作者：Houman Zarrinkoub， MathWorks, Natick, Mass.

在過去二十年里，移動無線技術經歷了從 3G 到 4G，再到 5G 與諸如工業 4.0 等先進應用的重大演進。相應的，無線系統設計也已變得更加復雜。面對這種復雜性，越來越多的工程師選擇借助AI（artificial intelligence，人工智能）的能力來應對這些現代系統所帶來的挑戰。

當下，AI 正被用于包括優化通話性能、管理自動駕駛汽車的 V2V（vehicle-to-vehicle，車到車）與 V2X（vehicle-to-everything，車到萬物）通信等在內的各種無線場景中，籍此促進現代無線應用的增長。隨著無線網絡中設備數量和功能的增加，AI必將在未來的無線技術中發揮更加重要的作用。因此，工程師很有必要考慮AI在無線系統中的關鍵優勢和最優實現，以確保無線系統能夠呈現最優性能。

AI 在無線系統中的應用案例

移動網絡向 5G 的演進是由三個主要需求驅動的：對寬帶網絡速度和質量的優化，對超可靠、低延遲通信的需求，以及在工業 4.0 中設備間對時間敏感的通信。

此外，不斷擴大的用戶群及越來越多的設備對網絡資源的爭奪導致無線系統日益復雜。面對這種情況，以往由人工制定規則所主導的傳統線性設計模型和傳統數據處理方法已不再能夠滿足當下需求。相比之下，AI 技術可以通過自動和高效的建模來有效解決非線性問題，而這已然超出了人工方法的能力。

基于機器學習和深度學習等方法實現的 AI 模型可賦予無線系統識別信道模型的能力。集成上述 AI 模型的無線系統可通過優化分配鏈路資源來提高自身性能。而在非 AI 策略的情況下，數量龐大的現代網絡應用會爭奪相同的資源，導致管理這些網絡成為一項幾乎不可能的任務。

同時，AI 的先進性還體現在可通過如模型降階等操作更高效地推進項目開發進度。例如，工程師可以對網絡環境行為進行估計與仿真并將其直接納入算法模型，從而使用極少的計算資源快速研究影響系統的主要因素。這使工程師們可以節省更多的時間并將之用于探索與設計。因此，項目實現了更快更多的迭代，項目的生產周期及相關成本也相應降低。

在無線系統中部署 AI 之最佳實踐

數據質量對于 AI 的成功和有效部署是至關重要的。AI 模型需要使用全面的數據進行訓練，以充分應對現實場景中的各種可能情況。MathWorks 的5G 工具箱等可通過數據基元綜合生成新數據，或通過空口采集數據。此舉可為 5G 網絡工程師提供必要的數據多樣性，從而使其能夠穩健地訓練 AI。如果工程師不能獲取足夠的訓練數據集，反而僅在有限的數據集上迭代不同的算法，那么被訓練模型很可能會陷入局部最優而非理想的全局最優，這必然會降低所得 AI 模型在真實場景中的可靠性。

另一方面，能夠在現實場景中對 AI 進行穩健充分的測試對于最終成功同樣至關重要。如果采集到的測試數據只能覆蓋若干片面的場景，那么這些數據所缺乏的多樣性很可能會在工程師設計和優化其系統過程中產生負面效應。沒有全面而充分的實測數據支持，所得到的AI模型就會對一些特殊場景及其衍生束手無策，這必然會對無線系統性能產生不利影響。

AI 在各行業中的應用越來越多

從電信到汽車的各行各業都接受了數字化轉型，這反過來增加了采用 AI 的必要性，并已然成為 AI 應用的主要驅動力之一。在依賴互聯的智能家居、電信網絡和自動駕駛汽車等應用中，集成的電子傳感器會產生大量的數據。如此海量的數據促進了未來 AI 技術的發展，從而能夠加快這些行業的數字化轉型進程，但同時這也會使網絡資源捉襟見肘。

在電信領域，AI 被部署在自物理層開始向上的應用中。利用 AI 改善用戶間通話性能通常在物理層操作。AI 技術在物理層上的應用包括數字預失真、信道估計和信道資源優化等，同時還有涵蓋了通話期間收發系統各參數的自動調整的自動編碼器設計。

信道優化增強了基站、終端等設備兩兩之間的連接。而通過指紋識別和信道狀態信息壓縮等過程，AI 可以幫助克服局部環境中的信號多樣性變化。

基于指紋技術，AI 被用于優化無線網絡定位。在原本穩定的室內電磁環境中，待測目標于不同位置的存在會引發相應的電磁傳播擾動。根據上述原理，AI 可通過采集到的個性化信號變化估計出目標的位置。相較傳統將接收信號強度與數據庫進行比對從而定位，AI 能夠克服諸多影響定位精度的不利因素。另一方面，信道狀態信息壓縮也可借助AI來實現。通常，用戶終端與基站間存在用于改善通話性能的反饋回路，用于傳遞從用戶終端到基站的反饋數據。基于 AI 的信道狀態信息壓縮確保上述過程不會超出可用帶寬范圍，從而導致通話中斷，將這一改善舉措弄巧成拙。

物理層以上的工作主要在于資源分配和網絡管理應用。隨著網絡中的用戶和用例數量倍增，網絡工程師正在尋求借助 AI 技術來實時響應資源分配請求。針對網絡中的競爭性用戶和用例需求，工程師可采用基于 AI 的波束管理、頻譜分配等資源調度功能，優化核心系統資源管理過程。

在汽車行業，利用AI進行無線連接使安全的自動駕駛成為可能。自動駕駛、V2V/V2X 依賴于包括 LiDAR、雷達和無線傳感器在內的多種來源的數據以解釋環境。自動駕駛汽車中的硬件必須管理來自這些競爭性來源的數據以有效運行。AI 能夠通過傳感器融合將這些競爭數據合并，從而幫助車輛對其自身與環境中的信息建立全方位的理解，并決定其二者如何互動。這種通信方式賦予了車輛 360 度的視角，進而感知其它車輛及其附近的潛在碰撞威脅。最終，無論是通知駕駛員還是自主決策并控制，AI 的參與都會減少車禍，極大改善道路交通安全。

AI 在無線系統設計中的重要性正在不斷增加

隨著無線技術的用例越來越多，在無線系統中部署AI的需求也在不斷擴大。從 5G 到自動駕駛汽車再到物聯網，如果不使用 AI，這些應用將很可能不具備有效運行所需的先進性。近年來，AI 在無線系統設計為代表的工程領域中的地位一直在迅速提高。隨著現代無線網絡用例和用戶數量的增加，可以預計這種變化的步伐將繼續下去，甚至加快。

審核編輯：湯梓紅