•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。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）
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。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。本文内容来自诺基亚贝尔实验室院士 Carl Nuzman、高通技术公司主任工程师王任秋（Rachel Wang）的署名博客。
*高通以及其它Qualcomm旗下的产品是高通技术公司和/或其子公司的产品。
