多品牌AI融合：探索无线网络中多厂商AI的协同创新价值

引领未来！多品牌AI融合，开启无线网络智能革命

　　 我们展示了AI模型在多种物理环境下的鲁棒性，结果显示与3GPP Type I CSI反馈相比，我们测得的吞吐量提高了15%到95%。此外，我们还展示了序列学习的灵活性，该方法支持网络解码器优先或终端编码器优先的训练模式。

　　 高通技术公司与诺基亚贝尔实验室继续展开合作，共同展示了多厂商AI在无线网络中的互操作性优势。在2024年世界移动通信大会（MWC2024）上，我们首次展示了基于AI的信道状态反馈编码器和解码器模型的OTA互操作性测试，这些模型分别在采用高通5G调制解调器及射频系统的参考移动设备以及诺基亚原型基站上运行。

　　 通过一种名为“序列学习”的新技术，多家公司在开发这些可互操作的AI模型方面取得了显著进展。这种方法允许不同公司共同设计出可以无缝协作的AI系统，而无需透露各自的专有技术细节。它们只需共享用于训练的数据集中的输入与输出对，这样就能够在保护商业机密的同时推动技术创新。这不仅是一种巧妙平衡隐私保护与合作发展的新策略，也预示着未来AI领域内更加开放和协作的趋势。 这种做法展示了在复杂技术领域内，如何通过创新的方式解决数据共享与知识产权保护之间的矛盾。同时，这也为其他行业提供了一个良好的范例，说明即使在高度竞争的环境中，也能找到促进共同进步的方法。

　　 通过这一概念验证，我们将继续携手合作，展现可互操作AI在信道状态反馈（ChannelStateFeedback, CSF）方面的价值、灵活性和可扩展性。

　　 无线AI在不同物理环境下的鲁棒性

　　 随着AI技术在实际网络中的部署，确保模型在各种环境下都能稳健运行变得越来越重要。训练数据集需要具备足够的多样性，以使AI模型能够有效地学习；然而，想要覆盖所有可能的场景并不现实。因此，提高模型的泛化能力，使其能够在新的情况下也能表现良好，就显得尤为关键。在我们的合作项目中，我们考察了三个不同的基站站点：一个位于郊区的室外位置（室外站点）以及两个室内环境（室内站点1和室内站点2）。 在我看来，AI技术的发展和应用不仅要求我们在训练阶段充分考虑到数据的多样性和代表性，还必须注重模型的泛化能力和适应性。这不仅能帮助我们更好地理解和解决实际应用场景中的复杂问题，还能进一步推动AI技术向更广泛领域的发展。通过这样的研究，我们可以为未来的AI部署提供更加坚实的基础，并且促进AI技术在更多实际场景中的广泛应用。

　　 在首个场景中，我们对比了利用多元数据集训练的通用AI模型与专为特定地点定制的超本地化模型的表现。如下图所示，在室外站点和室内站点1测得的平均吞吐量情况有所体现。由此可见，通用AI模型在各种环境中均能表现出色，不逊于超本地化模型。

　　 图1. 通用模型 vs. 超本地化AI模型实现的平均吞吐量（Mbps）

　　 随后，经过对通用模型进行针对性调整以接入室内站点2的数据后，我们在该站点内四个不同的位置进行了用户数据吞吐量的测试。结果显示，在所有测试场景中，通用模型与调整后的通用模型之间的性能差异均控制在1%以内。这表明，即使是在新的应用场景下，通用模型依然表现出高度的稳健性和可靠性。 这样的结果令人鼓舞，说明该通用模型具有较强的适应性，能够在不牺牲性能的前提下，快速适应新的环境条件。这不仅增强了我们对该模型在未来应用中的信心，也为其在更多复杂场景下的应用提供了坚实的基础。未来，我们期待看到该模型能够进一步优化，以应对更加多样化的使用场景，并在实际部署中发挥更大的作用。

　　 图2. 通用 vs. 调整后的通用模型实现的平均吞吐量（Mbps）

　　 相比波束网格反馈实现的吞吐量增益

　　 AI增强的CSF技术使网络能够以更加精准的波束模式进行传输，从而提升接收信号的强度，降低干扰，最终实现更高的数据吞吐量。我们通过记录移动用户在站点内部不同位置移动时的数据吞吐量，对比了基于AI反馈和基于波束网格反馈（3GPP Type I）的性能表现，以此来评估这种技术改进的效果。

　　 根据条形图显示的数据，利用AI反馈确实提高了系统的吞吐量，每个位置的增益范围从15%到95%不等。在实际商用系统中，AI增强后的吞吐量增益将受到多种因素的影响。然而，这项概念验证的研究结果与大量的模拟研究一致，表明通过AI技术提升的吞吐量始终会超过传统方法所能达到的水平。 从这个角度来看，AI技术的应用不仅展示了其在提高系统性能方面的潜力，而且也证明了其在应对复杂环境挑战时的灵活性和适应性。这无疑为未来通信系统的发展指明了一条新的路径，使得我们有理由对未来的网络性能抱有更高的期待。

　　 图3. 相比Type I反馈在室外和室内测试中的增益百分比

　　 网络解码器优先序列学习

　　 序列学习可以通过两种方式进行，终端编码器优先（device encoder-first）或网络解码器优先（network decoder-first），二者在部署和标准化方面具有不同的影响。为了顺应3GPP对解码器优先方式与日俱增的关注，今年我们将原本的编码器优先演示替换成了解码器优先模型训练。

　　 在MWC2024上展示的编码器优先方法中，高通技术公司开发了编码器模型，并创建了一组输入/输出对的训练数据集，随后将该数据集分享给了诺基亚，后者据此设计了一个可互操作的解码器。今年，采用解码器优先的方法，诺基亚负责设计解码器模型，并生成了解码器输入/输出对的训练数据集，供高通技术公司用来设计一个可互操作的编码器。研究结果显示，通过这两种模式设计出来的模型性能相当，差距仅在几个百分点之内。 （当前时间为2025年02月）

　　 总结

　　 高通技术公司与诺基亚贝尔实验室合作开发的原型系统是AI增强通信从理论迈向实践的重要里程碑。结果显示，采用多样化的学习模式，能够稳定且显著地改善用户体验。随着我们在设计可互操作的多供应商AI系统方面不断积累经验，我们将能够实现更高的容量、更强的可靠性和更低的能耗。

　　 这篇博客也于2025年2月26日在诺基亚官网上发布

　　 深入了解高通无线技术研究

　　 查阅最新MWC巴塞罗那2025无线创新博客文章

　　 访问全新高通6G技术研究网站

　　 高通及其旗下各个品牌的产品均为高通技术公司和/或其子公司的出品。

　　 本文作者

　　 Carl Nuzman

　　 诺基亚贝尔实验室院士

　　 王任秋（Rachel Wang）

　　 高通技术公司主任工程师