要點

?展示AI模型在不同物理環境下的魯棒性。

?與3GPP Type I CSI反饋相比，測得15%至95%的吞吐量增益。

?展示序列學習的靈活性，支持網絡解碼器優先或終端編碼器優先的訓練方式。

高通技術公司和諾基亞貝爾實驗室持續合作，展示了無線網絡中可互操作的多廠商AI的價值。在2024年世界移動通信大會(MWC 2024)上，我們首次展示了AI增強信道狀態反饋編碼器和解碼器模型的OTA互操作性，該模型分別運行在搭載高通5G調制解調器及射頻系統的參考移動終端和諾基亞原型基站上。

雙方使用被稱為“序列學習”的新技術開發了這些可互操作的模型。通過序列學習，多家公司能夠協同設計可互操作AI模型，而無需共享各自實現方案的專有細節，公司之間共享模型輸入/輸出對的訓練數據集即可。

基于這一概念驗證，我們持續合作，展示可互操作AI面向信道狀態反饋(Channel State Feedback, CSF)的價值、靈活性和可擴展性。

無線AI在不同物理環境下的魯棒性

隨著AI技術在實際網絡中部署，確保模型在不同環境中穩健運行尤為重要。訓練數據集應具有足夠的多樣性以確保AI模型有效學習;然而，讓數據集涵蓋所有可能場景是不現實的。因此，將訓練成果泛化以應對新情況的能力，對AI模型至關重要。在雙方的合作中，我們研究了三個不同的基站站點：一個郊區室外位置(室外站點)和兩個不同的室內環境(室內站點1和室內站點2)。

在第一個場景中，我們對使用多元數據集訓練的通用AI模型和在特定地點訓練的超本地化模型進行了性能對比。下圖總結了在室外站點和室內站點1實現的平均吞吐量。可以看出，通用AI模型可在不同環境下工作，性能媲美超本地化模型。

通用模型 vs. 超本地化AI模型實現的平均吞吐量(Mbps)

隨后，我們對通用模型進行調整，接入了來自室內站點2的數據(即調整后的通用模型)，然后在室內站點2內的4個不同位置測量用戶數據吞吐量。如圖所示，在所有場景中，通用模型與調整后的通用模型其性能差異在1%以內，表明一般通用模型在新場景中穩健可靠。

通用 vs. 調整后的通用模型實現的平均吞吐量(Mbps)

相比波束網格反饋實現的吞吐量增益

AI增強CSF讓網絡能夠以更精確的波束模式進行傳輸，從而提高接收信號強度，減少干擾，最終提供更高數據吞吐量。我們記錄了移動用戶在站點內不同位置移動時，分別基于AI的反饋和基于波束網格的反饋(3GPP Type I)所實現的數據吞吐量，以此測量性能提升。

如下列條形圖所示，使用AI反饋實現了更高吞吐量，每個位置的吞吐量增益從15%到95%不等。在實際商用系統中，AI增強CSF下所觀察到的吞吐量增益將取決于諸多因素。然而，這一概念驗證的結果結合大量模擬研究表明，通過AI增強實現的吞吐量將始終高于通過傳統方法實現的吞吐量。

相比Type I反饋在室外和室內測試中的增益百分比

網絡解碼器優先序列學習

序列學習可以通過兩種方式進行，終端編碼器優先(device encoder-first)或網絡解碼器優先(network decoder-first)，二者在部署和標準化方面具有不同的影響。為了順應3GPP對解碼器優先方式與日俱增的關注，今年我們將原本的編碼器優先演示替換成了解碼器優先模型訓練。

在MWC 2024上演示的編碼器優先方式中，高通技術公司設計了編碼器模型，生成一組輸入/輸出對的訓練數據集，并將數據集分享給諾基亞，后者隨之設計了可互操作解碼器。今年，通過解碼器優先的方式，由諾基亞設計解碼器模型，生成并共享解碼器輸入/輸出對的訓練數據集，以供高通技術公司設計可互操作編碼器。我們發現，通過這兩種模式設計出的模型性能相當，差異在幾個百分點以內。

總結

高通技術公司和諾基亞貝爾實驗室聯合展示的原型系統是AI增強通信從概念走向現實的關鍵一步。結果表明，通過多種學習模式，可以穩健地顯著提升用戶體驗。隨著我們學習設計可互操作的多廠商AI系統，將能夠實現更大的容量、更高的可靠性和更低的能耗。