【AI学习】无线AI的问题和挑战

无线AI，即无线人工智能，是指内生于未来（6G）无线通信系统并通过无线架构、无线数据、无线算法和无线应用所呈现出来的新的人工智能技术体系。

最近一直在进行无线AI的调研，感觉真的是路漫漫其修远兮。业界有一些探索，但是感觉离商用还有很远的距离。分析的比较好的方面，都是关于挑战和问题的分析。这里摘录两段。

摘录一

《6G物理层AI关键技术白皮书》（2022年）中提到无线AI的挑战：

• 缺乏科学公开的数据集：不同研究机构采用的数据集并不统一，研究结果难以相互验证；
• 无线 AI 数据和应用具备自己独特的特征，如何将图像与语音处理领域的经典 AI 算法与无线数据以及无线领域专家知识进行有机融合尚不明确；
• 无线通信系统的显著特征之一是通信场景复杂多变（室内、室外、高铁等）与业务形式多样，如何让无线 AI 方案在有限算力前提下适用于多种通信场景与业务形式，是业界目前需要克服的重要挑战；
• 无线 AI 的链路级和系统级性能上界尚不明确，在综合考虑算力、功耗、数据集、信令开销等成本的前提下，AI 方案对比传统基于专家知识的设计是否有性能增益等重要问题还缺乏系统科学的分析与论证，这是无线 AI 未来标准化和产业化落地的先决条件。

摘录二

华为6G研究团队在《面向深度学习的联合消息传递与自编码器》中，提到自编码架构的全局收发机面临的主要问题：
问题一：基于随机梯度下降法，使用反向传播算法训练自编码器，需要一个或多个可微信道模型层，用于连接发射机的深度神经层和接收机的深度神经层。由于真实信道必须包含很多非线性分量（如数字或模拟的预失真与转换），又涉及上采样、下采样等不可微阶段，因此收发机深度神经层训练出来的模型是基于构造的信道而非真实信道。在真实信道场景下，这样得到的模型可能会在推理阶段带来性能损失。
问题二：所有隐藏层或中间层均根据输入信号的后验概率进行训练。在自编码器全局收发机中，接收机深度神经层的第一层是一个中间层，该中间层的输入信号易受当前信道失真的影响。这种影响会不可避免地渗透到接收机的所有深度神经层。如果信道变化的程度大到超出了训练期望，会导致接收机在推理阶段失效。
问题三：神经层之间缺乏可解释性，无法获知哪些神经元以及神经层之间的哪些连接会有效影响最终的学习准确度。 Goodfellow等人举了一个深度神经网络分类器的例子，虽然该分类器通过非噪声图像完成了良好的训练，但仍可能将带噪声的熊猫图像误判为长臂猿。这个例子表明，基于深度神经网络的分类器进行最终决策时，很大程度上依赖于一些“关键路径”（指熊猫图像中的部分像素，也称为“局部特征”）。如果关键路径完好无损，就能做出正确的分类；如果关键路径受到干扰，则会做出错误的分类。同时，这种由噪声导致的分类误判，只是在存在加性随机噪声的前提下出现的偶发情况，这表明深度神经网络依赖于这样一种假设——即 “关键路径”经过噪声信道处理后仍然保持完好。深度神经网络易受加性随机噪声的影响，这对它在无线收发机设计中的应用几乎是致命打击。
这三个问题的本质可以归结为同一个核心问题，即面临无线信道的随机变化时，深度神经网络的泛化性能太差。没有任何模型（即便是十分优越的信道模型）能够完全捕获无线电传播的所有可能场景，因此分布外（Out-of-Distribution， OOD）样本或离群点的处理是自编码器始终要面对的现实问题。
更糟糕的是，针对这些问题的现有解决方案还面临许多阻碍，因为所提出的解决方案必须满足无线通信设备和基础设施的低能耗、低时延、低开销等实际要求。一方面，在动态环境中，自编码器收发机对自身进行累加、增强以及重训练的成本过高；另一方面，进行累加、增强和重训练的整个过程本身也违反了深度神经网络的“Once-for-All”策略——即一次学习、长期有效，进而无法很好地满足现实需要和能耗要求。

AI在无线通信应用的问题和挑战

通过一段时间的调研，个人总结的AI在无线移动通信应用的一些主要挑战：

• 数据集：从IT领域看，评价指标与数据集强相关；通信领域缺乏公开的业界普遍认可的数据集，一方面限制了AI技术的探索，更重要的是对于性能评估缺乏可信的评估依据。而对于无线通信来说，要建立无线信道的数据集，可谓成本巨大。
• 模型应用：从目前通信界的AI应用来看，基本上还是基于AI已有模型的应用，很多就是借用图像处理的模型架构，主要是模型架构的微小调整、参数调优和代价函数的调整等，没有根据无线信道环境、无线网络架构等通信本身的特点，对模型本身进行针对性优化或者建立新的模型架构。
• 应用泛化性：虽然AI在无线通信的应用有大量的探索，对比传统通信体现了一定优势，但是普遍存在应用的泛化问题，无线信道环境和场景的复杂度，使得这个问题尤其突出。
• 设计难度：从实践来看，AI的落地会牵扯多个网元，牵一发动全身，涉及方面甚多，甚至牵扯到整个应用架构和流程的调整，需要顶层设计，已经远超出AI本身的问题。
• 性价比：针对目前通信业务的发展，5G尚未出现杀手级应用，总体5G网络的资源利用率非常的低，导致通信的传统技术中的很多复杂技术尚无用武之地，更先进的AI技术本身又带来进一步的复杂性，边际效用十分有限。通信的传统技术，比如ML接收机，由于复杂度高，所以很难商用，再比如信道译码器，也是考虑实现产品性价比，在商用产品中没有采用可以接近理论性能的高复杂度方案，而由于5G网络本身的使用率低，大量先进算法无用武之地，比如需要网络负载很高才能体现性能的移动性管理、无线资源管理等算法。
• 产业链：从AI的应用来看，AI应用的产业链较长，存在与已有的模式融合、芯片的产业进展、互联互通、模型可信评价机制等等；另一方面，AI的技术还在快速迭代，通信网络的升级换代成本高昂、需要稳定性，如何权衡两者之间的平衡是一个牵扯方面众多的难题
• 盈利模式：从目前大量AI应用落地看，广泛的应用动力是节省人力，比如图像处理、代码生成器、智能客服等，可以在产品开发和维护环节大量节省人力；另外一方面，最大的盈利方来自贴近用户的流量入口的企业，比如互联网厂家的推荐系统，Adobe和微软，以及终端的智能助手等类似应用。基站设备的盈利模式？基站的AI应用，如何能顺应用户的行为模式又让用户感受到感知提升？