毒科技说篇七：5G + AI：推动明天技术创新的要素

5G和AI是数十年来世界上最具破坏性的两项技术。虽然每个人都在各自为行业带来革命，并带来新的体验，但5G和AI的结合将真正实现变革。实际上，这种交叉点是我们对智能无线边缘愿景的基础，在该愿景中，设备上处理，边缘云和5G齐头并进，以创建无处不在的智能设备和服务的连接结构。

无论是通过设备上的AI处理还是通过边缘云在低延迟5G上进行的附加处理，大量数据都将在更接近其来源的位置进行处理。通过设备上的AI处理离源更近的数据非常重要，因为它除了有助于扩展智能之外，还提供了诸如隐私，个性化和可靠性等关键优势。

图1：智能无线优势充分发挥了5G的潜力，并提供了许多好处。

智能无线边缘不仅将增强现有用例，而且还可以启用新的用例和垂直领域。在此博客文章中，我们将分享有关AI如何使5G更好，5G如何使AI体验更好，以及如何通过无线进行分布式学习的想法。

AI正在网络和设备上使5G变得更好

将AI应用于5G网络和设备将带来更高效的无线通信，更长的电池寿命和增强的用户体验。人工智能是一种功能强大的工具，而利用人工智能来改善无线功能的关键是将重点放在重要的无线挑战上，这些挑战既难以用传统方法解决，也非常适合机器学习。需要深入的无线领域知识才能知道在哪里使用AI的功能。凭借我们在无线和AI领域的长期研究，该领域知识正适合Qualcomm Technologies的优势。

无线行业的许多话题都围绕AI如何使5G网络变得更好而进行。很明显，人工智能将对5G网络管理的几个关键领域产生重大影响-例如提高服务质量，简化部署，提高网络效率和改善网络安全性。例如，通过检测异常的频谱使用情况，AI可以用于检测网络流量异常，例如洪泛或模拟。

图2：AI支持智能5G网络管理。

关于设备上的AI如何改善5G端到端系统的讨论较少。无线电意识是AI如何改善5G的核心，因为机器学习而不是手工算法是使设备周围复杂的RF信号变得有意义的理想工具。增强的无线电意识可以实现各种改进，例如增强的设备体验，改进的系统性能和更好的无线电安全性。

图3：设备上的AI改进了5G端到端系统。

5G使AI驱动的体验更好

5G的低延迟和高容量也将使AI处理能够在设备，边缘云和中央云之间分布，从而为各种新的和增强的体验提供灵活的系统解决方案。这种无线边缘架构具有适应性，并且可以根据每个用例进行适当的权衡。例如，性能和经济权衡可能有助于确定如何分配工作负载以达到特定应用程序所需的等待时间或计算要求。

我们看到5G在通过无限XR进行个性化零售，通过大大改进的语音UI进行直观的虚拟助手以及通过自适应优化实现未来可重新配置的工厂等场景中提供了更好的AI增强体验。

让我们想象一下将来购物和零售的样子。借助无限XR，可以通过低延迟5G链路在设备和边缘云之间分配渲染和AI处理工作负载。逛橱窗时（图4），我们设想了一种个性化的购物体验，您所看到的一切都对您很感兴趣–不管是看符合您的品味的衣服，对特定销售的兴趣还是即将到来的生日礼物–使您的购物体验更具吸引力，更具生产力和效率。

图4：通过无限的AR进行个性化购物。

一种新的计算范例：无线分布式学习

为了扩展和理解数字化世界，我们需要超越以云为中心的AI的概念。今天，由于proli，我们看到了部分分布式的AI 高效节能的设备上AI推理，可让设备在将数据传递到云进行汇总分析之前对其进行优化。设备上AI的下一步是超越推理本身，并在设备上进行培训。未来，我们将看到具有终生设备学习功能的完全分布式AI，从而可以实现具有隐私保护的下一个个性化水平。我们怎么去那里？

图5：具有终身学习功能的全分布式AI是未来。

通过5G进行分布式学习是将培训扩展到云之外的方法。让我们逐步了解如何在高水平上进行工作。第一步是中央云或边缘云将最新的全局AI模型发送到设备。接下来，每个设备都收集个人数据并执行设备上的培训（请参见图6）。大规模培训的计算量非常大，这就是为什么到目前为止一直在云中进行。通过对较小的数据集进行小型培训，工作量变得更易于管理。另外，随着算法和软件的改进，设备上的AI功能也呈指数增长。

图6：5G上的分布式学习（第1部分，共2部分）。

设备上培训具有三个非常重要的好处，这些好处将导致AI的广泛采用：

规模：通过将处理过程分散在许多设备（例如数百万智能手机）上，我们可以利用大量的计算能力。

个性化：将您自己的数据用于设备培训，从而可以自定义AI模型学习。

隐私：原始数据永远不会离开您的设备去云。通过在设备上使用数据进行培训，您可以提取数据的价值并保护隐私。

下一步是迭代地改进最新的全球AI模型。如果不将原始数据发送到云，问题就变成了我们如何在继续保持隐私的同时改善全球AI模型？我们通过在AI模型的参数中添加噪声以混淆数据，压缩参数，加密压缩后的模型，最后将更新发送到云来实现此目的。然后，云根据来自所有设备的输入来更新AI模型，然后将改进的AI模型发送到设备（请参见图7）。该循环不断迭代，以使AI模型不断完善。

图6：5G上的分布式学习（第2部分，共2部分）。