[论文解读] AI-native Interconnect Framework for Integration of Large Language Model Technologies in 6G Systems

Sasu Tarkoma, Roberto Morabito+1 more|arXiv (Cornell University)|Nov 10, 2023

Ferroelectric and Negative Capacitance Devices被引用 12

一句话总结

本文提出一个 AI Interconnect 框架，将 LLMs 和 GPTs 无缝集成到 6G 网络中，实现跨云到边缘基础设施的动态选择、资源配置与协调，并在平衡传统 ML 的同时确保可审计性。

ABSTRACT

The evolution towards 6G architecture promises a transformative shift in communication networks, with artificial intelligence (AI) playing a pivotal role. This paper delves deep into the seamless integration of Large Language Models (LLMs) and Generalized Pretrained Transformers (GPT) within 6G systems. Their ability to grasp intent, strategize, and execute intricate commands will be pivotal in redefining network functionalities and interactions. Central to this is the AI Interconnect framework, intricately woven to facilitate AI-centric operations within the network. Building on the continuously evolving current state-of-the-art, we present a new architectural perspective for the upcoming generation of mobile networks. Here, LLMs and GPTs will collaboratively take center stage alongside traditional pre-generative AI and machine learning (ML) algorithms. This union promises a novel confluence of the old and new, melding tried-and-tested methods with transformative AI technologies. Along with providing a conceptual overview of this evolution, we delve into the nuances of practical applications arising from such an integration. Through this paper, we envisage a symbiotic integration where AI becomes the cornerstone of the next-generation communication paradigm, offering insights into the structural and functional facets of an AI-native 6G network.

研究动机与目标

• 倡导以数据驱动、以知识为中心的 6G 架构视角，具备 AI 原生能力。
• 定义一个 AI Interconnect 框架，用于在网络中协调多个 LLM/GPT 模型。
• 探索从云到边缘的跨层集成，覆盖控制、用户和应用层。
• 解决 AI 驱动 6G 的实际考量，包括审计、安全性和可持续性。
• 强调将 LLM 与传统 ML 模型混合使用以优化网络运营。

提出的方法

• 将 AI Interconnect 作为一个面向消息的平台引入，具备请求/应答和 pub/sub API，用于 AI 推理与学习。
• 提出一个横跨设备到核心网络的跨层云到边缘架构设计（x-haul）。
• 描述 AI 选择、AI 放置、任务协调、路由与带有审计跟踪的安全措施。
• 将 MAPE-K 与 ReAct 作为在 AI 支撑网络中监控、规划和执行的指导模型。
• 讨论 LLM 的局限性、需要人-in-the-loop，以及能源与可持续性方面的考量。
• 概述将 LLM 与传统 ML/AI 方法相结合的混合部署方法，以实现务实的落地。

实验结果

研究问题

• RQ1 如何通过 AI 原生 Interconnect 框架将 LLMs/GPTs 集成到 6G 网络？
• RQ2 在 6G 中启用 LLM/GPT 能力，需要何种合适的多层架构视角（战略、逻辑、运营、实现）？
• RQ3 AI 支撑的 6G 互联与编排的治理、安全与审计要求有哪些？
• RQ4 应如何将 LLMs 与传统 ML 模型协同，以在性能、透明度与实用性之间取得平衡？
• RQ5 在 6G 系统中部署 LLMs 的能源、环境与可持续性影响有哪些，以及如何减缓？

主要发现

• 本文提出一个将 LLMs 和 GPTs 集成到四层次的 6G 架构的整体框架（战略、逻辑、运营、实现）。
• 它将 AI Interconnect 定义为一个横跨层级、云到边缘的消息传递平台，能够实现 AI 选择、放置、协调、通信，以及带有审计跟踪的安全措施。
• 它倡导混合 AI 方法，使 LLM 与传统 ML/AI 模型协同工作，以实现务实且可信的网络运营。
• 它讨论了提示工程、基于 ReAct 的代理，以及需要人-in-the-loop 与安全措施等实际因素。
• 它强调 LLM 在 6G 部署的治理考量、可信度、资源约束以及能源/环境影响。
• 它提供了一个将 LLM/GPT 能力与 6G 用例和网络使能要素关联的分类法，包括多模态 LLMs 和控制器。