移动通信技术与人工智能在各自的早期阶段有着鲜明的、各自独立的发展路线。移动通信技术从2G到5G的发展,工业界基本以3GPP(The3rdGenerationPartnershipProject)作为事实技术标准的一条主线进行演进,以ETSI(EuropeanTelecommunicationsStandardsInstitute),ITU(TheInternationalTelecommunicationUnion),O-RAN(OpenRANAlliance)等其他技术标准作为旁线补充。从2008年,以自组织网络SON(Self-OrganizingNetworks)技术作为一个显著标志,3GPP开始逐渐将人工智能理念引入移动通信网络的技术标准中。
A.人工智能的历史发展路线
人工智能技术的雏形最早出现在1956年,达特茅斯会议上提出了“人工智能”一词[13],同年ArthurSamuel提出了机器学习理论,如图1所示。20世纪70年代中叶,以仿生学为基础的研究学派逐渐火热,专家系统、神经网络等技术获得了高速发展[14]。在此之后,人们开始尝试研究具有通用性的人工智能程序,却遇到了严重的阻碍,陷入停滞而进入发展的“寒冬”期[15]。1997年,“深蓝”的成功让人工智能的发展又提上日程。随着算力的增加以及互联网普及带来的海量数据,人工智能的瓶颈被打破,为基于大数据的深度学习与增强学习提供了发展的可能。21世纪初期,人工智能技术的发展从“感知”走向“认知”,特别是在语音处理、本文分析、视频处理等深度学习技术方面取得重要进展。2012年,Hinton发表了一个设计精巧的卷积网络AlexNet[16],它在传统的卷积网络中加入了ReLU,Dropout处理方法,并将网络结构拓展到更大规模,极大降低了图像识别的错误率。自然语言处理NLP(NaturalLanguageProcessing)技术在2013年取得了重大进展,Hinton组使用了RNN(RecurrentNeuralNetwork)做语音识别的工作,图灵奖获得者YoshuaBengio在同一年提出了一种基于神经网络的语言模型word2vec用于文本分析,两种技术识别效果比传统方法显著提高。2014年诞生的生成对抗网络技术GAN(GenerativeAdversarialNetworks)受到学术、工业届的格外关注[17],最新的GAN算法在图像生成领域的逼真效果已经达到人眼难以分辨的程度。深度强化学习模型DQN(DeepQ-Network)于2015年发表在Nature杂志上,标志着强化学习与深度学习的里程碑[18]。2016年,结合了深度神经网络、强化学习、蒙特卡洛树搜索树的AlphaGo由谷歌DeepMind开发成功,并成功战胜多名围棋冠军。2018年底,谷歌发布一种双向语言模型BERT(BidirectionalEncoderRepresentationsfromTransformers)[19],这打开了深度学习在NLP应用的“潘多拉魔盒”,在业界引起了极大关注和广泛应用,成为NLP技术发展的一个重要阶段。2020年,Open-AI在GPT(GenerativePre-trainedTransformer)体系下,开发出拥有着1750亿的参数量的预训练模型GPT-3,成为了目前NLP领域最强的通用语言模型,在翻译,问答,文本填空等应用任务中表现出了接近人类的能力[20]。近五年来,数据隐私安全逐渐引起全球重视[21],数据孤岛效应成为阻碍大数据融合和人工智能发展的“绊脚石”,为了重建行业数据生态,2017年底,“联邦学习”技术由谷歌率先提出[22],以一种分布式加密机器学习的思想打破“数据孤岛”僵局。2018年,为了满足工业数据联合需求,微众银行提出了一种工业级的联邦学习框架FATE,实现了工业联邦学习的新范式。2020年底,工业联邦学习国际标准IEEEP3652.1发布,标志着行业“融智生态联盟”正式落地开启。
B.通信人工智能的历史发展路线
受算法、算力、需求等方面的影响,早期的移动通信系统例如AMPS,GSM等未涉及人工智能的应用。但基于数据模型和仿真的分析方法已经用于网络规划与优化。1968年,YoshihisaOkumura提出Okumura模型,基于实测数据对真实的无线信道进行数据建模与仿真,可以看作是移动通信系统早期应用数据科学算法的雏形[23]。1980年,MasaharuHata提出Hata模型,对Okumura模型进行优化[24]。如图1所示,1999年,3GPP正式把COSTWalfish-Ikegami等信道模型纳入到3G射频系统场景的规范中[25]。后期随着无线蜂窝技术的发展,涌现出更多的无线信道建模与仿真算法[26]-[28]。3GPP于2008年开始定义自组织网络SON功能[29][30],随后通信界开始探索各种人工智能算法对SON的应用。初期主要是利用遗传算法、进化算法、多目标优化算法等分布式优化算法对网络的覆盖和容量进行优化[31][32]。机器学习已被SON领域广为接纳用于网络实现自组织、自配置、自优化、自治愈的关键方法[33]。然而,通信人工智能真正的飞跃性发展始于2017年。2017年2月,3GPP服务和系统第二工作组SA2(Service&SystemAspectsWorkingGroup2)开始研究5G核心网的智能化网元:网络数据分析功能NWDAF(NetworkDataAnalyticsFunction)[34],例如用户设备UE(UserEquipment)级的移动性管理,如寻呼增强和基于UE移动性模式预测的连接管理增强等;5G服务质量QoS(QualityofService)增强,如用户QoS参数配置优化;网络负载优化,如基于网络性能预测的用户面功能UPF(UserPlaneFunction)选择等。同月,欧洲电信标准化协会ETSI成立了体验式网络智能ENI(ExperientialNetworkedIntelligence)工作组,专门研究体验式感知网络管理架构、用例、术语等[35]。2017年6月,中国通信标准化协会CCSA(ChinaCommunicationsStandardsAssociation)启动了人工智能在电信网络中的应用课题研究[36]。2018年2月,开放无线接入网络联盟O-RANAlliance(OpenRadioAccessNetworkAlliance)成立,开始制定无线人工智能的框架,用例,流程和接口规范[37]。2018年6月,3GPP无线接入网第三工作组RAN3(RadioAccessNetworkWorkingGroup3)开始研究无线侧的数据采集机制[38]。电信管理论坛TMForum(TelecomManagementForum)也开始了与人工智能相关的催化剂工作。2018年8月,3GPPSA5开始5GSON相关课题研究[39]。2018年10月,3GPPSA5开始人工智能研究,定义了一个新的管理面功能:管理数据分析功能MDAF(ManagementDataAnalyticFunction)[40]。2019年6月,国际电信联盟电信标准分局研究13组ITUTSG13(ITUTelecommunicationStandardizationSectorStudyGroup13)启动机器学习用例的研究[41]。同月,全球移动通讯系统协会GSMA(GlobalSystemforMobileCommunicationsAssociation)开始了智能自治网络案例的白皮书工作[42]。2020年6月,3GPPSA5开始启动网络自动化分级的研究课题[43]。同月,中国移动联合亚信科技首次在3GPPR17标准中正式引入联邦学习概念,形成联邦学习在5G领域的第一个全球国际标准[44]。2020年7月R16正式冻结之后,3GPPRAN3,,SA5针对新的R17版本将继续推进人工智能相关的NWDAF,MDAF,QoE(QualityofExperience)等标准化课题研究。