爱立信移动报告显示,预计2022年至2027年间移动数据流量将以25%-30%的复合年增长率增长。随着数据流量的爆炸性增长、用户需求的多样化以及网络服务的高质量要求。传统的无线接入网(RAN)架构在应对这些挑战时显得力不从心,导致网络效率低下、运营成本高昂、资源分配不均和用户体验不佳等诸多问题。然而,人工智能(AI)的迅猛发展为解决这些问题提供了全新思路和手段。
AI与RAN的融合,可以通过智能化手段优化网络资源配置,提高频谱效率,降低运营成本,提升用户体验,为企业带来巨大的商业价值。这种融合不仅能为现有的5G网络提供支持,还能为未来的6G网络研究奠定基础。因此,AI+RAN的探索和应用具有重要的现实意义和长远战略价值。
市场研究公司Dell'Oro Group指出,在RAN中使用AI已经在网络部署、优化和修复方面带来了利好,最终有助于提高网络性能和质量。
硬件、软件、应用 AI and RAN“三部曲”
对于电信行业而言,整合AI和RAN流程,能更有效地利用基础设施,并创造出基于AI的新型盈利模式。
传统的RAN设备通常是专用硬件,虽然功耗低、成本低,但通用性差,无法灵活应对多种应用场景。一旦5G网络不再具备商业价值,这些设备就可能闲置,造成无意义的消耗。为了解决这一问题,NVIDIA推出了在GPU上运行5G算法的方案,使得通用设备不仅可以处理5G任务,还能处理其他多种工作。
这种基础设施的融合,使得5G的算法能够在GPU上运行,各种不同的算法都可以在同一个通用设备上执行,大大提高了硬件的利用率和经济效益,不仅让设备兼具了更多灵活性,还为未来网络技术的发展提供了更加广阔的空间。
不仅如此,在软件层面。由于RAN架构复杂,包括物理层、链路层、网络层、传输层等多个层级。当前一个热门的方向是将AI应用于物理层,通过AI来提高网络的频谱效率,让每单位带宽下能够传输的数据量提高,降低整体网络的运营成本,这便是“AI and RAN”到“AI for RAN”的过程。举例来看,当一个小区的网络中,频段利用率达到一定阈值时,AI可以自动评估是否需要增设基站,便能有效避免人为决策的主观性和不准确性。
此外,通过将AI算法封装到TensorFlow和PyTorch等主流深度学习框架中,使得AI开发者可以更加方便地在RAN中实现AI功能。这种软件层面的融合,不仅提高了AI在RAN中的应用效率,还推动了AI与通信技术的深度融合。
在应用层面,通过AI技术可极大程度上提高网络的效率和成本效益。利用AI,可以预测网络负载,优化资源分配,减少资源浪费。在网络负载的高峰时段,AI可以自动调配网络资源,确保用户的良好体验;而在低峰时段,AI可以释放部分资源用于其他任务,从而提高资源的利用率。
值得一提的是,AI还可以用于网络运维,提前预测网络故障,自动化解决常见问题,减少人工干预,提高网络的稳定性和可靠性。通过AI诊断系统,运营商可以快速定位并解决网络故障,提高运维效率,降低运维成本。
从“AI and RAN”到“AI on RAN”
在AI与RAN融合方面,还可以通过在RAN边缘部署AI服务,提高运营效率,并为用户提供新服务。
具体实施而言,其一,提高基础设施多功能性,释放额外算力。采用通用设备,使得RAN不仅可以支持5G,还可以释放额外的算力用于AI任务。当5G网络的需求不高时,这些通用设备可以被用于AI模型的训练和推理,从而提高设备的利用率和经济效益。这样一来,运营商不仅能够提供高质量的5G服务,还可以通过出租算力、提供AI服务等方式,实现多元化盈利。
其二,提高网络响应能力和质量,助力智能管理网络负载。
通过集成AI,RAN能够有效管理网络负载,提升服务质量。在视频通话中,通过AI优化网络层次,确保通话的稳定性和质量。这不仅可以提升用户体验,还可以为运营商带来新的商业机会。此外,通过提供高质量的视频通话服务,运营商可以开辟新的盈利模式,如广告推送、虚拟形象等增值服务。
“5G新通话”是典型的AI+RAN应用案例。通过在网络层次上优化,5G新通话可以在视频通话中保证稳定性和质量。在微信视频通话中,经常会遇到卡顿和时延大的问题,而通过5G新通话,这些问题可以得到有效解决。这不仅提升了用户的通话体验,还可以通过引入虚拟形象、广告推送等增值服务,开辟新的商业机会。
其三,支持新服务和应用场景,探索未来网络可能性。AI与RAN的融合,还可以支持更多新兴服务和应用场景。在工业领域,企业往往需要专用的5G网络来保护数据的安全。通过AI- RAN技术,企业可以搭建自己的5G网络,实现数据的本地化处理和应用。
部署方面,通过AI RAN技术,可以实现智能巡检。巡检员利用AR/VR设备,通过AI技术实时读取并解读各种仪表数据,监测仪表的实时数据和警报,及时发现并解决问题,避免生产事故的发生,提高巡检的效率和准确性。同时,AI可以与大模型结合,在边缘计算中实现复杂任务的处理,提高生产效率和安全性。
数字孪生技术也是AI on RAN的重要应用场景之一。通过在虚拟环境中模拟真实网络的部署和运行,可以提前发现并解决网络中的潜在问题。例如,在城市生活中,可通过数字孪生技术模拟整个网络的运行情况,预测用户的流量需求,优化基站布局,提高网络的覆盖范围和服务质量。
写在最后
AI与 RAN的融合,预示着通信网络未来的无限可能。随着网络技术的不断进化,AI RAN不断推动着网络管理和服务向智能化、灵活化转型。未来,AI+RAN,将不断推进更多AI/ML功能的研发,优化RAN性能,实现跨所有层的AI/ML应用。
事实上,在移动通信领域,AI-RAN已经带来了更多全新的变化。
面对行业挑战,您是否考虑借助AI赋予企业更多创新动力?时不我待,搭上这趟“列车”,让我们一起开启智能化转型的创新篇章。点击此处了解更多详情。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。