港大黃凱斌：6G時代的邊緣智能，香農(nóng)與圖靈的相遇

本文作者：我在思考中

2022-04-18 10:35

導(dǎo)語：在6G場景下，新的通訊技術(shù)會給AI帶來什么？有哪些創(chuàng)新的想法？

作者丨黃凱斌

整理丨維克多

5G時代剛開始沒多久，現(xiàn)在科研人員已經(jīng)開始攻關(guān)6G?？蒲姓媸巧a(chǎn)一代、研發(fā)一代。在6G場景下，新的通訊技術(shù)會給人工智能（AI）帶來什么？有哪些創(chuàng)新的想法？

4月8日，在AI TIME青年科學家——AI 2000學者專場論壇上，香港大學電子電機工程系教授、副系主任黃凱斌做了《6G時代的邊緣智能：香農(nóng)與圖靈的相遇》的報告，從無線電通訊的角度解讀了6G優(yōu)勢，以及對AI的啟示。例如他提到：

“在香農(nóng)無線電通訊理論里“數(shù)據(jù)位生來平等”。而以圖靈為先驅(qū)的機器學習領(lǐng)域里數(shù)據(jù)有“輕重”之分。其實，只有有機結(jié)合兩者的思想，才能實現(xiàn)最高效的應(yīng)用?！?/span>

此外，他還提出空中計算的想法，目的是將“空氣”變成計算機，具體“手法”是讓用戶以相同的頻譜上傳信息，從而利用無線疊加計算相關(guān)權(quán)重、模型，此舉是將無線干擾這一令人頭疼的麻煩事“變廢為寶”。

以下是演講全文，AI科技評論做了不改變原意的整理：

6G是指第六代無線通訊網(wǎng)絡(luò)，會比5G有更大的性能提升。如下圖所示，灰色代表5G，6G無論是從速度還是空中傳輸時延，亦或是能源效率都會大幅度提升。

為什么會需要6G？關(guān)鍵是它可以支持一些“未知”的應(yīng)用。例如處理超實感擴展現(xiàn)實、高保真移動全息顯示、數(shù)字復(fù)制都需要6G網(wǎng)絡(luò)支持下的高速率、低延遲。

在計算領(lǐng)域也會有一些革命性的改變，十年前，我們將大量計算放在了云端，放在了“數(shù)據(jù)中心”里面，現(xiàn)在計算更加側(cè)重于網(wǎng)絡(luò)邊緣。主要因為物聯(lián)網(wǎng)的規(guī)模越來越大，其包含的“小設(shè)備”，例如手機、筆記本電腦，已經(jīng)達到了百億的級別，因此為了服務(wù)這些小設(shè)備，計算也逐漸從“中心”轉(zhuǎn)向了“邊緣”。

此舉一方面給用戶帶來快速的體驗，另一方面也會更加保障數(shù)據(jù)安全。畢竟，邊緣計算不需要用戶上傳數(shù)據(jù)到云端。

數(shù)據(jù)的重要性不言而喻，過去最值錢的公司當屬石油、銀行。而現(xiàn)在谷歌、Facebook以及特斯拉這些占據(jù)榜首的巨頭，都是數(shù)據(jù)擁有“大戶”。數(shù)據(jù)越多，AI所能學習的知識也越多，據(jù)福布斯估計，到2025年，大約有150萬億GB的數(shù)據(jù)需要分析。

因此，在網(wǎng)絡(luò)邊緣的語境下，AI如何處理如此巨量的數(shù)據(jù)？數(shù)據(jù)傳輸?shù)倪^程可以簡單理解為通訊。

網(wǎng)絡(luò)通訊不僅要滿足AI需求，還有機器之機器之間的通訊（mMTC），網(wǎng)絡(luò)游戲和自動駕駛（URLLC）、高清晰流媒體（eMBB）等。因此，目前網(wǎng)絡(luò)現(xiàn)狀，正如上圖“胖子”所示，它已經(jīng)不堪重負。所以，研究如何消除計算瓶頸，才能提高邊緣學習的效率。

從1G到5G，計算、感知、控制、通訊等幾個模塊都是分開設(shè)計，這種相互隔離的模式無法解決計算瓶頸問題；6G的設(shè)計模式是融合，將幾個模塊有機連接，這種連接的過程就是“香農(nóng)”和“圖靈”思維的碰撞。

聯(lián)邦邊緣學習

在過去，信息和通訊是兩個毫不相干的領(lǐng)域，以平行的道路發(fā)展，而當前的邊緣學習需要這兩個領(lǐng)域的結(jié)合。

傳統(tǒng)的無線電通信就像一條管道，通過速率最大化的設(shè)計，讓管道里有很多數(shù)據(jù)進行傳輸，換句話說，就是在高保真的情況下，盡可能多地傳輸數(shù)據(jù)。但，這種設(shè)計已經(jīng)無法解決現(xiàn)在的問題了。6G時代，并不是數(shù)據(jù)傳輸?shù)脑蕉嘣胶?，而是越快的訓練模型越好。即在對學習精度有限制的情況下，盡可能快地訓練機器。

因此，如果考慮“快速智能獲取”，無線電設(shè)計發(fā)生革命性的改變。傳統(tǒng)方式是聯(lián)邦邊緣學習，網(wǎng)聯(lián)汽車、物聯(lián)網(wǎng)等密集終端場景下，訓練數(shù)據(jù)通常以分布式的形式產(chǎn)生和存儲在不同用戶設(shè)備中。例如我們每天淘寶、京東的購物數(shù)據(jù)都存在自己的手機上，如何在保證自己數(shù)據(jù)隱私的情況下，幫助訓練網(wǎng)絡(luò)更高效？

在網(wǎng)絡(luò)邊緣利用聯(lián)邦學習，可以充分利用終端節(jié)點的計算資源，并能夠在保護用戶個人信息的前提下，進行更廣泛和高效的機器學習。

具體做法是：用戶的每臺手機利用自己的數(shù)據(jù)進行模型訓練，然后中心系統(tǒng)將這種本地模型收集起來，然后進行平均處理，如此就可以得到比較準確的模型。

但，將每一個小模型上傳到中心系統(tǒng)，也需要大量的數(shù)據(jù)傳輸，而且有些傳輸并不是一次就完成，有的需要幾十上百次的傳輸。

通訊與AI的碰撞

無線電通訊如何解決這一問題？我舉兩個例子：空中計算和數(shù)據(jù)重要性感知通訊。

第一個例子是空中計算，目的是將“空氣”變成計算機。傳統(tǒng)的無線電通信面對的問題是“過載”。例如所有的用戶都會發(fā)射信號，以求通過“管道”達到基站，但無線電在空中的疊加，會造成無線電干擾。因此，需要采取分布計算的思維進行重新設(shè)計系統(tǒng)。

回到聯(lián)邦邊緣計算。正如剛才提到，聯(lián)邦系統(tǒng)其實是想進行“平均”計算每個用戶的模型，用戶需要將小模型上傳到系統(tǒng)中才能進行此步驟。其實，我們可以利用無線電波在空中疊加的狀態(tài)進行計算。其實，用戶如果以同樣的頻譜將模型傳到“空中”，速率會非?？欤以诳罩袝匀化B加。因此，這就有效將無線干擾變成了“好東西”。

空中計算的最大好處是會將延遲大幅度減少。如上圖，和傳統(tǒng)無線電傳輸技術(shù)相比，在保證準確率相似的情況下，延遲能減少上百倍。

第二個例子是數(shù)據(jù)重要性感知通訊。香農(nóng)無線電通訊理論基于“Data bits were born equal”，翻譯成中文“數(shù)據(jù)生來平等”。而在以圖靈為代表的機器學習領(lǐng)域，“Data samples are certainly not equally important!”，數(shù)據(jù)有“輕重”之分。

數(shù)據(jù)重要性，可以用未知度進行衡量，舉個例子：給機器人一本書，機器人看過之后表示非常簡單，什么都理解，那么這就不是一本好書。換句話說，這本書的未知度很低，無法教給機器新東西，無法解答疑惑，知識無法擴展。

因此，結(jié)合兩者的哲學，我們需要重新設(shè)計無線電系統(tǒng)。如上圖所示，需要選擇一些用戶數(shù)據(jù)傳輸?shù)交局腥?。從圖靈的角度，優(yōu)先選擇未知度高的數(shù)據(jù)，也就是最重要的數(shù)據(jù)；從香農(nóng)的角度，信道是首先考慮的因素，忽略了數(shù)據(jù)的重要性。這這兩種思路，一種叫數(shù)據(jù)多樣性，一種叫信道多樣性。

有效結(jié)合數(shù)據(jù)多樣性和信道多樣性是6G系統(tǒng)的重點。我們對此進行了相關(guān)工作，實驗結(jié)果非常滿意。如上圖所示，如果只考慮數(shù)據(jù)重要性，所得出的效果會比信道選擇更佳，但如果結(jié)合兩種，那么準確率會超過“只考慮數(shù)據(jù)重要性”。所以這種思路的改變，會給我們產(chǎn)生很多的機會。

愿景：太空、機器人

6G的愿景之一是用衛(wèi)星往地面發(fā)射 AI的服務(wù)，即把空中幾千幾萬個衛(wèi)星，和地面的基站連接成空地網(wǎng)絡(luò)，然后和數(shù)據(jù)中心連接在一起。從而賦能自動駕駛、遠程實時通訊、應(yīng)急通訊等等。