孫夢(mèng)穎/SUN Mengying，熊華超/XIONG Huachao，王怡寧/WANG Yining，韓書君/HAN Shujun，許曉東/XU Xiaodong

（ 北京郵電大學(xué)，中國(guó) 北京 100876 ）

隨著傳輸能力的不斷增強(qiáng)，移動(dòng)通信系統(tǒng)以系統(tǒng)復(fù)雜度換取性能增益的堆疊式發(fā)展將無(wú)法滿足日益增長(zhǎng)的網(wǎng)絡(luò)智能化和服務(wù)多樣化的業(yè)務(wù)需求[1]。因此，6G亟需發(fā)展面向未來多類型應(yīng)用的移動(dòng)通信新范式。

語(yǔ)義通信是一種全新的通信范式，通過將任務(wù)和需求與信息傳輸有機(jī)融合，大幅度提升通信效率，改善用戶的業(yè)務(wù)體驗(yàn)。依托智能與通信技術(shù)、網(wǎng)絡(luò)技術(shù)等的深度融合，通過語(yǔ)義特征提取、語(yǔ)義信息傳輸以及語(yǔ)義信息恢復(fù)，語(yǔ)義通信可實(shí)現(xiàn)信息的高效準(zhǔn)確傳達(dá)和精準(zhǔn)控制[2]。語(yǔ)義通信以節(jié)點(diǎn)智能為基礎(chǔ)，賦予節(jié)點(diǎn)類人感知能力，實(shí)現(xiàn)達(dá)意傳輸，滿足人-機(jī)-物之間的敏捷交互。同時(shí)，語(yǔ)義通信也將賦能智慧車聯(lián)網(wǎng)、元宇宙、智能制造、多維感官互聯(lián)、新興多媒體、智慧城市等新場(chǎng)景、新業(yè)態(tài)[3-4]，如圖1所示。

▲圖1 語(yǔ)義通信賦能新場(chǎng)景、新業(yè)態(tài)

1 智簡(jiǎn)語(yǔ)義通信系統(tǒng)

1953年，W. WEAVER[5]提出了通信傳輸?shù)?個(gè)層次，即語(yǔ)法層、語(yǔ)義層和語(yǔ)用層。其中，語(yǔ)法層解決的是符號(hào)級(jí)通信中信息如何精準(zhǔn)傳輸?shù)膯栴}，語(yǔ)義層關(guān)注的是所傳遞的符號(hào)信息如何準(zhǔn)確地傳達(dá)所需的含義，語(yǔ)用層針對(duì)的是所接收的語(yǔ)義信息是否能夠以最佳的方式被利用。這3個(gè)層次之間相互重疊又相互關(guān)聯(lián)。從1G到5G，學(xué)術(shù)界和工業(yè)界聚焦于語(yǔ)法信息層次，以期增強(qiáng)通信系統(tǒng)的傳輸性能。近年來，面向語(yǔ)義層的語(yǔ)義通信成為學(xué)術(shù)界關(guān)注的焦點(diǎn)，也成為6G 極具競(jìng)爭(zhēng)力的關(guān)鍵技術(shù)[6]。

1.1 智簡(jiǎn)語(yǔ)義通信系統(tǒng)的概念

基于上文所提的通信三大層次，智簡(jiǎn)語(yǔ)義通信系統(tǒng)著眼于語(yǔ)義傳輸，以人工智能和信息論等多學(xué)科的科學(xué)理論為指導(dǎo)，實(shí)現(xiàn)面向需求和任務(wù)的通信。智簡(jiǎn)語(yǔ)義通信系統(tǒng)深挖語(yǔ)法、語(yǔ)義與語(yǔ)用之間的轉(zhuǎn)換關(guān)系，將需求信息進(jìn)行特征提取后轉(zhuǎn)化為語(yǔ)義信息，通過編碼，再轉(zhuǎn)化成語(yǔ)法信息。借助深度神經(jīng)網(wǎng)絡(luò)的刻畫能力，智簡(jiǎn)語(yǔ)義通信系統(tǒng)對(duì)信源信息的需求及任務(wù)進(jìn)行準(zhǔn)確地識(shí)別和特征提取，并在接收端進(jìn)行原始信息重建，實(shí)現(xiàn)精準(zhǔn)高效的傳輸。同時(shí)，智簡(jiǎn)語(yǔ)義通信也進(jìn)行了基礎(chǔ)理論的創(chuàng)新：以香農(nóng)信息論為基礎(chǔ)，拓展了語(yǔ)義熵和系統(tǒng)熵[7]的概念，從理論上度量語(yǔ)義信息量。在網(wǎng)絡(luò)傳輸層面上，“節(jié)點(diǎn)極智、鏈路極柔、網(wǎng)絡(luò)極簡(jiǎn)”將是智簡(jiǎn)通信的主要特征，這有助于網(wǎng)絡(luò)性能的全面提升。通過柔性簡(jiǎn)約的通信鏈路和按需編排的資源配置，網(wǎng)絡(luò)中的智能節(jié)點(diǎn)將自主執(zhí)行數(shù)據(jù)感知、處理、應(yīng)用和傳輸?shù)裙δ?，?shí)現(xiàn)網(wǎng)絡(luò)由繁變簡(jiǎn)、多維資源的高效利用。智簡(jiǎn)語(yǔ)義通信系統(tǒng)將顛覆原有的通信模式，賦予信源到信宿包括感知能力、通信能力和理解能力在內(nèi)的更多新能力。

1.2 智簡(jiǎn)語(yǔ)義通信系統(tǒng)的需求和挑戰(zhàn)

智簡(jiǎn)語(yǔ)義通信系統(tǒng)旨在建立一套全新的通信體系，通過海量的語(yǔ)義模型和語(yǔ)義知識(shí)圖譜對(duì)智能性進(jìn)行支撐，實(shí)現(xiàn)人-機(jī)-物及智能體之間的智能交互。語(yǔ)義模型訓(xùn)練及語(yǔ)義知識(shí)圖譜的構(gòu)建將消耗巨大的時(shí)間與計(jì)算資源，因此，提升模型的訓(xùn)練效率，降低模型的訓(xùn)練成本，實(shí)現(xiàn)模型在網(wǎng)絡(luò)中高效的傳輸和部署，將是智簡(jiǎn)語(yǔ)義通信的重要基礎(chǔ)，也是所面臨的關(guān)鍵挑戰(zhàn)之一。

未來6G 網(wǎng)絡(luò)的信息多樣性將得到進(jìn)一步拓展，存在文本、語(yǔ)音、圖像、觸覺等多模態(tài)的信息形式，這給語(yǔ)義特征提取與建模帶來巨大挑戰(zhàn)。在面向需求和任務(wù)的通信中，發(fā)送端需要對(duì)接收端的需求或任務(wù)進(jìn)行精準(zhǔn)預(yù)測(cè)，以保障對(duì)重要信息的準(zhǔn)確表達(dá)，而這進(jìn)一步增加了語(yǔ)義信息的提取難度。多類型的信息具有不同的數(shù)據(jù)格式，如何對(duì)語(yǔ)義信息進(jìn)行一致化建模，實(shí)現(xiàn)不同模態(tài)間的語(yǔ)義信息的高效轉(zhuǎn)換，也將是一大挑戰(zhàn)。

語(yǔ)義信息的傳輸與準(zhǔn)確恢復(fù)是智簡(jiǎn)語(yǔ)義通信系統(tǒng)的重要過程。原始信息的準(zhǔn)確傳達(dá)，不僅需要語(yǔ)義信息的可靠傳輸，也需要語(yǔ)義解碼模型的準(zhǔn)確適配。在這種雙重的語(yǔ)義信息恢復(fù)條件制約下，如何實(shí)現(xiàn)語(yǔ)義信息及語(yǔ)義模型的高效準(zhǔn)確的傳輸也是智簡(jiǎn)語(yǔ)義通信系統(tǒng)的一大挑戰(zhàn)。

智簡(jiǎn)語(yǔ)義通信是建立在節(jié)點(diǎn)智能性的基礎(chǔ)上的。在當(dāng)前階段，模型的體量無(wú)法適配于節(jié)點(diǎn)受限的處理能力和網(wǎng)絡(luò)資源。在保障模型性能的前提下，如何將大型模型轉(zhuǎn)換為輕量級(jí)的小型模型是語(yǔ)義通信的迫切需求。不同節(jié)點(diǎn)的能力也存在不均衡性，因此如何根據(jù)不同節(jié)點(diǎn)的需求和能力部署相應(yīng)的模型，以提升語(yǔ)義恢復(fù)準(zhǔn)確度，并降低服務(wù)響應(yīng)時(shí)延，也是智簡(jiǎn)語(yǔ)義通信的一個(gè)關(guān)鍵挑戰(zhàn)。

1.3 智簡(jiǎn)語(yǔ)義通信系統(tǒng)的鏈路結(jié)構(gòu)

利用深度神經(jīng)網(wǎng)絡(luò)技術(shù)，人們對(duì)文字、圖像、視頻以及多模態(tài)業(yè)務(wù)的語(yǔ)義通信技術(shù)進(jìn)行了探索[8-11]。在此基礎(chǔ)上，業(yè)界提出了基于人工智能模型的以網(wǎng)絡(luò)智能決策和模型傳輸為特征的智簡(jiǎn)語(yǔ)義通信系統(tǒng)，如圖2所示。在智簡(jiǎn)語(yǔ)義通信系統(tǒng)中，收發(fā)端分別部署語(yǔ)義編碼模塊和譯碼模塊，模塊對(duì)應(yīng)的語(yǔ)義模型分別用于提取和恢復(fù)語(yǔ)義信息。邊緣或云端生成語(yǔ)義模型，并根據(jù)收發(fā)端的請(qǐng)求，部署適配的語(yǔ)義模型。同時(shí)，收發(fā)端將語(yǔ)義模型存儲(chǔ)在各自的語(yǔ)義模型庫(kù)中。發(fā)送端將原始信息輸入到語(yǔ)義提取與表征模塊，得到語(yǔ)義信息，并通過聯(lián)合的語(yǔ)義編碼和信道編碼將語(yǔ)義信息轉(zhuǎn)化為比特?cái)?shù)據(jù)，再進(jìn)行傳輸。接收端對(duì)接收到的比特?cái)?shù)據(jù)進(jìn)行聯(lián)合信道譯碼、語(yǔ)義譯碼，以及語(yǔ)義信息恢復(fù)重建，恢復(fù)出原始信息。由于上下文、通信環(huán)境等背景因素會(huì)影響語(yǔ)義信息的恢復(fù)，語(yǔ)義譯碼模塊對(duì)背景因素帶來的誤差可進(jìn)行補(bǔ)償。

▲圖2 智簡(jiǎn)語(yǔ)義通信系統(tǒng)鏈路結(jié)構(gòu)

為了保障模型的適配性，需要不斷對(duì)模型進(jìn)行優(yōu)化和更新。遷移學(xué)習(xí)是一種高效的方式，只需要對(duì)部分語(yǔ)義編碼器和譯碼器的神經(jīng)網(wǎng)絡(luò)層進(jìn)行重新設(shè)計(jì)和訓(xùn)練，重用預(yù)訓(xùn)練模型中某些網(wǎng)絡(luò)層的權(quán)值，就可以減少模型再訓(xùn)練的時(shí)間、資源等消耗。智簡(jiǎn)通信系統(tǒng)結(jié)合“殘差傳播”理念，對(duì)智簡(jiǎn)模型進(jìn)行切分傳輸，即信源端根據(jù)模型切分技術(shù)將智簡(jiǎn)模型分為多個(gè)切片。這些切片在多路進(jìn)行傳輸，并于信宿端重新組建。模型切分傳輸?shù)姆绞揭环矫嫫胶鉄o(wú)線通信網(wǎng)絡(luò)負(fù)載，減少網(wǎng)絡(luò)擁塞，提升模型并行傳播速率；另一方面促進(jìn)不同節(jié)點(diǎn)進(jìn)行模型共享，利于后續(xù)模型的傳輸。模型壓縮技術(shù)在保障信息恢復(fù)準(zhǔn)確性的前提下，可有效地提升網(wǎng)絡(luò)傳輸效率。

2 知識(shí)庫(kù)增強(qiáng)的智簡(jiǎn)語(yǔ)義通信系統(tǒng)設(shè)計(jì)

知識(shí)圖譜是一種語(yǔ)義表示，可以對(duì)現(xiàn)實(shí)世界中的實(shí)體、概念、屬性以及它們之間的關(guān)系進(jìn)行建模，具有極強(qiáng)的靈活性和表達(dá)能力。語(yǔ)義知識(shí)庫(kù)是由諸多的語(yǔ)義知識(shí)圖譜組成的。在上一節(jié)所提的智簡(jiǎn)語(yǔ)義通信鏈路架構(gòu)的基礎(chǔ)上，利用知識(shí)圖譜的靈活精簡(jiǎn)表征的功能來部署語(yǔ)義知識(shí)庫(kù)可有效地增強(qiáng)語(yǔ)義通信性能[12]。

2.1 知識(shí)庫(kù)增強(qiáng)的智簡(jiǎn)語(yǔ)義通信關(guān)鍵技術(shù)

當(dāng)前，針對(duì)文本、語(yǔ)音、圖像等多種信息類型的語(yǔ)義通信的研究工作已取得諸多進(jìn)展，如基于深度學(xué)習(xí)的語(yǔ)義通信（Deep-SC）[8-9]和基于深度學(xué)習(xí)的信源信道聯(lián)合編碼（Deep-JSCC）[10-11]等。大部分的語(yǔ)義編譯碼是基于Transformer模型來實(shí)現(xiàn)計(jì)的。以Transformer模型為基礎(chǔ)，智簡(jiǎn)語(yǔ)義通信系統(tǒng)引入了語(yǔ)義知識(shí)圖譜以增強(qiáng)語(yǔ)義通信的性能，構(gòu)建出如圖3所示的基于知識(shí)增強(qiáng)的智簡(jiǎn)語(yǔ)義通信系統(tǒng)鏈路結(jié)構(gòu)。

▲圖3 知識(shí)庫(kù)增強(qiáng)的智簡(jiǎn)語(yǔ)義通信鏈路

語(yǔ)義知識(shí)是從原始信息的語(yǔ)義知識(shí)中提取得到的。語(yǔ)義提取和表征編碼器將語(yǔ)義知識(shí)和原始信息進(jìn)行聯(lián)合語(yǔ)義提取。所提取出來的語(yǔ)義信息將會(huì)根據(jù)重要性進(jìn)行排序，重要性程度較高的語(yǔ)義信息將會(huì)以更可靠的方式進(jìn)行聯(lián)合語(yǔ)義信道編碼。接收端利用相匹配的語(yǔ)義知識(shí)圖譜來增強(qiáng)語(yǔ)義譯碼，輔助恢復(fù)信息。語(yǔ)義知識(shí)圖譜需進(jìn)行云-邊-端同步，以保障收發(fā)端能夠基于相匹配的語(yǔ)義知識(shí)圖譜來增強(qiáng)語(yǔ)義提取與恢復(fù)。為了使接收端能夠從語(yǔ)義知識(shí)庫(kù)中快速查找到相應(yīng)的語(yǔ)義知識(shí)圖譜，我們?cè)诎l(fā)送端的信道導(dǎo)頻之前增加了語(yǔ)義導(dǎo)頻，以使接收端基于語(yǔ)義導(dǎo)頻快速查找到相應(yīng)的語(yǔ)義知識(shí)圖譜，增強(qiáng)語(yǔ)義恢復(fù)效率和準(zhǔn)確性。從語(yǔ)義提取模塊輸出的數(shù)據(jù)格式為浮點(diǎn)型，我們需對(duì)浮點(diǎn)型數(shù)據(jù)進(jìn)行量化和數(shù)學(xué)變換以降低編碼冗余。根據(jù)信道狀態(tài)及語(yǔ)義信息重要程度，我們對(duì)提取的語(yǔ)義數(shù)據(jù)進(jìn)行可變碼長(zhǎng)的方式進(jìn)行編碼，在保障語(yǔ)義傳輸準(zhǔn)確度的前提下，提升傳輸效率。

性能評(píng)估也是語(yǔ)義通信系統(tǒng)設(shè)計(jì)中的重要一環(huán)。在面向文本的語(yǔ)義通信中，誤字率（WER）[13]和雙語(yǔ)替換評(píng)價(jià)（BLEU）[14]是兩種經(jīng)典的文本語(yǔ)義信息恢復(fù)準(zhǔn)確度的評(píng)估指標(biāo)?；谡Z(yǔ)義知識(shí)增強(qiáng)的智簡(jiǎn)語(yǔ)義通信系統(tǒng)已被驗(yàn)證能夠有效地提升語(yǔ)義信息恢復(fù)準(zhǔn)確性能和效率。此外，針對(duì)圖像傳輸，峰值信噪比（PSNR）和結(jié)構(gòu)相似指數(shù)（SSIM）是常用的信息相似度評(píng)估的方法[15]。針對(duì)語(yǔ)音傳輸，音頻信號(hào)轉(zhuǎn)為文本過程采用WER 來評(píng)估，轉(zhuǎn)成的文本之間采用Trans‐former模型的雙向編碼器（BERT）方法[16]來評(píng)估。如何高效地構(gòu)建多種模態(tài)信源信息的知識(shí)圖譜，提升語(yǔ)義知識(shí)圖譜的更新效率，降低傳輸冗余，仍然是智簡(jiǎn)語(yǔ)義通信設(shè)計(jì)中亟待解決的問題。

2.2 智簡(jiǎn)語(yǔ)義通信中基于緩存增強(qiáng)的語(yǔ)義知識(shí)庫(kù)構(gòu)建方法

如2.1節(jié)所述，智簡(jiǎn)語(yǔ)義通信系統(tǒng)需在云-邊-端協(xié)同部署語(yǔ)義知識(shí)庫(kù)，以提升接收端的語(yǔ)義信息恢復(fù)準(zhǔn)確度。語(yǔ)義知識(shí)圖譜的生成往往需要大量的計(jì)算和存儲(chǔ)資源，在云端生成知識(shí)圖譜是一種行之有效的方式。然而，受到多維資源的制約，云與用戶之間的多跳傳輸，會(huì)給語(yǔ)義知識(shí)庫(kù)的傳輸時(shí)延、傳輸成功率和語(yǔ)義恢復(fù)準(zhǔn)確度帶來較大的影響。每個(gè)用戶所需的語(yǔ)義知識(shí)圖譜繁雜且具有時(shí)變性，因此邊緣服務(wù)器或用戶進(jìn)行語(yǔ)義知識(shí)庫(kù)預(yù)緩存是一種必然趨勢(shì)，可有效降低語(yǔ)義知識(shí)庫(kù)獲取時(shí)延，具體的云-邊-端協(xié)同語(yǔ)義知識(shí)圖譜的預(yù)緩存機(jī)制如圖4 所示。基于大數(shù)據(jù)分析和人工智能技術(shù)，根據(jù)用戶側(cè)的歷史請(qǐng)求構(gòu)建知識(shí)圖譜的預(yù)測(cè)模型，動(dòng)態(tài)調(diào)整和定期更新語(yǔ)義知識(shí)庫(kù)，是語(yǔ)義知識(shí)圖譜高效譜緩存和快速獲取的關(guān)鍵[17]。采用數(shù)學(xué)擬合的方式，得出針對(duì)特定應(yīng)用場(chǎng)景的語(yǔ)義知識(shí)圖譜的恢復(fù)準(zhǔn)確度與知識(shí)圖譜大小之間的數(shù)學(xué)表達(dá)，這對(duì)定量地緩存語(yǔ)義知識(shí)圖譜來說具有重要意義。如何利用用戶偏好和能力，實(shí)現(xiàn)語(yǔ)義知識(shí)圖譜的分布式協(xié)同存儲(chǔ)，也是進(jìn)一步改善智簡(jiǎn)語(yǔ)義通信系統(tǒng)性能的有效方式之一。

▲圖4 云-邊-端協(xié)同語(yǔ)義知識(shí)圖譜緩存機(jī)制

3 智簡(jiǎn)語(yǔ)義通信中的模型傳輸關(guān)鍵技術(shù)

面向人-機(jī)-物智聯(lián)化應(yīng)用，節(jié)點(diǎn)極智是必然的發(fā)展趨勢(shì)。節(jié)點(diǎn)利用其智能性進(jìn)行網(wǎng)絡(luò)感知與推理。智簡(jiǎn)語(yǔ)義通信需要通信對(duì)象配置相同的語(yǔ)義知識(shí)庫(kù)和語(yǔ)義模型。語(yǔ)義模型的訓(xùn)練和傳輸部署也是未來網(wǎng)絡(luò)的一項(xiàng)基本業(yè)務(wù)。模型的訓(xùn)練精度和更新頻率將影響智能節(jié)點(diǎn)語(yǔ)義感知性能，輕量化且適配的語(yǔ)義模型部署是智簡(jiǎn)語(yǔ)義通信系統(tǒng)的基石。

3.1 語(yǔ)義模型處理方法

當(dāng)前比較成熟的語(yǔ)義模型往往體量巨大，以谷歌推出的Transformer 模型為例，其參數(shù)高達(dá)1.6 萬(wàn)億個(gè)，訓(xùn)練時(shí)間和成本以及模型運(yùn)行所耗費(fèi)的計(jì)算資源都是終端設(shè)備所無(wú)法承受的。因此，需要針對(duì)特定的應(yīng)用和業(yè)務(wù)，并考慮終端設(shè)備的處理能力，對(duì)模型進(jìn)行壓縮、剪枝[18]、量化、蒸餾[19]、切片等處理。處理后的輕量級(jí)模型將被分發(fā)至邊緣服務(wù)器及終端設(shè)備進(jìn)行存儲(chǔ)。終端設(shè)備利用部署的模型，處理感知數(shù)據(jù)，執(zhí)行推理應(yīng)用。

接下來，我們會(huì)對(duì)這幾種模型處理技術(shù)進(jìn)行簡(jiǎn)要介紹。

1）模型剪枝是通過去除兩個(gè)神經(jīng)元之間多余的或不重要的連接，或直接去除不需要的神經(jīng)元及其相關(guān)分支，減小模型規(guī)模。

2）模型量化主要是通過減小權(quán)重參數(shù)，在服務(wù)質(zhì)量（QoS）容忍范圍內(nèi)降低模型的精度。這種方式也是通過減小模型規(guī)模以節(jié)省緩存空間，加速模型訓(xùn)練，并減少傳輸?shù)谋忍財(cái)?shù)據(jù)量。

3）模型蒸餾是基于大規(guī)模的教師模型，在滿足QoS 的情況下，訓(xùn)練一個(gè)輕量級(jí)的學(xué)生模型。該方法可以將預(yù)先訓(xùn)練的復(fù)雜模型的知識(shí)和泛化能力轉(zhuǎn)移到一個(gè)結(jié)構(gòu)更簡(jiǎn)單的網(wǎng)絡(luò)上。具體來說，該方法利用教師模型的輸出作為監(jiān)督信號(hào)來訓(xùn)練學(xué)生模型，實(shí)現(xiàn)一個(gè)具有相似知識(shí)的簡(jiǎn)單網(wǎng)絡(luò)。

4）模型選擇是根據(jù)終端的QoS 要求選擇合適的模型，進(jìn)一步優(yōu)化整個(gè)系統(tǒng)的延遲、能效、能耗和決策精度。該方法是將相同功能的不同尺寸和準(zhǔn)確度的模型全部存儲(chǔ)下來，以按需分配，但難免造成緩存冗余。

5）語(yǔ)義切片技術(shù)是將模型進(jìn)行分層化設(shè)計(jì)（包括基礎(chǔ)模型和增強(qiáng)切片），基礎(chǔ)模型以較低的通信和計(jì)算開銷獨(dú)立完成語(yǔ)義通信，也可以根據(jù)QoS要求、信道條件和傳輸目標(biāo)選擇合適的模型切片來增強(qiáng)基礎(chǔ)模型的性能。

6）模型處理是智簡(jiǎn)語(yǔ)義通信系統(tǒng)實(shí)現(xiàn)模型有效傳輸及部署的關(guān)鍵，值得我們進(jìn)行深入探索。

3.2 語(yǔ)義模型傳輸方法

面向智簡(jiǎn)語(yǔ)義通信的模型傳輸方案旨在將面向數(shù)據(jù)認(rèn)知的智能能力引入數(shù)據(jù)生成節(jié)點(diǎn)和服務(wù)生成節(jié)點(diǎn)，對(duì)模型和網(wǎng)絡(luò)資源進(jìn)行端到端編排，并充分利用網(wǎng)絡(luò)中的分布式計(jì)算資源和數(shù)據(jù)，在架構(gòu)層面實(shí)現(xiàn)通信連接和智能能力的融合。語(yǔ)義模型的訓(xùn)練過程是網(wǎng)絡(luò)中的單個(gè)設(shè)備無(wú)法承擔(dān)的，往往需要特定的訓(xùn)練中心來執(zhí)行。網(wǎng)絡(luò)針對(duì)特定的任務(wù)進(jìn)行模型的定制化處理，并基于用戶的請(qǐng)求，將語(yǔ)義模型傳輸給各個(gè)終端設(shè)備?；谠?邊-端3層網(wǎng)絡(luò)架構(gòu)，語(yǔ)義模型可實(shí)現(xiàn)多級(jí)分布式的緩存和管理，邊緣及終端也可基于本地信息進(jìn)行模型的微調(diào)，并將微調(diào)信息反饋到網(wǎng)絡(luò)，實(shí)現(xiàn)全局的更新。邊緣和設(shè)備根據(jù)模型流行度及用戶偏好提前緩存部分語(yǔ)義模型，終端設(shè)備之間也可以共享語(yǔ)義模型，這將實(shí)現(xiàn)模型及時(shí)獲取和緩存效率提升。聯(lián)邦學(xué)習(xí)是進(jìn)行模型分布式訓(xùn)練及更新的有效方式之一，設(shè)備之間通過參數(shù)交互進(jìn)行共同的模型優(yōu)化，保障了數(shù)據(jù)的隱私和安全。

模型選擇是適配網(wǎng)絡(luò)通信能力和節(jié)點(diǎn)算力的重要方式，即對(duì)相同功能且不同大小和精度的模型進(jìn)行選擇并傳輸。為了驗(yàn)證模型選擇及模型傳輸在語(yǔ)義通信中的優(yōu)勢(shì)，我們構(gòu)建了一個(gè)模型選擇與通信資源配置的聯(lián)合優(yōu)化方案。該方案提出了一個(gè)新的評(píng)估指標(biāo)，即模型有效性，其定義為模型傳輸成功率與語(yǔ)義恢復(fù)準(zhǔn)確率的乘積。其中，傳輸成功率被定義為模型在容忍時(shí)延內(nèi)傳輸至接收端的概率。在仿真驗(yàn)證中，主要參數(shù)設(shè)置為：對(duì)于相同功能的模型集合，對(duì)應(yīng)的恢復(fù)錯(cuò)誤率為{0.125, 0.150, 0.175, 0.100, 0.250, 0.300}，相應(yīng)的模型大小分別為{82.274 6, 46.671 9, 28.899 3, 19.079 4, 9.532 9,5.407 8} Mbit，上述參數(shù)由針對(duì)圖像傳輸?shù)恼Z(yǔ)義模型訓(xùn)練所得。如圖5所示，在給定通信資源的情況下，與固定模型大小和準(zhǔn)確度的方案對(duì)比，模型選擇和通信資源聯(lián)合配置可有效地提升語(yǔ)義模型的有效性。隨著用戶數(shù)增多，單用戶獲取的資源減少，所提方案可有效平衡模型大小與準(zhǔn)確度。上述研究的論文將于后續(xù)發(fā)表。為了實(shí)現(xiàn)模型驅(qū)動(dòng)的智簡(jiǎn)語(yǔ)義通信系統(tǒng)設(shè)計(jì)，一方面需要模型預(yù)處理，使其適配于終端設(shè)備；另一方面也需要針對(duì)模型傳輸進(jìn)行模型選擇和資源配置的聯(lián)合優(yōu)化，以增強(qiáng)總體網(wǎng)絡(luò)性能。

▲圖5 語(yǔ)義模型有效性隨用戶數(shù)的變化曲線

4 結(jié)束語(yǔ)

隨著元宇宙、智慧車聯(lián)網(wǎng)、新媒體等新場(chǎng)景和新業(yè)務(wù)的出現(xiàn)，智簡(jiǎn)語(yǔ)義通信對(duì)6G 關(guān)鍵服務(wù)起到重要的支撐作用。業(yè)界也正從不同的角度探索語(yǔ)義通信基礎(chǔ)理論及關(guān)鍵技術(shù)，并設(shè)計(jì)原型系統(tǒng)，以實(shí)現(xiàn)多類型信息的高效語(yǔ)義傳輸。依托人工智能與模型傳輸技術(shù)，智簡(jiǎn)語(yǔ)義通信將實(shí)現(xiàn)網(wǎng)元之間高效敏捷交互，有望成為6G的顛覆性技術(shù)之一。