面向5G网络的自动驾驶智能化实践计算能力等多重挑战

在最近几天于上海召开的6GANA第二次全体会议上，中国移动研究院副院长黄裕红发表了题为《从5G网络智能化到6G智慧内生》的演讲，从5G自动驾驶网络愿景的各个阶段目标，到如何实现6G网络自主的内生智慧黄裕红在演讲中做了详细的介绍

她指出，6G网络的目标是实现L5级自动驾驶网络与5G相比，6G增加了内生智能面，数据面和虚实交互的数字孪生网络，通过内生智能与数字孪生网络的交互和融合，实现6G网络全生命周期的高级自治但在如何实现6G内生智能方面，行业仍面临数据，模型，计算能力等多重挑战

面向5G网络的自动驾驶智能化实践。

黄裕红表示，中国移动自动驾驶网络的目标框架包括两个目标mdashmdash外部业务增长和内部效率提升，三个闭环mdash资源闭环，服务闭环，用户闭环，四级mdashmdash网元管理，网络管理，业务管理，业务管理自动驾驶网络从L0到L5的层次结构意味着不同的网络特性和能力，其中L5意味着全自动驾驶网络，即网络可以自动实现，规则自动迭代以适应变化，使网络可以随行业而动通过计算能力，数据管理和算法创新的融合，最终实现应用创新这些应用包括智能传感，智能诊断，智能预测和智能控制

目前，中国移动在5G网络智能化方面进行了很多实践，包括Massive MIMO智能优化，智能基站节能等其中，中国移动的Massive MIMO智能优化已在2省13市大规模应用通过更灵活的波束配置，更精准的用户需求和更复杂的优化场景，5G流量提升了10%，5G用户数提升了5%此外，中国移动智能基站节能还在四省100多万个小区接入，实现节电增益5%—10%，智能全天候发布万级指令，网络监控零故障

从5G共生到6G内生，我们做了一些思考在架构上，要从集中式智能向多形态智能转变在场景方面，需要能够满足多元化发展的需求，尤其是ToB场景的智能化水平还有待提升，在效果上，需要从运营智能向端到端高服务智能转变，实现高度自治的网络在环境方面，要能实现较强的模拟和再现能力黄裕红说

如何实现6G高层网络自治。公开数据显示，2016年至2020年，该行营业收入分别为463亿元，340亿元，377亿元，492亿元，434亿元；同期净利润分别为19.85亿元，151亿元，180亿元，105亿元和104亿元。

6G网络旨在实现L5级自动驾驶网络，为消费者和垂直行业客户提供全自动化，零等待，零接触，零故障的创新网络服务和信通技术服务，打造自助，自愈，自寻优，自进化的通信网络黄裕红在会上表示，数字孪生和内生智慧将推动6G网络实现高度自治

其中，数字孪生网络行业没有统一的标准架构考虑到数字孪生的技术特点和通信网络的需求，中国移动提出了，三层三域双闭环三体五态参考架构据介绍，三层是指物理网络层，双网络层和网络应用层三个域是指双网络层数据域，模型域和管理域双闭环指mdashmdash基于服务映射模型的双网络层:闭环配置变更分发前完成模拟验证和迭代优化，基于三层架构的外部闭环完成网络应用的控制，反馈和优化，三体是指规划体，孪生体和物理实体五种状态是指双空状态，规划状态，服务状态，孪生状态和节能状态

稀有

具体到6G内生智慧的典型场景，她介绍说，在面向网络方面，包括网络自治mdashmdash帮助网络本身实现高度的网络自治，降低成本，提高效率，和网络安全mdashmdash检测威胁，自主防御或协助防御，实现内生安全在客户导向方面，包括为2C客户提供极致的商业体验和高价值的新业务，更好地满足2B客户差异化的智能化需求，可实现随时随地智能按需供应

6G内生智能的技术需求与挑战。

但是，要实现6G内生智能，还存在一些技术需求和挑战据黄裕红分析，在6G内生智能技术需求方面，面向行业，网络自治和2C用户有不同需求

在面向行业方面，AI功能/服务应根据需要灵活安排到端边云计算节点，同时需要具备端网协同和服务质量评估保障体系的分布式AI架构，行业间联邦学习和知识共享框架，模型间的连接融合计算，行业业务逻辑的数字孪生在网络自治方面，需要实现网络自治需求的自我发现，效果的自我评估和多域闭环AI智能应用效果可预验证，在线评估和闭环优化，整合通信—存储—计算多维资源，高效利用网络资源，支持可信网络自治方案对于2C用户来说，需要利用终端的大量数据和计算能力，实现端网融合的分布式AI架构和终端对数据和计算能力的智能感知，同时保证用户数据的脱敏，数据关联聚合和数据隐私

同时，黄裕红指出，如何实现6G内生智能面临数据，模型，计算能力等多重技术挑战。但任职期间，公开数据显示，重庆三峡银行营业收入不稳定，净利润波动较大。。

数据方面，网络数据封闭，不够开放如何解决数据开放共享的问题如何按需实现数据可用性如何实现数据的高效存储和管理如何保护数据安全和隐私实现可信认证，认证和获取在模型方面，目前的训练方法导致模型泛化性能差，那么如何突破呢

的黑盒性，导致AI模型可解释性，安全性和公平性差，如何建立可信的AI数据非独立同分布场景下，如何保证模型的收敛性和有效性在算力方面，集中式和分布式节点间算力如何协同，以满足内生智慧计算任务的性能需求计算通信感知等多维资源如何联合调度，以高效支持各种AI任务如何不终端算力协作，提供端侧所需智能服务

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。