王江舟院士：人工智能是未來移動通信優化最有效的辦法
更多精彩內容，請關注 《2022本站未來大會》專題報道
王江舟：人工智能應用於６G移動通信（來源：本站科技）
12月19日-23日，2022本站未來大會盛大舉行。2022本站未來大會全新升級爲“未來周”，囊括三天的思想之夜和兩天的峰會，包括思想之夜、創新力論壇、元宇宙論壇、內容力論壇、智美之夜F·F盛典。
在創新力論壇上，國際著名通信專家、英國皇家工程院院士、IEEE Fellow王江舟表示，理想是很美好，但現實很骨幹，5G的應用目前是比較少，尤其是工業方面的應用，原因在於還不能解決非常小的端到端延遲。他提到，“沒有人工智能就沒有未來通信的發展，人工智能將是未來移動通信優化最有效的辦法。”
以下是王江舟院士演講實錄：
非常感謝。線上和線下的各位嘉賓，大家好！我叫王江舟，很榮幸有這個機會和大家彙報我們的研究工作。我今天要報告的題目是《未來的變革：人工智能應用於6G移動通信》。
我想從下面這幾個方面進行彙報：首先介紹一下移動通信的演進，然後再解釋一下爲什麼需要人工智能，之後再彙報一下最近的研究結果，最後給一個簡單的結論。
我們來到移動通信的演進，移動通信的2G、3G、4G、5G，移動通信每十年一代，我們現在是在5G，我們國家已經鋪了220萬個基站，移動通信發展非常快速，現在是每個人一部手機，有的甚至2部、3部，特別是做市場、做銷售的。但5G移動通信應用還比較少，尤其是工業方面的應用。
爲什麼5G應用比較少呢？主要是因爲目前5G的技術指標還達不到行業應用的要求。我們把一代十年分成兩個5年的話，我們現在是第一個5年，所以第一個5年應用會比較少，但第二個5年應用會慢慢多起來。移動通信其實有很多個應用，尤其是垂直行業的應用，最近我想和大家介紹3個應用例子：
案例1，自動駕駛/車聯網。以後的車子會安裝一些傳感器，感知車子附近的行人，還有其他的車子，還有障礙物。感知數據進行處理，然後再採取行動。在這個例子裡很重要一點，處理數據、採取行動，整個過程要非常快速，延遲不能大，要毫秒級的，所以這個東西延遲要求非常高。
案例2，元宇宙，以後人生活在虛擬世界裡。我們現在是現實世界，虛擬世界裡戴上一個眼鏡，虛擬世界可以玩遊戲。元宇宙的全息數據非常高，而且延遲非常小。
案例3，工業物聯網/自動化。我前一陣子與國內一位很知名的自動化專家交流5G的應用，他有一個很大的實驗室，在測試5G系統的應用，他就說5G應用很困難的，用到自動化，不但延遲大，延遲還抖動。
從這三個應用例子我們得出一個結論，5G或者以後的6G，它應用很重要的一個技術要求就是延遲要小，非常小的延遲。現在是5G的時代，每一代是10年，1G到5G很重要的技術就是蜂窩技術，把很大的地區分成很多小的蜂窩，小區。然後每個小區都有一個基站，這個基站就覆蓋小區信號的發送、接收、控制，很多事情都是小區基站在完成，大家能看到很多基站在外面。
但這種蜂窩技術已經到了一個瓶頸。比如5G系統，這裡有一個例子，這兩個小區有兩個基站，這兩個基站服務這兩個用戶，這兩個終端用戶就在兩個小區邊界的地方。上面的用戶是跟上面的基站聯繫，下面的用戶和下面的基站聯繫。但有一個問題在什麼呢，就是5G有一個頻率複用因子1，這個頻譜在所有小區都是重複使用。如果說這兩個基站分別的頻率是一樣的，對這兩個終端用戶，怎麼辦呢？上面的基站發信號給上面的用戶，下面這個用戶也收到，它的頻率是一樣的，這樣會造成很大的干擾。我就請教一個運營商專家，這種情況怎麼解決，他的回答是5G現在沒法解決這種情況，這就是基站之間是不協作，各自爲政，沒有一個共同的東西來協作各個基站的優化、資源分配。
以後到6G我們怎麼辦呢？還採用這種蜂窩的概念，來做這個東西嗎？假設我們的6G會採用不同的概念，我們不要蜂窩，不要基站，可行不可行？
左邊這個圖就顯示了蜂窩的概念，我們有很多基站，三個基站，基站就有很多天線，它形成波束對接用戶。右邊這個圖沒有天線，天線分佈在整個小區。可以看到這個天線與終端用戶距離很近，不像現在我們發送信號、接收信號都是和基站聯繫，以後就不是這樣，和遠端天線單元聯繫。這種應用結構會減少用戶和基站天線之間距離，提高能量效率和頻率效率。還有這種結構是分佈式的結構，會形成多節點協作，因爲終端用戶可以和多個遠端節點進行聯繫。傳統的無蜂窩技術有很多，遠端天線拉出去，有一個小區和終端用戶很近，還有所有信號都要送到雲端進行處理。大家知道雲端比較遠的，傳輸距離延遲會比較長，所以原始的結構也有一個問題，延遲大。遠端的結構都要通過光纖和雲計算中心進行聯繫，對光纖形成比較大壓力。這種結構特點是分佈式結構，我們就看看這麼一個圖，遠端天線單元可以布在大樓的牆邊上，或者電線杆上，很方便佈局，它和用戶之間的距離很短很短的，通過波束進行傳。
原始的結構有兩個問題：延遲比較大、前傳壓力大。我們要進行改進，把雲計算中心功能下沉，下沉到邊緣。還有就是雲計算中心處理很多遠端天線單元，比如幾百個，幾千個，那也不大現實。比如我們國家有幾千個縣，如果中央政府都是直接管幾千個縣，管不過來，所以在中央政府和縣之間再加一層管理，就是省政府。由省政府直接管各個縣，那中央就管省政府，它的道理是一樣的。這種結構，我們就引入分佈式單元結構，在分佈式單元結構引入邊緣計算和邊緣緩存，有云計算的這些功能，計算下沉到邊緣上，還要緩存到邊緣，好處是減少前傳開銷，延遲比較小。
很重要的一個工作，我們怎麼優化無蜂窩的網絡結構呢？如果我們採用傳統優化辦法，怎麼分配資源，怎麼確定遠端的單元和用戶之間的互聯，這樣可以達到延遲最小，或者容量最大。但如果採用傳統的優化辦法，它非常複雜，用戶平方分佈式單元在指數呈正比，它是非常複雜。如果用戶數很大，無法優化這個網絡，完全無法做。我們知道多中心應用延遲是毫秒級的，如果說要優化花很長時間，應用沒有辦法做，所以我們是不是要考慮採用人工智能的技術來優化。
關於人工智能，我想舉一個非常簡單的例子，這就是人工智能機器人跟世界冠軍下圍棋，幾年前下圍棋，下3盤，機器人贏了3盤，世界冠軍輸了3盤。爲什麼？因爲機器人下圍棋是基於很大的數據庫，幾百萬個棋譜，然後從幾百萬個棋譜數據庫裡預測挖掘，然後形成一個最佳的下法。機器人下圍棋不會犯錯，它下的辦法一定是最好的，或者是次好的，絕對不會下錯棋。人是感性的，即使是世界冠軍，他有時候也會下錯棋，下100步，99步是好的，1步是臭棋，被機器人一下抓住，他肯定會輸掉。
人工智能能不能用於通信裡呢？什麼是人工智能，人工智能就是預測，我們有一個數據庫。比如這個圖X和Y之間有一個數據，但不知道Y和X之間的函數關係，不知道F（x）。有一個數據，如果再給一個X，能不能去挖一挖。我們採用人工智能機器學習，從數據庫裡預測出函數F，有函數F了，再給一個X值，Y很容易算出來，我知道這個函數，直接就算出來了，這是一維的。二維的Y和F和x、t之間的關係也是一樣，所以人工智能機器學習是離散訓練+簡單預測。
機器學習人工智能有三個基本的方法：監督學習，我們給機器一個數據庫，告訴機器怎麼訓練；無監督學習，給計算機一個數據庫，然後讓計算機自己去訓練，自己去完成任務；強化學習，沒有數據庫給機器，就像下圍棋一樣沒有數據庫，機器一邊做一邊學，然後形成一個經驗，形成自己的數據庫，事先不給數據庫的，一邊做一邊學，這就是強化學習。
這三個方法應用到現實裡，最好的方法就是強化學習，我們在現實裡很多情況都是沒有數據庫的，所以要應用到通信裡最好的方法就是強化學習。尤其是深度強化學習，因爲我們在現實場景裡都是非常複雜的，在這麼複雜的應用場景裡要訓練出它的規律，通常都是要挖掘，深度的挖掘，深度強化學習。
深度強化學習主要是三個關鍵要素：狀態、行動、獎勵。就像我們玩遊戲一樣的，根據當時遊戲的狀態，然後玩一下，玩的好有一個獎勵，得1分，然後把所有的分加一塊就是玩遊戲的好壞，它是類似的。深度強化學習，我們要考慮三個要素，這三個要素幾年前Google公司基於AlphaGo下圍棋，它就提出雙深度學習算法DDQN，有一個仿真的網絡，有一個目標網絡。仿真網絡跟目標網絡差別最小化，然後形成算法。但這種算法沒有考慮到多智能器的情況，也就是分佈式結構。我們就在這麼一個情況下提出用分佈式的結構，讓分佈式的智能器相互之間合作，交換經驗信息，然後就訓練出一個結果。
下面我想給大家一個非常簡單的結果，仿真的結果。這裡有三個曲線，上面是最佳的算法，綠色是我們改進的算法，紅色是Google的算法，可以看到訓練的性能是非常好的。
給大家一個非常簡單的結論，理想是很美好，但現實很骨幹，5G的應用目前是比較少，尤其是工業方面的應用，我們希望5G後幾年會有些應用。以後6G移動通信是很重要的網絡結構，因爲要對付這些行業應用，我們必須提供非常小的端到端延遲，否則行業應用談不上的。沒有人工智能就沒有未來通信的發展，這是我的理解。爲什麼？因爲網絡太複雜了，全套的方法沒有辦法優化，所以人工智能是未來移動通信優化最有效的辦法。
謝謝大家！