Qualcomm 和诺基亚贝尔实验室展示多供应商 AI 模型如何在无线网络中协同工作

Qualcomm 和诺基亚贝尔实验室展示了多供应商 AI 模型如何在无线网络中实现互操作性协同工作。

诺基亚贝尔实验室研究员 Carl Nuzman 和 Qualcomm 首席工程师 Rachel Wang 在一篇博客文章中表示，他们展示了序列学习的灵活性，这种方法可以促进网络解码器优先或设备编码器优先的训练。

他们表示，Qualcomm 和诺基亚贝尔实验室正在继续合作，以展示互操作的多供应商 AI 在无线网络中的价值。在 2024 年世界移动通信大会上，他们首次展示了 AI 增强型信道状态反馈编码器和解码器模型的空中互操作性。

这些模型分别在搭载 Qualcomm 5G 调制解调器-射频系统的参考移动设备和诺基亚原型基站上运行。这些互操作模型是两家公司使用一种称为序列学习的新技术开发的。现在他们在 2025 年世界移动通信大会上带来了更多内容。

信道状态反馈帮助网络找出向设备发送数据的最佳方式。随着无线条件的变化，从网络到设备的最佳传输方向也会随之改变。Qualcomm 和诺基亚通过 AI 生成精确的波束，使网络变得更智能和高效。

通过序列学习，多家公司可以共同设计互操作的 AI 模型，而无需共享其实现的专有细节。相反，一家公司会与另一家公司共享模型输入/输出对的训练数据集。

在这个概念验证的基础上，两家公司一直在继续合作，以展示信道状态反馈互操作 AI 的价值、灵活性和可扩展性。

不同物理环境下的无线 AI 鲁棒性

AI 可以向您的设备发送正确的无线波束。

随着 AI 技术在实际网络中的部署，确保模型在不同环境中稳健运行变得越来越重要。训练数据集应足够多样化，以便 AI 模型能够有效学习；但是，要覆盖所有可能的场景是不现实的。

因此，AI 模型必须能够将其训练泛化以应对新情况。在合作中，两家公司研究了三个非常不同的小区站点：一个户外郊区位置和两个不同的室内环境。

在第一个场景中，他们比较了使用多样化数据集训练的通用 AI 模型与在特定位置训练的超本地模型的性能。他们发现通用 AI 模型可以在不同环境中工作，性能与超本地模型相当。

后来，两家公司将通用模型改进以包含室内站点 2 的数据（改进的通用模型）。然后他们在室内站点 2 的四个不同位置测量了用户数据吞吐量。在所有情况下，通用模型的性能与改进的通用模型相差不到 1%，显示了通用模型对新场景的鲁棒性。

AI 增强的信道状态反馈允许网络以更精确的波束模式传输，提高接收信号强度，减少干扰，最终提供更高的数据吞吐量。我们通过记录移动用户在小区内不同位置移动时使用 AI 反馈和基于波束网格的反馈 (3GPP Type I) 所经历的数据吞吐量来测量这种改进。

使用 AI 反馈产生了更高的吞吐量，各位置的吞吐量增益范围从 15% 到 95%。在商用系统中使用 AI 增强的信道状态反馈所观察到的吞吐量增益将取决于多个因素。然而，这个概念验证的结果，加上众多仿真研究表明，使用 AI 增强后的吞吐量将始终高于传统方法。

序列学习可以通过两种方式进行，要么是设备编码器优先，要么是网络解码器优先，这对部署和标准化有不同的影响。为了支持 3GPP 对解码器优先方法的日益关注，今年我们用解码器优先模型训练替代了原来的编码器优先演示。

在 2024 年世界移动通信大会展示的编码器优先方法中，Qualcomm 设计了一个编码器模型，生成了输入/输出对的训练数据集，然后与诺基亚共享数据集，后者随后设计了一个互操作解码器。

今年，采用解码器优先方法，诺基亚设计了一个解码器模型，并生成和共享了解码器输入/输出对的训练数据集，供 Qualcomm 用于设计互操作编码器。我们发现两种模式设计的模型性能相差不大，仅有几个百分点的差异。

AI 模型可以提升无线网络的性能。

Qualcomm 和诺基亚贝尔实验室共同展示的原型代表了将 AI 增强通信从概念转变为现实的关键一步。结果表明，通过多种学习模式，用户体验可以得到显著改善，且具有鲁棒性。随着我们学会设计互操作的多供应商 AI 系统，我们可以开始实现增强的容量、改进的可靠性和降低的能耗。