展示可互通的多廠商 AI 在無線網路中的價值
前言：
作者：
諾基亞貝爾實驗室研究員Carl Nuzman
高通技術公司主任工程師Rachel Wang
高通技術公司與諾基亞貝爾實驗室（Nokia Bell Labs）持續合作，展示可互通的多廠商 AI 在無線網路中的價值。在2024年世界行動通訊大會（MWC ）上，我們首次展示了AI增強頻道狀態回饋編碼器與解碼器模型的OTA（over-the-air）互通性，這些模型分別運行於搭載高通技術公司5G數據機射頻系統的參考行動裝置和諾基亞的原型基地台中。
這些可互通的模型是由兩家公司使用稱為「序列學習」的全新技術開發而成。透過序列學習，多家公司能夠共同設計可互通的AI模型，而無需共享各自實作的專屬細節，公司之間共享模型輸入／輸出配對的訓練資料集即可。
在此概念驗證的基礎上，我們持續合作，進一步展示可互通 AI 在頻道狀態回饋（channel state feedback，CSF）方面的價值、彈性與可擴展性。
前往觀看影片▶
無線AI在不同物理環境中的穩定性
隨著AI技術在實際網路中部署，確保模型在各種環境下穩定運行極為重要。訓練資料集應具備足夠的多樣性，以確保AI模型有效學習；然而，讓資料集涵蓋所有可能的情境是不切實際的。因此，將訓練結果普遍化以因應新情境，對AI模型是非常關鍵的。在雙方研究中，我們分析了三種截然不同的基地台環境：一個戶外的郊區地點（戶外場地），以及兩種不同的室內環境（室內場地1和室內場地2）。
在第一種情境中，我們對使用多樣化資料集訓練的通用AI模型，與在特定地點訓練的超本地（hyper-local）模型進行了效能比較。下圖總結了在戶外場地和室內場地1所測得的平均傳輸量。從結果可以看出，通用AI模型在不同環境中運行時，其效能與超本地模型相當。
圖 1：通用模型vs.超本地AI模型實現的平均傳輸量（Mbps）
隨後，我們對通用模型進行調整，加入來自「室內場地2」（即調整後的通用模型）的資料。接著，我們在室內場地2的四個不同位置測量用戶資料傳輸量。如圖中所示，通用模型在所有測試情境下的表現與調整後的通用模型差異在1%以內，展現了通用模型在新環境中的穩定性。
圖 2：通用模型vs.調整後的通用模型實現的平均傳輸量（Mbps）
藉由標準固定波束族回饋的傳輸量增益
AI 增強的頻道狀態回饋（channel state feedback，CSF）使網路能夠以更精確的波束模式進行傳輸，進而提升接收訊號強度、降低干擾，並最終提供更高的資料傳輸量。我們透過記錄行動裝置使用者在基地台不同位置移動時，分別基於AI的回饋與以標準固定波束族為主的回饋（3GPP Type I）所實現的資料傳輸量，以此測量效能提升。
如以下長條圖所示，採用AI回饋可實現更高的傳輸量，每個位置的傳輸量增益從15% 至 95%。在實際商業系統中，AI增強CSF下所觀察到的傳輸量增益，將取決於多種因素。然而，這項概念驗證的結果以及多項模擬研究均顯示，透過AI增強實現的傳輸量能持續優於透過傳統方法實現的傳輸量。
圖 3：相較Type I在戶外與室內測試中的增益百分比
網路端解碼器優先的序列學習
序列學習可以透過兩種方式進行：裝置端編碼器優先（device encoder-first）或網路端解碼器優先（network decoder-first），這兩種方法在部署和標準化方面具有不同的影響。為了支援3GPP對解碼器優先方法日益增加的關注，今年我們將原本的編碼器優先展示換成了解碼器優先模型訓練。
在MWC 2024展示的編碼器優先方法中，高通技術公司設計了編碼器模型，並生成了一組輸入／輸出配對的訓練資料集，然後將該資料集分享給諾基亞，後者隨後設計可互通的解碼器。今年，透過解碼器優先的方法，由諾基亞設計解碼器模型，生成並共享解碼器輸入／輸出配對的訓練資料集，供高通技術公司設計可互通的編碼器。我們發現，透過兩種模式設計出的模型效能相當，差異在幾個百分點以內。
結論
高通技術公司與諾基亞貝爾實驗室共同展示的原型系統，是AI增強通訊從概念走向現實的重要一步。研究結果顯示，透過多種學習方式，能夠穩健地顯著提升使用者體驗。隨著我們逐步掌握可互通的多廠商 AI 系統設計，將能實現更大的容量、更高的可靠性以及更低的功耗。
深入了解高通無線技術研究：
查看最新MWC巴賽隆納2025無線創新部落格文章
造訪全新高通6G技術研究網站
高通品牌產品是高通技術公司和/其子公司的產品。
