无线网络的需求正在经历前所未有的激增，目前有超过 71 亿的人类移动用户使用无线机器对机器（M2M）连接，对于工程师来说，设计无线系统和网络正变得越来越复杂。传统的预定义设计缺乏适应性，当要求和环境发生变化时无法灵活应对。
为了满足这一需求，人工智能原生系统将成为下一代网络的基础，将人工智能嵌入网络框架，使工程师能够实现更好的覆盖、更大的容量和更高的可靠性。
行业领导者的共同观点
无线标准组织第三代合作伙伴关系项目（3GPP）一直在强调人工智能在即将推出的 5G 高级和 6G 标准中的重要作用。他们强调并推动人工智能的功能，以改善定位、波束管理和信道状态信息（CSI）反馈等无线要素。同样，无线宽带联盟（WBA）也称赞了人工智能在帮助无线工程师进行室内定位和波束管理方面的潜力。
这些来自行业领导者的认可强调了人工智能在无线系统中日益增长的重要性，以及工程师整合人工智能原生概念以在下一代无线系统竞赛中保持领先地位的重要性。
人工智能原生无线系统与传统设计相比的优势
人工智能原生无线系统在设计上能够学习并适应环境，这与传统设计大相径庭，传统设计基于更加僵化、预定义的模型，具有可扩展性限制。这些传统设计通常还需要昂贵、耗时的信号处理资源。
另一方面，人工智能原生系统为无线工程师提供了三大优势：更好的覆盖范围、更大的容量和更高的可靠性。这些改进是通过人工智能原生无线系统将人工智能算法直接融入其运行框架而实现的。
设计人工智能原生系统的工程师需要大量的真实世界测量数据集。这些数据大多来自物理原型或通过测量真实世界的信号。不过，大多数工程师使用数字孪生（可模拟的代表性虚拟模型）来增强数据，以训练人工智能原生系统。数字孪生确保人工智能原生系统有足够的数据来处理不利情况，并有效地管理系统元素。
设计、开发和集成人工智能原生无线系统
通过四步流程，工程师可以解决开发人工智能原生无线系统设计工作流程的复杂任务，其中包括收集数据、训练和测试模型，然后实施模型并将其集成到无线系统中。
- 收集和生成数据
数据是人工智能原生无线系统的支柱。构建系统的第一步需要通过获取空中（OTA）信号或从数字孪生中合成数据来收集数据。合成数据尤其有用，因为它有助于可扩展性测试、容错和异常检测，同时还有助于环境建模和系统配置优化。为确保模型效率最大化，工程师必须确保训练数据能够代表系统将经历的真实场景。工程师可以利用收集到的数据对人工智能模型进行训练和验证、测试和模拟，以及优化和性能调整。有了收集到的数据，下一步就是模拟和建模。
- 训练和测试模型
在为无线系统训练人工智能模型时，必须确定系统参数的数量，包括带宽分配、延迟、信号强度、调制和编码。通过将这些参数与第一步获得的完整数据集配对，工程师可以为自动编码器、信道估计、信道反馈优化和资源分配等关键系统功能选择和优化机器学习算法。在训练过程中，工程师必须考虑一些影响实时性能的因素，包括计算复杂性、内存使用以及 GPU 或集群上的并行处理。
人工智能模型训练完成后，要对模型在真实世界系统中的可靠性能进行测试。在这一阶段，模型的性能会被反复测试，并根据需要进行调整，以纠正偏差、错误和低效。适应完成后，就可以对人工智能网络进行修剪，包括将模型转换为固定点，并删除对系统整体行为无益的神经网络层。在这个阶段，模型就可以在无线系统中实施了。
- 实施人工智能模型
要将人工智能模型作为现实世界系统的一部分来实施，第一步需要进行扩展和资源评估，包括评估人工智能模型高效运行所需的处理能力、内存要求和数据吞吐量。
第二步是使用自动代码生成，在桌面或嵌入式目标上使用底层代码部署预训练的人工智能模型。这可以使实施过程自动化，减少手动编码错误。
最终完成实施的最后一步是验证。验证将实施系统的性能与原始人工智能模型的性能进行比较。工程师在确定并解决差异或性能问题后，就可以进行模型集成了。
- 整合模型
一旦数据收集完毕，人工智能模型经过训练、测试和实施，工程师就可以将已实施的人工智能模型集成到整个无线系统中。这一阶段可确保新实施的人工智能解决方案与整个传统系统无缝协作。在全面集成之前，工程师必须通过分析端到端系统性能而不是单个算法和子系统来确保与现有系统组件的互操作性。
使用人工智能设计无线系统面临的挑战
虽然使用人工智能原生模型有很大的好处，但将人工智能集成到无线系统中还需要克服各种障碍，包括平衡相互冲突的性能指标，确保性能优于传统系统。最终目标是实现平衡，通过提供高质量的整体性能来支持运营目标。
平衡性能指标
优化一个指标通常会损害另一个指标，因此必须找到一个可接受的平衡点，以满足系统的总体目标。例如，提高网络吞吐量可能会导致功耗和延迟增加，因此需要权衡利弊以保持能效。建模和仿真可以帮助工程师探索大量的方案和配置，以平衡所需的指标。这种预测方法有助于在不干扰实际系统的情况下做出明智的决策并确定最佳配置。
确保卓越性能
从传统无线系统无中断地过渡到人工智能增强型系统具有挑战性，但对实现卓越性能至关重要。不断学习的人工智能模型对确保无中断过渡至关重要，因为它们能教会系统适应无线网络之间的动态网络条件。要实现卓越的性能，就必须使用各种具有代表性的数据集来训练模型。
通过在全面部署前对集成系统进行模拟，工程师可以确保人工智能组件与传统系统正常互操作。
结论
无线行业正处于传统模式与人工智能原生模式之间的关键时刻。随着 5G Advanced 和 6G 标准的即将推出，下一代无线系统将部署更多的人工智能原生技术，以满足网络需求。致力于设计现代无线系统的工程师们认为，人工智能的集成不再是可有可无的，而是对未来连接至关重要的。通过融入人工智能原生设计原则，无线工程师可以开发出满足当今需求的系统和网络，并能随着未来的无线需求和进步而不断发展。