò)的AI的發(fā)展階段探討

NET4AI技術(shù)研究的關(guān)鍵點(diǎn)需要結(jié)合物聯(lián)網(wǎng)技術(shù)的發(fā)展，在提供面向企業(yè)的連接的基礎(chǔ)上，逐步融合AI開放服務(wù)能力到IoT/5G的技術(shù)演進(jìn)中，相關(guān)研究及實(shí)踐應(yīng)該有以下階段。

（1）梳理用戶對AI能力的共性需求，選定并驗(yàn)證成熟AI能力通過網(wǎng)絡(luò)進(jìn)行開放階段。這個階段的主要工作是從宏觀上驗(yàn)證網(wǎng)絡(luò)與AI技術(shù)在架構(gòu)上融合的可行性，包括：將一個成熟AI能力作為試驗(yàn)，進(jìn)行NET4AI整體網(wǎng)絡(luò)技術(shù)架構(gòu)，明確關(guān)鍵技術(shù)指標(biāo)定義、AI能力開放相關(guān)網(wǎng)元、服務(wù)所需資源編排、服務(wù)質(zhì)量保障、接口、協(xié)議等技術(shù)標(biāo)準(zhǔn)，同時進(jìn)行應(yīng)用效果評價，與傳統(tǒng)AI能力開放的各類技術(shù)進(jìn)行對比分析，進(jìn)行經(jīng)濟(jì)指標(biāo)、社會效益評價等。

（2）驗(yàn)證NET4AI的場景化定制階段。這個階段主要驗(yàn)證AI能力基于網(wǎng)絡(luò)技術(shù)架構(gòu)的生成及定制化能力，如場景化AI需求的感知及識別，場景化數(shù)據(jù)的采集及特征工程，模型訓(xùn)練、模估、加載發(fā)布、優(yōu)化運(yùn)維；還包括場景化AI能力生成的任務(wù)編排、滿足任務(wù)的邏輯架構(gòu)、部署架構(gòu)、跨站協(xié)同、相關(guān)功能的承載網(wǎng)元、網(wǎng)元間的交互流程、接口、協(xié)議、標(biāo)準(zhǔn)、服務(wù)質(zhì)量保障等各類技術(shù)研究；同時，全面引入對AI技術(shù)的安全、可信、可解釋的各類研究成果，服務(wù)企業(yè)用戶。

（3）NET4AI根據(jù)場景化要求的適配、優(yōu)化階段（AI模型優(yōu)化）。這個階段主要驗(yàn)證NET4AI的AI模型的業(yè)務(wù)適應(yīng)能力、模型優(yōu)化所需的數(shù)據(jù)采集、數(shù)據(jù)處理及相關(guān)特征工程等的標(biāo)準(zhǔn)化及網(wǎng)絡(luò)設(shè)計建設(shè)，如AI應(yīng)用場景的數(shù)據(jù)采集、協(xié)議的轉(zhuǎn)換，面向AI場景應(yīng)用的數(shù)據(jù)特征工程，AI應(yīng)用承載的網(wǎng)元、接口、技術(shù)標(biāo)準(zhǔn)，AI服務(wù)所需資源的精細(xì)化編排等；同時進(jìn)行數(shù)據(jù)的安全隱私、AI應(yīng)用效果評價等。

（4）全面融合新一代物聯(lián)網(wǎng)終端能力階段。這個階段主要驗(yàn)證基于物聯(lián)網(wǎng)海量連接、融合終端技術(shù)進(jìn)展、感存算通一體、云網(wǎng)邊端協(xié)同的基于網(wǎng)絡(luò)的人工智能能力架構(gòu)。這個階段的工作是與以上3個階段工作相互協(xié)調(diào)、互相促進(jìn)、同步發(fā)展的。涉及的技術(shù)包括如下幾種。

·物聯(lián)網(wǎng)終端與網(wǎng)絡(luò)能力相配合的AI能力調(diào)度框架、KPI/QoS體系。

·基于知識圖譜、語義標(biāo)識解析等技術(shù)，面向各類行業(yè)AI需求提供AI能力需求的感知、推薦、加載（算力調(diào)度）、隨愿開放能力。

·實(shí)現(xiàn)物聯(lián)網(wǎng)物理實(shí)體—信息實(shí)體—語義本體及擴(kuò)展—人工智能能力搜索及獲得的整體物聯(lián)網(wǎng)標(biāo)識語義技術(shù)體系。

·結(jié)合終端算力、場景感知、場景服務(wù)的分布式AI體系，根據(jù)AI流程標(biāo)準(zhǔn)件研究進(jìn)展，使AI能力的各個部分通過網(wǎng)絡(luò)的調(diào)度分配融合終端能力進(jìn)行演進(jìn)，同時進(jìn)行相應(yīng)的協(xié)議及標(biāo)準(zhǔn)研制等。

4 結(jié)束語

目前AI能力提供方式主要有兩種：一種是目前傳統(tǒng)互聯(lián)網(wǎng)大型企業(yè)的平臺型方式，以平臺為核心，拓展相關(guān)的AI硬件，形成相應(yīng)的生態(tài)環(huán)境；另一種是私有化部署、按客戶需求開發(fā)。而使網(wǎng)絡(luò)成為“人工智能的載體”，人工智能能力與網(wǎng)絡(luò)能力融合，通過網(wǎng)絡(luò)實(shí)現(xiàn)算力調(diào)度、算力泛在，構(gòu)建以網(wǎng)絡(luò)連接為核心的新一代信息基礎(chǔ)設(shè)施，將成為未來AI能力提供的主要方式。通信技術(shù)的發(fā)展核心是賦能千百萬行業(yè)/企業(yè)，如工業(yè)互聯(lián)網(wǎng)、自動駕駛等。AI技術(shù)與網(wǎng)絡(luò)進(jìn)行深度融合的技術(shù)方向，為網(wǎng)絡(luò)技術(shù)的發(fā)展提供了新的思路，其本質(zhì)是實(shí)現(xiàn)人工智能基礎(chǔ)設(shè)施與通信基礎(chǔ)設(shè)施融合，形成信息傳輸與信息處理融合的網(wǎng)絡(luò)架構(gòu)及相應(yīng)的技術(shù)體系。

由于AI實(shí)現(xiàn)的復(fù)雜性，技術(shù)實(shí)現(xiàn)上涉及模型（認(rèn)知）、算法、芯片、平臺，產(chǎn)業(yè)應(yīng)用上又涉及產(chǎn)業(yè)知識、數(shù)據(jù)、業(yè)務(wù)、原有產(chǎn)品及系統(tǒng)等。要實(shí)現(xiàn)在IoT/5G網(wǎng)絡(luò)技術(shù)發(fā)展中吸收AI技術(shù)的目標(biāo)，需要深入研究AI技術(shù)的各個方面，而其中AI的評價技術(shù)（如數(shù)據(jù)的評價、模型的評價等）顯得十分重要，對AI生成及使用各個階段進(jìn)行準(zhǔn)確定義及相應(yīng)評價結(jié)果的可視化，使行業(yè)/企業(yè)用戶明確使用的AI產(chǎn)品及服務(wù)是什么；在各類NF設(shè)計、通信協(xié)議制定中，如何承載相關(guān)技術(shù)要求，使AI技術(shù)能力沉淀到網(wǎng)絡(luò)架構(gòu)/能力中，并提供方便獲取、可信賴、可解釋的AI能力是一個有意義的研究方向。

[1] “十四五”數(shù)字經(jīng)濟(jì)發(fā)展規(guī)劃[R]. 2022.

The plan for development of the digital economy during the “14th Five-Year”[R]. 2022.

[2] “十四五”國家信息化規(guī)劃[R]. 2021.

The plan for national informatization during the “14th Five-Year”[R]. 2021.

[3] 韋樂平. “連接+”是運(yùn)營商轉(zhuǎn)型的正確路徑[R]. 2022.

WEI L P. “Connection+” is the correct path for the operators’s transformation[R].2022.

[4] 歐陽曄, 王立磊, 楊愛東, 等. 通信人工智能的下一個十年[J].電信科學(xué), 2021, 37(3): 1-36.

OUYANG Y, WANG L L, YANG A D, et al. Next decade of telecommunications artificial intelligence[J]. Telecommunications Science, 2021, 37(3): 1-36.

[5] 李琴, 李唯源, 孫曉文, 等. 6G網(wǎng)絡(luò)智能內(nèi)生的思考[J]. 電信科學(xué), 2021, 37(9): 20-29.

LI Q, LI W Y, SUN X W, et al. Thinking of native artificial intelligence in 6G networks[J]. Telecommunications Science, 2021, 37(9): 20-29.

[6] ETSI. Improved operator experience through experiential networked intelligence (ENI)[R]. 2017.

[7] Study on applying AI in telecommunication network: CCSA TC1-WG1#58 meeting[R]. 2017.

[8] 3GPP. Architecture enhancements for 5G system (5GS) to support network data analytics services: TS 23.288[S]. 2021

[9] 3GPP. RAN-centric data collection and utilization: RAN3 SI, 2017.08/10[S]. 2018.

[10] 3GPP. Study on the self-organizing networks (SON) for 5G networks: TR28.861[S]. 2019

[11] 3GPP. Study on management aspects of communication services: TR28.805 V1.1.0[S]. 2019.

[12] ITU-T. Architectural framework for machine learning in future networks including IMT-2020: SG13 Y.317[S]. 2019.

[13] S2-2004541. Federated learning among multiple NWDAF instances, 3GPP TSG-WG SA2 meeting #139E e-meeting[R]. 2020.

[14] IMT-2030(6G)推進(jìn)組. 6G 總體愿景與潛在關(guān)鍵技術(shù)[R]. 2021.

IMT-2030 (6G) Propulsion Group. 6G overall vision and potential key technologies[R]. 2021.

[15] 張平, 牛凱, 田輝, 等. 6G移動通信技術(shù)展望[J]. 通信學(xué)報, 2019, 40(1): 141-148.

ZHANG P, NIU K, TIAN H, et al. Technology prospect of 6G mobile communications[J]. Journal on Communications, 2019, 40(1): 141-148.

[16] 張彤, 任奕璟, 閆實(shí), 等. 人工智能驅(qū)動的6G網(wǎng)絡(luò)：智慧內(nèi)生[J]. 電信科學(xué), 2020, 36(9): 14-22.

ZHANG T, REN Y J, YAN S, et al. Artificial intelligence driven 6G networks: endogenous intelligence[J]. Telecommunications Science, 2020, 36(9): 14-22.

[17] 蒲慕明, 徐波, 譚鐵牛. 腦科學(xué)與類腦研究概述[J]. 中國科學(xué)院院刊, 2016, 31(7): 725-736, 714.

PU M M, XU B, TAN T N. Brain science and brain-inspired intelligence technology—an overview[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(7): 725-736, 714.

[18] 熊回香, 楊滋榮, 蔣武軒. 跨媒體知識圖譜構(gòu)建中多模態(tài)數(shù)據(jù)語義相關(guān)性研究[J]. 情報理論與實(shí)踐, 2019, 42(2): 13-18, 24.

XIONG H X, YANG Z R, JIANG W X. Semantic correlation of multimodal data in the construction of cross-media knowledge graph[J]. Information Studies: Theory & Application, 2019, 42(2): 13-18, 24.

[19] 蔣逸, 張偉, 王佩, 等. 基于互聯(lián)網(wǎng)群體智能的知識圖譜構(gòu)造方法[J]. 軟件學(xué)報, 2022, 33(7): 2646-2666.

JIANG Y, ZHANG W, WANG P, et al. Knowledge graph construction method via Internet-based collective intelligence[J]. Journal of Software, 2022, 33(7): 2646-2666.

[20] 楊強(qiáng), 童詠昕, 王晏晟, 等. 群體智能中的聯(lián)邦學(xué)習(xí)算法綜述[J]. 智能科學(xué)與技術(shù)學(xué)報, 2022, 4(1): 29-44.

YANG Q, TONG Y X, WANG Y S, et al. A survey on federated learning in crowd intelligence[J]. Chinese Journal of Intelligent Science and Technology, 2022, 4(1): 29-44.

[21] 郎春雨, 侯霞. 基于遷移學(xué)習(xí)的實(shí)體關(guān)系抽取技術(shù)綜述[J]. 北京信息科技大學(xué)學(xué)報(自然科學(xué)版), 2022, 37(1): 65-70. LANG C Y, HOU X. Review of transfer learning technology for entity and relation extraction[J]. Journal of Beijing Information Science & Technology University, 2022, 37(1): 65-70.

[22] 王萌, 王昊奮, 李博涵, 等. 新一代知識圖譜關(guān)鍵技術(shù)綜述[J]. 計算機(jī)研究與發(fā)展, 2022, 59(9): 1947-1965.

WANG M, WANG H F, LI B H, et al. Survey on key technologies of new generation knowledge graph[J]. Journal of Computer Research and Development, 2022, 59(9): 1947-1965.

[23] 趙凱琳, 靳小龍, 王元卓. 小樣本學(xué)習(xí)研究綜述[J]. 軟件學(xué)報, 2021, 32(2): 349-369.

ZHAO K L, JIN X L, WANG Y Z. Survey on few-shot learning[J]. Journal of Software, 2021, 32(2): 349-369.

[24] 潘崇煜, 黃健, 郝建國, 等. 融合零樣本學(xué)習(xí)和小樣本學(xué)習(xí)的弱監(jiān)督學(xué)習(xí)方法綜述[J]. 系統(tǒng)工程與電子技術(shù), 2020, 42(10): 2246-2256.

PAN C Y, HUANG J, HAO J G, et al. Survey of weakly supervised learning integrating zero-shot and few-shot learning[J]. Systems Engineering and Electronics, 2020, 42(10): 2246-2256.

[25] 張魯寧, 左信, 劉建偉. 零樣本學(xué)習(xí)研究進(jìn)展[J]. 自動化學(xué)報, 2020, 46(1): 1-23.

ZHANG L N, ZUO X, LIU J W. Research and development on zero-shot learning[J]. Acta Automatica Sinica, 2020, 46(1): 1-23.

[26] 陳學(xué)松, 楊宜民. 強(qiáng)化學(xué)習(xí)研究綜述[J]. 計算機(jī)應(yīng)用研究, 2010, 27(8): 2834-2838, 2844.

CHEN X S, YANG Y M. Reinforcement learning: survey of recent work[J]. Application Research of Computers, 2010, 27(8): 2834-2838, 2844.

[27] C. J. Abate, 禾沐. 機(jī)器學(xué)習(xí)的未來: Daniel Situnayake訪談[J]. 單片機(jī)與嵌入式系統(tǒng)應(yīng)用, 2021, 21(6): 1-3, 6.

ABATE C J, HE M. The future of machine learning: interview with Daniel Situnayake[J]. Microcontrollers & Embedded Systems, 2021, 21(6): 1-3, 6.

[28] 秦全德, 程適, 李麗, 等. 人工蜂群算法研究綜述[J]. 智能系統(tǒng)學(xué)報, 2014, 9(2): 127-135.

QIN Q D, CHENG S, LI L, et al. Artificial bee colony algorithm: a survey[J]. CAAI Transactions on Intelligent Systems, 2014, 9(2): 127-135.

Study on the direction of artificial intelligence technology based on network evolution

YANG Zhen, ZHAO Jianjun, HUANG Yongjun, LI Jie, CHEN Nan

E-Surfing Internet of Things Technology Co., Ltd., Shanghai 200122, China

The national strategy positions artificial intelligence (AI) and Internet of things (IoT)/5G as important components of information technology facilities at the same time. Among them, AI belongs to new technology infrastructure, and IoT/5G belongs to communication network infrastructure. It leads to the technical direction of “integrate and develop communication and AI technology”. For telecom operators, how to integrate AI technology with the network, reconstruct network technology architecture, and open “AI ability” as a “service” will be an important technology evolution direction. Based on this proposition, the development direction of AI and network technology in the future was discussed, and a reference idea for the integration development and application direction of AI technology with the network architecture of IoT/5G in the future was provided.

AI, Internet of things, 5G, intelligent-endogenesis, computing and network integration

TN929.5，TP18

A

10.11959/j.issn.1000–0801.2022298

2022-08-03；

2022-12-16

楊震（1972-）男，博士，天翼物聯(lián)科技有限公司高級工程師，主要研究方向?yàn)槿斯ぶ悄?、自然語言處理、物聯(lián)網(wǎng)技術(shù)、搜索引擎。

趙建軍（1974-），男，天翼物聯(lián)科技有限公司高級工程師，主要研究方向?yàn)槲锫?lián)網(wǎng)架構(gòu)、網(wǎng)絡(luò)、平臺及業(yè)務(wù)等。

黃勇軍（1970-），男，天翼物聯(lián)科技有限公司高級工程師，主要研究方向?yàn)槲锫?lián)網(wǎng)關(guān)鍵技術(shù)規(guī)劃與管理等。

李潔（1980-），男，天翼物聯(lián)科技有限公司高級工程師，主要研究方向?yàn)槲锫?lián)網(wǎng)人工智能、工業(yè)互聯(lián)網(wǎng)等。

陳楠（1981-），男，博士，天翼物聯(lián)科技有限公司高級工程師，主要研究方向?yàn)槲锫?lián)網(wǎng)關(guān)鍵技術(shù)與架構(gòu)、物云網(wǎng)融合等。