下一代多址接入技术的挑战与关键进展

下一代多址接入技术将突破以正交性为基础的设计原则,通过非正交性的设计和更先进的信息处理技术获得更高的谱效和能效。针对海量随机接入与非正交多址接入(NOMA)面临的不同挑战,认为不同的接入方法与接收机设计可大幅提升大规模接入与数据传输的效率。此外,人工智能、大规模多输入多输出(MIMO)和多基站协作等技术的蓬勃发展也为下一代多址技术的发展提供了新的可能。

大模型关键技术与应用

介绍了自ChatGPT发布以来,大模型关键技术和应用的主要进展。在大模型设计方面,模型规模不断增加,但已有放缓趋势,更长的上下文以及多模态已经成为主流,计算效率明显提升;在模型训练方面,从单纯追求数据数量逐渐转变为关注数据的多样性和质量,特别是如何使用合成数据训练大模型成为主流探索方向,这是迈向通用人工智能(AGI)的关键;在模型推理方面,模型量化和推理引擎优化极大降低了模型使用成本,诸如投机采样等新兴算法逐渐成熟。在应用层,Agent技术获得了重大进展,在克服大模型固有缺陷方面发挥了不可替代的作用。越来越多的企业开始规划、研发以及使用大模型,企业级大模型应用架构日益成熟完善,并以场景、技术、算法三要素为抓手加速大模型商业价值闭环。

基于动态通道绑定的更高速无源光网络

传统无源光网络单通道速率提升成本越来越高。多通道无源光网络可通过动态通道绑定实现速率提升,进一步满足服务多样性需求。分析了现有IEEE和ITU-T无源光网络标准中的动态通道绑定需求和功能实现,以及数据传输过程中存在的带宽效率、数据顺序恢复等问题,提出了一种更高速无源光网络动态通道绑定中数据序列化传输和顺序恢复方法。该方法简化了动态通道绑定处理,避免了带宽效率下降问题。

大语言模型时代的智能运维

大语言模型由于其强大的语言能力、代码生成能力、工具编排能力,将是智能运维(AIOps)落地取得突破的重要因素。大模型时代的AIOps架构是多AIOps智能体的人机协同系统。首先列举了AIOps对大语言模型的应用需求,探讨了大语言模型时代的AIOps架构,其次总结了将大语言模型整合到运维工作流程中所面临的挑战,最后结合这些挑战给出了解决思路并倡议以“社区众包,群体智慧”的方式加速落地运维大语言模型。

网络大模型专题导读

OpenAI公司基于“Scaling Law”哲学,通过堆叠算力,使用模块化易于扩展且擅长捕捉长距离依赖关系的Transformer神经网络,构建了自回归、生成式的千亿以上参数量大模型,在多个人工智能(AI)领域取得了SOTA效果。目前,OpenAI正在通过图像、视频等一系列多模态学习,力图实现“World Model”“World Simulator”,以建立物理世界映射。它的实战成果给全世界AI从业者提供了一种目前看来行之有效且朝向通用人工智能(AGI)发展的方法论和技术路线。

从2B到4B——电信行业与垂直行业的供需协同倍增发展

为更好地发展下一代移动通信技术,加快5G/6G建设,需将发力点由“面向企业”的2B(To Business)向“为了企业”的4B(For Business)转变。从2B到4B,是从供给侧主导向需求侧主导的转变,是从“供给外生赋能”向“供需内生协同”本质的转变。发展5G/6G公专网,需要树立全生命周期的可持续发展理念,深度理解目标企业的核心诉求,充分发挥企业的主体作用。应由垂直行业主导公专网应用的标准制定与生态建设,设计可复制、可定义的商业模式,从顶层设计开始,将数字技术融入到垂直行业数字化转型之中,实现5G/6G公专网发展从2B到4B的转变,创造电信行业与垂直行业供需协同、价值倍增的可持续发展模式。

面向6G的信道状态信息压缩技术

提出基于人工智能的信道状态信息压缩技术方案,并全面思考了模型训练、模型管理中的标准制定、实际应用等相关问题,分析了不同问题的潜在解决方案。仿真结果表明,所提出的方案可有效提升信道状态信息反馈精度,网络容量平均提升10%左右。

生成式大模型承载网络架构与关键技术探索

生成式大模型训练需要超大规模低时延、高带宽、高可用的网络承载底座。对生成式大模型下高性能网络基础设施的技术发展路线和实现方案进行了研究,认为商用部署时需针对不同训练阶段的工作负载和流量模式,开展定制化网络架构设计和传输协议优化。流控/拥塞控制技术、负载均衡技术、自动化运维技术和面向广域远程直接内存访问(RDMA)的确定性网络传输技术是未来的重点研究方向。

6G多天线技术专题导读

随着5G进入大规模商用化部署阶段,6G在全球范围内已成为科技竞争新焦点。2023年,国际电信联盟定义了6G的6大场景和15项关键能力。在此需求驱动下,发展并增强多天线技术是实现6G愿景目标的有效手段。多天线技术发展至今,已从天线形态及拓扑设计、信道建模及测量、无线传输理论与关键技术等多个方面取得了重要突破。当前阶段多天线技术相关研究更注重近场通信、通感一体化等新应用场景的开发,在超大规模多天线、智能超表面等新天线形态下的扩展,以及利用人工智能(AI)等新技术进行传输优化或变革性创新等。

语义编码与经典信道编码融合研究

目前的语义通信研究尚未阐明语义编码与经典信道编码之间的关系、语义编码在现有通信框架中的可行性,以及影响语义编码的关键因素等。对基于联合信源信道编码的语义通信系统进行了理论分析,设计了语义编码与经典信道编码的融合实验,展示了语义编码的潜在优势,探索了语义编码与经典信道编码之间的关系,研究了后续将语义通信应用于经典通信框架的基础方法。

智能算力核心基础系统软件的现状与展望

智能算力对中国人工智能技术的进步具有重要意义。发展智能算力平台,做好核心基础系统软件尤其重要。梳理了智能算力平台中的10个核心基础系统软件,对这些软件的全球现状进行了详细介绍,并探讨了当前中国算力平台上系统软件栈建设的机遇和挑战。

元宇宙初探:概念内涵、技术体系及发展建议

人工智能、虚拟现实、数字孪生等数字技术的快速发展,使得人类的生活空间不再仅仅局限于现实物理世界,以数字内容、数据算法构成的数字虚拟空间逐渐成为人们生活中不可或缺的一部分。“Metaverse(元宇宙)”被认为是未来虚实相融的终极形态,但由于概念转译问题以及缺乏广泛的学术共识,目前“元宇宙”依然是众说纷纭的状态,公众对这一概念难以形成准确清晰的认识。基于此,通过梳理数字生成技术的发展进程,从中国数字化进程和国情出发提出“复合宇宙”概念,从而促进相关部门、从业者、用户更好地理解这一新兴技术,引导产业的健康发展。在阐述复合宇宙的概念内涵的基础上,对元宇宙的必备要素、技术支撑、应用场景这3个方面进行深入阐述分析。最后,对元宇宙的未来发展提出建议,包括技术突破、规则制定、产业布局、人才培养等方面。

大模型训练技术综述

实现高效训练已成为影响大模型应用普及的关键要素之一。按照数据准备、数据加载、模型初始化及评估、训练并行、模型状态保存的一般训练流程,对大模型高效训练的主要技术进行分析和论述。面对大模型规模的持续增长、数据处理类型的扩展,现有大模型训练技术仍存在较大的优化空间。认为未来大模型训练重点研究方向包括以数据为中心、数据加载智能化和异构加速、网络通信领域定制、训练并行及自动化。

大语言模型算法演进综述

基于Transformer架构的大语言模型展现出强大的能力,是人类迈向通用人工智能(AGI)的一个重大进步。大语言模型架构和算法的演进分为提高推理效率、提高模型能力两条技术路线。介绍了两条技术路线主流的技术方案和思路。提高推理效率的方法有分布式推理、计算优化、访存优化、量化等;提高模型能力主要是引入新的架构,如混合专家(MoE)模型、状态空间模型(SSM)等。

通信网络与大模型的融合与协同

随着以大模型(LM)为代表的生成式人工智能(AI)的兴起,将LM应用于通信网络的研究引起了学术界和工业界的广泛关注。回顾了目前LM的主流神经网络架构及其能力涌现机理,然后从AI与通信的双向协同、网络大模型部署两方面,深入探讨了通信网络LM研究的主要进展。还分析了网络LM NetGPT将要面临的挑战以及未来的发展方向。考虑到基于AI/机器学习(ML)的通信模型相较于传统模型获得的出色性能,认为将通信网络与LM进行融合并使二者协同工作,能进一步地提升系统的性能。要实现通信网络与LM的融合与协同,本质上是要构建好网络LM,云边协同就提供了一种很好的网络LM部署方案。

基于存算一体集成芯片的大语言模型专用硬件架构

目前以ChatGPT为代表的人工智能(AI)大模型在参数规模和系统算力需求上呈现指数级的增长趋势。深入研究了大型模型专用硬件架构,详细分析了大模型在部署过程中面临的带宽问题,以及这些问题对当前数据中心的重大影响。提出采用存算一体集成芯片架构的解决方案,旨在缓解数据传输压力,同时提高大模型推理的能量效率。此外,还深入研究了在存算一体架构下轻量化-存内压缩协同设计的可能性,以实现稀疏网络在存算一体硬件上的稠密映射,从而显著提高存储密度和计算能效。

低资源集群中的大语言模型分布式推理技术

探索了一种并行能力更强、具有更好兼容性的大语言模型(LLM)分布式推理范式。该范式专为弱算力、小显存环境设计。同时面向主机内外差异带宽,设计了基于通信树的高效All-Reduce组通信技术;针对小显存集群,设计了细粒度的显存管理与调度技术。最后,基于这些关键技术,构建了一套针对资源受限场景的LLM推理软件系统,旨在用数量有限的低资源设备,最大化能推理的LLM,同时通过优化通信策略与计算调度加速分布式推理。实验证明,在应用上述技术后,本方案的首词元生成延迟降低34%~61%,每秒生成词元吞吐量提升52%~150%,显存占用降低61%。

无蜂窝大规模MIMO的接入点间同步与空口校准技术

无线通信系统中多个天线单元相干协作发送(CJT)技术的性能严重依赖于发送端已知信道状态信息(CSI)。为了避免CSI反馈,通常假设系统工作在时分双工(TDD)模式。利用TDD空口上下行信道的互易性,根据上行探测信道获得下行CSI。但是,实际系统中由于节点(AP)间存在同步误差及通道的非理想因素,上下行整体信道并不互易。研究了面向无蜂窝大规模MIMO的网络侧时频同步以及空口(OTA)校准技术。基于现网商用远端天线单元(RRU)以及同步技术,给出了大规模组网的同步和空口校准方案。结合试验系统,探讨了CJT对同步和校准的性能的要求以及无蜂窝大规模MIMO实现方式和节点天线配置,给出了校准相位的预测性能。

浅析基于AI的信道信息预测在6G中的应用

深入探讨了基于AI的信道信息预测在6G通信系统中的应用,并从信道信息预测的信道模型、信道信息预测方案、数据收集方法、模型监控技术、仿真验证结果,以及基于AI的信道信息预测所面临的机会与挑战这6个维度展开分析。在信道信息预测方案的分析中,广泛探索了多种信道信息预测策略;在数据收集方面,详细分析了不同参考信号传输类型及数据收集范围的影响;在模型监控方面,讨论了3种可能的监控方式。此外,通过仿真验证,充分展示了基于AI的信道信息预测技术的有效性和优越性。

U6G超大规模MIMO技术

为了满足不断攀升的数据传输速率需求,扩大频带宽度、增加天线数量是直接有效手段。在6G应用场景与关键能力的驱动下,6 425~7 125 MHz频段(U6G)超大规模多输入多输出(MIMO)技术成为满足6G需求的潜在使能技术之一。基于U6G超大规模MIMO系统的天线形态及信道特征,针对该技术面临的成本、开销、复杂度三重挑战,提出高效能U6G超大规模MIMO无线传输的总体设计目标,并展望其未来研究趋势。