每个成功的技术浪潮似乎都经历了一个兴奋的高峰,接着是失望的低谷,最后达到一个稳定的、富有成效的成功阶段。AI/ML也不例外,因此我们有必要区分炒作与现实,并帮助剥开层层迷雾。
首先,需要认识到在无线蜂窝网络中使用AI/ML并不是新鲜事。这已经是一个持续多年的工作进程,许多白皮书中记录了其演进。包括:3GPP技术趋势、移动通信网络中的能源效率和可持续性以及移动网络演进的现状。
确实,第三代合作伙伴计划(3GPP)一直在努力制定规范,以进一步将AI/ML集成到5G(以及即将到来的5G-Advanced)网络中。随着无线蜂窝网络准备利用最新的人工智能进展,出色的工作仍在继续。
在传统的AI/ML应用于无线蜂窝网络时,努力主要集中在几个关键领域,在这些领域中智能分类和回归非常有用,包括:
网络优化 通过自组织网络(SONs),AI算法可以实时动态调整网络参数,提升性能和效率。此外,AI还被用于预测性维护,可以在问题出现之前预测设备故障或确定需要维护的时机,从而最小化停机时间并提高服务可靠性。
增强性能 通过流量预测和管理,ML模型分析流量模式以预测需求激增并相应调整网络资源。然后自动进行资源分配,动态分配带宽和其他网络资源到最需要的地方,为高需求应用(如流媒体、游戏和虚拟现实)优化性能。在5G边缘自动化和智能化中,我们研究了ML模型如何帮助提升5G边缘网络的性能。
改进安全性 通过异常检测,AI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不寻常模式,如DDoS攻击或未经授权的访问尝试。此外,AI和ML可以增强安全协议,包括开发更安全的生物识别认证方法以及检测网络基础设施中的漏洞。
网络切片 AI可以帮助网络切片,这种网络能力允许运营商在单一物理基础设施上创建具有不同特征的多个虚拟网络。这对于支持从低数据需求的物联网设备到高带宽应用(如4K视频流)等各种应用至关重要,它们对延迟、速度和可靠性有特定要求。
增强用户体验 即使没有网络切片,AI也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,确保各种应用和服务的最佳服务水平。AI与预测分析一起使用,评估用户行为和设备性能数据,以帮助预测用户需求并相应调整服务,从而增强用户体验。
然而,随着生成式AI的出现,机器智能的应用方式被彻底颠覆。生成式AI正迅速席卷整个行业。那么,什么是生成式AI?它与“常规”AI和机器学习有何不同?
生成式AI的特点是专注于创建新的、原创内容,这些内容模仿人类生成的数据,而不仅仅是基于现有数据进行解释或预测。利用生成对抗网络(GANs)、变分自编码器(VAEs)和transformer model 等模型,生成式AI学习数据的底层分布,以产生看似原始数据集一部分的新实例。这与传统的AI/ML主要使用判别模型进行分类和回归任务、专注于理解模式并基于输入数据做出决策形成对比。因此,生成式AI在内容创作、数据增强和仿真中提供了创新的应用,扩展了AI技术的创意和实际可能性。
生成对抗网络(GANs)由Ian Goodfellow及其同事在2014年提出,代表了AI系统生成逼真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,通过对抗过程同时训练,以产生高度逼真的图像或其他类型的数据。
与GANs同时期,变分自编码器(VAEs)作为另一种数据生成方法被开发出来。VAEs基于编码和解码数据的原理,提供了学习深层潜变量模型和生成新数据样本的框架。
2017年,Vaswani等人提出的transformer model ,为生成式AI在自然语言处理中的重大进展铺平了道路。生成预训练变压器(GPT)是OpenAI在2018年推出的,及其后续版本,展示了生成连贯且符合上下文的文本的卓越能力,使其成为现代生成式AI在自然语言领域的基石。
生成式AI,特别是通过大型语言模型(LLMs),为无线蜂窝网络运营商提供了变革性潜力,能够实现复杂的自然语言处理功能。例如,无线蜂窝网络运营商可以利用LLMs创建高级聊天机器人以用于客户支持,显著增强用户体验。这些聊天机器人可以理解和处理自然语言中的客户查询,提供即时、准确的响应和解决方案。一个场景可能如下:
场景: 客户在其移动设备上遇到连接问题。
聊天机器人互动:
客户:“我的手机无法连接到互联网。”
聊天机器人:“我来帮您。我们来尝试几个步骤。首先,请检查您的移动数据是否开启?您可以在‘连接’下的设置中找到这一选项。”
客户:“开着呢,但还是不行。”
聊天机器人:“好的,请尝试打开并关闭‘飞行模式’。这有时可以刷新您的连接。”
客户:“好了,谢谢!”
另一个不太明显但可能更强大的例子是大型语言模型(LLMs)在显著改变无线蜂窝网络运营商管理和重新编程网络操作的方式。通过集成自然语言处理功能,这些模型可以解释人类命令或查询并将其转换为可操作的技术指令或配置。以下是在重新编程网络操作中的应用示例:
场景: 网络运营商需要重新配置部分网络以提升性能、解决拥塞或部署新服务。
过程:
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51区的带宽分配增加20%,以应对使用量的增加。”
解释和翻译: LLM解释命令意图并将其翻译成特定的网络配置命令或脚本,网络管理系统可以理解这些命令。
自动执行: 这些命令自动在相关的网络元素上执行,按照指示调整配置,无需人工干预。
确认和反馈: 系统通过LLM生成自然语言的确认消息,例如“51区的带宽分配在高峰时段已成功增加20%。”
以上两个例子仅仅是生成式AI在今天的无线蜂窝网络中可以实现的一小部分。在博客系列的下一部分中,我将探讨生成式AI对5G和未来无线蜂窝网络的潜在影响,包括网络规划和部署、无线接入网络(RAN)配置以及频谱管理等方面。