[论文解读] Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework

Xiang Chen, Zhiheng Guo+6 more|arXiv (Cornell University)|Oct 26, 2023

IoT and Edge/Fog Computing被引用 4

一句话总结

该论文提出了一种基于基础模型的6G原生AI框架，支持云-边-端协同，实现面向任务、意图感知的AI服务。通过利用预训练基础模型（PFM）和统一的提示设计，该框架实现了无线资源分配的高效编排，在多接入场景下以极低计算开销显著提升服务质量，实现最大和速率的同时优化资源消耗。

ABSTRACT

Future wireless communication networks are in a position to move beyond data-centric, device-oriented connectivity and offer intelligent, immersive experiences based on multi-agent collaboration, especially in the context of the thriving development of pre-trained foundation models (PFM) and the evolving vision of 6G native artificial intelligence (AI). Therefore, redefining modes of collaboration between devices and agents, and constructing native intelligence libraries become critically important in 6G. In this paper, we analyze the challenges of achieving 6G native AI from the perspectives of data, AI models, and operational paradigm. Then, we propose a 6G native AI framework based on foundation models, provide an integration method for the expert knowledge, present the customization for two kinds of PFM, and outline a novel operational paradigm for the native AI framework. As a practical use case, we apply this framework for orchestration, achieving the maximum sum rate within a cell-free massive MIMO system, and presenting preliminary evaluation results. Finally, we outline research directions for achieving native AI in 6G.

研究动机与目标

• 为解决现有6G中AI集成的局限性，特别是特定任务模型的泛化能力不足以及大语言模型在边缘部署时的可扩展性问题。
• 建立一个基于基础模型的框架，支持在云、边缘和终端设备上实现多模态、面向任务的AI服务。
• 通过统一的提示系统和协同推理，实现6G网络中高效、意图感知的AI编排。
• 开发该框架在无线资源管理中的实际实现，验证其在和速率与计算效率方面的性能提升。
• 识别未来6G原生AI系统在评估、提示设计和标准化方面的开放研究挑战。

提出的方法

• 提出一种基于预训练基础模型（PFM）的6G原生AI框架，统一云、边、端设备间的数据、智能与网络协作。
• 提出一种基于统一提示设计的意图感知PFM定制方法，用于理解用户意图并映射到合适的AI算法。
• 开发一个面向任务的AI工具包，支持根据用户意图和QoS需求动态选择与编排AI模型。
• 采用云-边-端协同范式，其中PFM在中心运行，边缘和终端设备进行轻量微调，降低计算负载。
• 利用语义通信原理提升知识库中的数据效率，减少传输开销。
• 将该框架应用于无线和速率最大化任务，利用PFM在多接入环境中引导算法选择与资源分配。

实验结果

研究问题

• RQ1 如何有效定制基础模型，以支持6G网络中面向意图、面向任务的AI服务？
• RQ2 何种协同架构可实现在6G中云、边、端设备间高效、低时延的AI推理？
• RQ3 如何设计统一的提示系统，以处理多样化、异构的6G任务，同时确保鲁棒性与安全性？
• RQ4 在复杂、多目标的6G场景中，评估意图感知PFM性能的合适指标是什么？
• RQ5 如何将开源AI标准与传统无线通信协议协同，以确保6G原生AI系统的互操作性？

主要发现

• 所提出的框架通过基于用户意图动态编排AI算法，在多接入无线场景中实现了最大和速率。
• 意图感知的PFM在保持高服务质量的同时，显著降低了计算资源消耗，评估结果验证了这一点。
• 该框架在任务选择与资源分配方面表现高效，性能提升通过仿真评估得到验证。
• 统一提示系统的应用实现了对多样化6G任务的准确意图识别与高效编排。
• 初步结果证实了基于PFM实现云-边-端协同在实时、自适应网络优化中的可行性。
• 本研究识别出未来6G原生AI部署在评估、提示鲁棒性与标准化方面的重要开放挑战。