高通展示AI模型在不同物理环境下的鲁棒性

要点

?展示AI模型在不同物理环境下的鲁棒性。

?与3GPP Type I CSI反馈相比，测得15%至95%的吞吐量增益。

?展示序列学习的灵活性，支持网络解码器优先或终端编码器优先的训练方式。

高通技术公司和诺基亚贝尔实验室持续合作，展示了无线网络中可互操作的多厂商AI的价值。在2024年世界移动通信大会(MWC 2024)上，我们首次展示了AI增强信道状态反馈编码器和解码器模型的OTA互操作性，该模型分别运行在搭载高通5G调制解调器及射频系统的参考移动终端和诺基亚原型基站上。

双方使用被称为“序列学习”的新技术开发了这些可互操作的模型。通过序列学习，多家公司能够协同设计可互操作AI模型，而无需共享各自实现方案的专有细节，公司之间共享模型输入/输出对的训练数据集即可。

基于这一概念验证，我们持续合作，展示可互操作AI面向信道状态反馈(Channel State Feedback, CSF)的价值、灵活性和可扩展性。

无线AI在不同物理环境下的鲁棒性

随着AI技术在实际网络中部署，确保模型在不同环境中稳健运行尤为重要。训练数据集应具有足够的多样性以确保AI模型有效学习;然而，让数据集涵盖所有可能场景是不现实的。因此，将训练成果泛化以应对新情况的能力，对AI模型至关重要。在双方的合作中，我们研究了三个不同的基站站点：一个郊区室外位置(室外站点)和两个不同的室内环境(室内站点1和室内站点2)。

在第一个场景中，我们对使用多元数据集训练的通用AI模型和在特定地点训练的超本地化模型进行了性能对比。下图总结了在室外站点和室内站点1实现的平均吞吐量。可以看出，通用AI模型可在不同环境下工作，性能媲美超本地化模型。

通用模型 vs. 超本地化AI模型实现的平均吞吐量(Mbps)

随后，我们对通用模型进行调整，接入了来自室内站点2的数据(即调整后的通用模型)，然后在室内站点2内的4个不同位置测量用户数据吞吐量。如图所示，在所有场景中，通用模型与调整后的通用模型其性能差异在1%以内，表明一般通用模型在新场景中稳健可靠。

通用 vs. 调整后的通用模型实现的平均吞吐量(Mbps)

相比波束网格反馈实现的吞吐量增益

AI增强CSF让网络能够以更精确的波束模式进行传输，从而提高接收信号强度，减少干扰，最终提供更高数据吞吐量。我们记录了移动用户在站点内不同位置移动时，分别基于AI的反馈和基于波束网格的反馈(3GPP Type I)所实现的数据吞吐量，以此测量性能提升。

如下列条形图所示，使用AI反馈实现了更高吞吐量，每个位置的吞吐量增益从15%到95%不等。在实际商用系统中，AI增强CSF下所观察到的吞吐量增益将取决于诸多因素。然而，这一概念验证的结果结合大量模拟研究表明，通过AI增强实现的吞吐量将始终高于通过传统方法实现的吞吐量。

相比Type I反馈在室外和室内测试中的增益百分比

网络解码器优先序列学习

序列学习可以通过两种方式进行，终端编码器优先(device encoder-first)或网络解码器优先(network decoder-first)，二者在部署和标准化方面具有不同的影响。为了顺应3GPP对解码器优先方式与日俱增的关注，今年我们将原本的编码器优先演示替换成了解码器优先模型训练。

在MWC 2024上演示的编码器优先方式中，高通技术公司设计了编码器模型，生成一组输入/输出对的训练数据集，并将数据集分享给诺基亚，后者随之设计了可互操作解码器。今年，通过解码器优先的方式，由诺基亚设计解码器模型，生成并共享解码器输入/输出对的训练数据集，以供高通技术公司设计可互操作编码器。我们发现，通过这两种模式设计出的模型性能相当，差异在几个百分点以内。

总结

高通技术公司和诺基亚贝尔实验室联合展示的原型系统是AI增强通信从概念走向现实的关键一步。结果表明，通过多种学习模式，可以稳健地显著提升用户体验。随着我们学习设计可互操作的多厂商AI系统，将能够实现更大的容量、更高的可靠性和更低的能耗。