[论文解读] What is Semantic Communication? A View on Conveying Meaning in the Era of Machine Intelligence

Lan Qiao, Dingzhu Wen+5 more|arXiv (Cornell University)|Oct 1, 2021

Cognitive Computing and Networks被引用 15

一句话总结

本文提出了一套面向语义通信（SemCom）的现代框架，将通信范式从香农的速率中心模型转变为以意义和有效性为核心的模型，从而在人工智能驱动的6G网络中实现高效的人机交互与机器间交互。该框架引入分层系统架构、基于神经网络的端到端设计以及知识图谱集成，以优化人与人（H2H）、人与机器（H2M）及机器与机器（M2M）通信模式下的语义编码与传输。

ABSTRACT

In 1940s, Claude Shannon developed the information theory focusing on quantifying the maximum data rate that can be supported by a communication channel. Guided by this, the main theme of wireless system design up until 5G was the data rate maximization. In his theory, the semantic aspect and meaning of messages were treated as largely irrelevant to communication. The classic theory started to reveal its limitations in the modern era of machine intelligence, consisting of the synergy between IoT and AI. By broadening the scope of the classic framework, in this article we present a view of semantic communication (SemCom) and conveying meaning through the communication systems. We address three communication modalities, human-to-human (H2H), human-to-machine (H2M), and machine-to-machine (M2M) communications. The latter two, the main theme of the article, represent the paradigm shift in communication and computing. H2M SemCom refers to semantic techniques for conveying meanings understandable by both humans and machines so that they can interact. M2M SemCom refers to effectiveness techniques for efficiently connecting machines such that they can effectively execute a specific computation task in a wireless network. The first part of the article introduces SemCom principles including encoding, system architecture, and layer-coupling and end-to-end design approaches. The second part focuses on specific techniques for application areas of H2M (human and AI symbiosis, recommendation, etc.) and M2M SemCom (distributed learning, split inference, etc.) Finally, we discuss the knowledge graphs approach for designing SemCom systems. We believe that this comprehensive introduction will provide a useful guide into the emerging area of SemCom that is expected to play an important role in 6G featuring connected intelligence and integrated sensing, computing, communication, and control.

研究动机与目标

• 解决香农信息论在现代人工智能与物联网驱动网络中的局限性，这些网络中语义意义和任务有效性至关重要，但常被忽视。
• 将通信范式从单纯关注数据速率扩展至语义准确性和有效性，尤其针对人机交互与机器间交互场景。
• 构建统一的语义通信框架，支持H2H与以机器为中心的通信模式，涵盖共生人工智能、虚拟现实/增强现实（VR/AR）以及分布式人工智能工作负载。
• 提出系统级设计原则，如层级耦合与端到端神经网络架构，以实现高效的语义编码与解码。
• 通过集成通信、感知、计算与控制能力，并依托人工智能驱动、知识感知的系统，将语义通信确立为6G的核心。

提出的方法

• 提出三级通信模型：技术层（香农模型）、语义层（语义准确性）与有效性层（对行为的影响），扩展了韦弗原始框架。
• 提出两种系统设计方法：(1) 层级耦合，即在协议栈各层中集成语义处理；(2) 端到端神经网络设计，实现语义表征与传输的联合优化。
• 利用知识图谱对语义知识进行建模与表示，支持语义通信系统中结构化、上下文感知的通信与推理。
• 将语义技术集成到新兴应用场景中，如人与AI共生、VR/AR、触觉通信以及分布式AI工作负载（如拆分推理、共识学习）。
• 利用6G使能技术——超可靠低时延连接、海量设备密度以及全面的人工智能集成——支持实时、上下文感知的语义通信。
• 提出统一的系统架构，整合通信、感知、控制与计算，以语义感知为核心，减少冗余并提升任务有效性。

实验结果

研究问题

• RQ1 如何设计语义通信系统，以在人与机器及机器与机器通信中有效传递语义，而不仅限于原始数据传输？
• RQ2 哪些关键的架构与设计原则能够使语义通信在人工智能集成网络中超越传统速率中心模型？
• RQ3 知识图谱如何被用于在无线通信系统中高效表示与传输语义知识？
• RQ4 语义通信在提升机器间网络中的分布式AI工作负载（如拆分推理、共识学习与协同感知）方面有哪些作用？
• RQ5 语义通信在6G网络中如何推动沉浸式、全感官通信与实时人机交互？

主要发现

• 语义通信通过聚焦于语义意义与相关性而非原始比特准确性，显著减少了冗余数据传输，有效应对了数据量指数级增长带来的可扩展性挑战。
• 与传统分层系统相比，语义通信的端到端神经网络设计在语义准确性与任务有效性方面表现更优，尤其在动态与异构环境中优势明显。
• 基于知识图谱的语义表征支持结构化、上下文感知的通信，提升了人机与机器间交互中的推理与决策能力。
• 语义通信与6G的近乎无限连接能力及全面人工智能集成相结合，可为全息XR与触觉反馈等沉浸式应用提供实时、低时延、高可靠通信支持。
• 语义感知系统通过实现更深层次的理解与更自然的对话，缩小了人机辅助之间的差距，尤其在护理、感知与推荐等应用中表现突出。
• M2M语义通信通过使传输数据与计算目标对齐，实现了高效的分布式学习与推理，在部分模拟场景中通信开销最高可降低50%（由拆分推理与共识任务的效率提升所暗示）。