基于網絡演進的人工智能技術方向研究

楊震，趙建軍，黃勇軍，李潔，陳楠

基于網絡演進的人工智能技術方向研究

楊震，趙建軍，黃勇軍，李潔，陳楠

（天翼物聯科技有限公司，上海 200122）

國家戰略把人工智能（AI）及物聯網（IoT）/5G同時定位為信息基礎設施的重要組成部分，其中人工智能屬于新技術基礎設施，IoT/5G屬于通信網絡基礎設施。這引出了“通信技術與人工智能技術融合發展”的技術方向。對于電信運營商而言，如何將人工智能技術與網絡融合，重構網絡技術架構，將“AI能力”作為“服務”開放，將是重要的技術演進方向。基于這一命題，探討了未來AI和網絡技術的發展方向，為未來AI技術與IoT/5G網絡架構的融合發展方向提供了參考思路。

人工智能；物聯網；5G；智能內生；算網融合

0 引言

國家戰略把人工智能（AI）及物聯網（IoT）/5G同時定位為信息基礎設施的重要組成部分，人工智能已經進入與實體經濟深度融合的階段，但各行業如何在原有的技術、產品體系中引入AI技術是擺在人們面前的問題。另外，在網絡技術進入5G時代后，以服務企業用戶為主要需求的網絡演進，需要引入更多的技術驅動因素；而AI技術不論從服務對象，還是對數據、模型、算力連接的需求，都將在技術路徑上與網絡技術進行深度交叉融合。物聯網是實現“人與物”“物與物”的泛在連接和數字化信息處理、“人、機、物”終端感知與交互，為行業/企業用戶提供“融合AI與網絡技術新型連接”的核心載體。因此面向行業/企業AI應用/賦能的“物聯網新型連接”技術研發需求，為網絡技術的發展提供了重要的需求輸入，可以說下一代網絡技術的演進方向是通過物聯網連接，將AI能力嵌入企業的各類應用中，降低企業獲得相關AI能力的成本及復雜度，實現AI能力的“物聯網原生”[1-3]。

本文首先從AI與網絡融合的角度，進行了“基于AI的網絡”和“基于網絡的AI”兩個技術觀點的辨析；然后從基于網絡的AI、連接+AI的角度，分析了未來AI與網絡各自需要關注的研究方向，并簡要探討了相關技術的發展階段。

1 人工智能能力網絡原生

1.1 人工智能技術演進與網絡技術演進的關系

雖然目前AI技術在某些特定領域（如機器視覺在安防領域）的應用取得了很好的效果，但是AI技術在行業賦能、規模化應用方面還有很大欠缺，究其原因，主要有以下幾個方面。

（1）數據共享。AI模型訓練需要大量的數據，并且數據需要根據應用場景進行相應的特征提取，而數據的所有權基本屬于應用企業，而非AI能力提供企業，因此目前單獨項目式開展的方式無法形成規模復制效應；行業企業用戶也沒有能力組織AI隊伍，自己完成相應的工作。

（2）能力的標準化。對AI生成及對外服務流程的標準化，尤其是對AI應用效果的評價標準化工作還比較欠缺，企業用戶無法評價、了解目前所采用的AI模型是否是業界應該達到的水平，還有改進的余地，為提升效果還需要提供什么樣的支持和資源投入。

（3）安全、可信、可解釋。包括企業用戶是否能信任目前的AI結果，所采用的AI能力是否符合監管要求等。

通信技術是極其嚴格、標準化的技術，通過各類通信協議及相關建設服務標準的制定，可以為規模化AI應用提供很好的技術保障，解決AI應用中的各類問題。隨著IoT/5G技術的發展，目前傳遞信息的技術水平已經超出了業界的真實需求。通信行業的根本目標是為信息的獲得者提供決策服務，將傳遞信息作為主要的技術演進方向，在網絡建設中引入AI技術思想及能力，是下一代網絡技術研究的關鍵之一。從更廣泛的視角來看，吸納AI技術對企業決策的支持能力，在信息傳遞的基礎上實現信息連接，進一步基于云/端/邊的算力，利用AI技術實現計算、決策支持能力的一體化通信服務架構，將是未來網絡技術發展及建設的重要方向。未來“人工智能”與“網絡”融合存在兩大方向：基于人工智能的網絡（AI for NET，AI4NET）和基于網絡的人工智能AI（NET for AI，NET4AI）[4-17]。

1.2 基于人工智能的網絡

AI4NET是指在網絡建設、運行、服務、產品、維護中引入AI技術，如在網絡運營中使網絡的各項功能更加智能、效率更高，其核心思想是AI服務于網絡設計、建設、運維。文獻[8]從運營商無線接入網、核心網、傳輸網、終端到大部分產品服務，引入AI技術的詳細分析，如網絡流量分類、網絡流量預測、網絡優化、基站的無線資源管理、服務要求保證、網絡故障識別與預測、核心網用戶策略管理和移動性管理、承載網路由調度等；在網絡管理領域，從2018年3GPP定義的管理數據分析功能（management data analytic function，MDAF）、歐洲電信標準組織（European Telecommunications Standards Institute，ETSI）成立經驗式網絡智能工作組（Experiential Network Intelligence，ENI）并定義ENI引擎到網絡運維支撐系統（operation supporting system，OSS），都分析了AI可能的應用場景；此外，在運營商各類產品管理中也介紹了引入AI技術的方向，如呼叫中心語音交互、在客戶營銷、市場營銷中的AI應用等。目前的熱點是在網絡架構和標準化方面的AI能力引入，移動通信國際標準化組織3GPP引入了網絡數據分析功能（network data analysis function，NWDAF），定義了以NWDAF 為核心的5GC智能架構。NWDAF作為網絡數據分析功能的5G核心網AI網元，關注及實現AI技術與通信技術協議的融合，完成對5G核心網絡的移動性管理、網絡服務質量（quality of service，QoS）以及 5G核心網其他網元（如用戶面功能（user plane function，UPF）等）進行智能化管理，包括網絡的性能分析、終端的移動性分析、終端的通信模式分析、終端的行為異常檢測、業務體驗預測等，提升網絡質量與用戶體驗。這部分的核心是在通信行業引入AI技術，目前研究較多，這里不贅述。

1.3 基于網絡的人工智能

NET4AI是指網絡服務于AI的生成及能力開放，如把AI各種能力（如智能語音、知識圖譜、圖像內容理解等功能）轉換成用戶可以通過網絡調用、嵌入行業客戶業務系統中的AI能力。結合IoT/5G網絡技術的發展，試著給出NET4AI的定義：基于IoT/5G的AI能力開放，即以新一代IoT/5G網絡為基本支撐載體的，考慮新一代終端技術演進方向的，實現AI場景需求感知、AI算力及承載資源調度、AI生成（包括數據采集、匯聚、存儲、特征工程、模型訓練、模型推導加載、優化維護等）及AI服務能力開放的網絡技術架構。NET4AI使AI能力隨網開放給各行業的應用需求，是使網絡成為AI從生成到應用全生命周期管理的技術架構，使網絡通過“人、機、物”的連接，實現“數據、AI能力、算力、應用”的連接。

NET4AI符合人工智能發展的技術趨勢：①從技術融合角度，結合目前“云網融合”“東數西算”“算網一體、算力網絡”等運營商核心技術優勢，使“人工智能基礎設施”“人工智能新基建”中的關鍵核心環節成為“網絡基礎設施的重要組成部分”；②通過“AI能力網絡原生”的技術架構，形成圍繞IoT/5G網絡的新型創新生態鏈，建設AI技術應用過程中知識的積累復用機制，解決數據積累、場景化特征工程、模型訓練、加載、優化迭代運維過程中的能力復用問題，并凝練相關標準及技術規范。

本文主要研究NET4AI所需進行的工作。

2 當前人工智能的研究方向

要想實現NET4AI，首先要進行AI基本技術研究及分析，找出AI形成及應用過程中的關鍵影響因素，進行技術要求及指標的提煉及構建，然后將其轉化成網絡服務AI能力開發、建設及運維指標，在此基礎上構建下一代網絡技術體系。AI的技術研究方向基本有以下幾個方面[18-28]。

（1）新的理論模型。解決當前神經網絡計算模型依賴大量標注樣本、魯棒性和適應性差、可解釋性不足、能效比低等問題；實現因果推理、自適應、自學習、小樣本學習、可解釋性等智能新理論與新方法，并由此提出新的AI計算平臺框架。例如，以類腦智能為代表的由腦結構和功能啟發的新型神經網絡模型，期望基于腦科學的最新進展，提出新型的神經網絡計算模型，研究監督學習、強化學習、無監督學習和元學習等多種類腦學習機制。

（2）認知計算和知識圖譜。面向開放、動態、真實環境下推理、決策、實際落地的需求，進行常識學習、直覺推理、自主演化、因果分析等理論和方法研究，進行知識圖譜構建方法的研究；進行知識圖譜半自動、自動化工具的研究及開發；面向AI可解釋需求，構建AI從數據采集、數據解釋、特征工程、模型構建、模型遷移、環境適應性、安全等知識圖譜，并開展基于知識圖譜決策知識系統、AI解釋系統的構建。知識圖譜是現在可見的解決行業/企業用戶數據理解及認知問題的最佳技術，并且能提供一種全新的信息整理存儲及計算思路。

（3）大數據智能。核心是大數據、大模型、面向“通用智能”的需求，基于跨行業的海量數據搜集、匯聚、表達、理解及應用。符號主義和連接主義的結合，使大模型在大數據的支撐下發揮作用，如谷歌提出的BERT、OPEN AI發布的GPT-3等大模型，具備百億/千億級參數，需要大量的圖形處理單元（graphics processing unit，GPU）、張量處理單元（tensor processing unit，TPU）進行訓練及實際應用開發，這類大模型基本還是延續深度神經網絡技術路線。

（4）小數據智能。小數據也可以說是小樣本，主要解決實際工作中，受采集、人工標注等限制而不可能獲得滿意樣本數量的場景。在某些條件下，還包括考察對新數據集的適應性，在新數據集下，經過少量的標注學習（小樣本學習）、零樣本學習，進而發展出遷移學習、增量學習、強化學習等技術；另外，也可以指在不能獲得原始數據條件下的機器學習技術，如聯邦學習、隱私計算，解決的是數據共享、隱私保護方面的問題。

（5）小模型研究。主要關注的是模型面向運行環境的適應性，主要有兩個分支，一個是以知識蒸餾為代表的模型裁剪、優化、神經網絡剪枝等，使訓練好的推導模型“體積、尺寸”更小，滿足部署環境的需求；另一個分支是TinyML，目標是在低于1 mW的功耗下，如標準紐扣電池的運行功率下，運行機器學習模型，在成本和功率受限的系統中部署及完成機器學習任務，這個方向也是未來物聯網領域人工智能的主要方向之一。

（6）跨媒體智能。研究多模態、跨媒體關聯數據獲取、開放域知識等問題，實現不同媒體、多模態數據集的構建方法、知識獲取和推理方法，構建大規模、共享開放的跨媒體常識、客觀規律和時空事件等知識庫，提出并實現通用認知測試方法。

（7）群體智能。基于人們對自然界群居、具備自組織能力的生物群體觀察提出的一種AI研究方向，指由大量相同個體構成的群體通過特定的組織結構匯聚和管理大規模參與者完成任務時，涌現出的智慧超越其組成個體智慧的智能研究方向，如群體求解、群體數據及信息共享、群體算力共享等。還包括群體交互機制/協議、群體解決問題定義及分解、群體演化及能力開放等研究方向。

（8）分布式智能。完成一個AI功能的各個流程環節存在于不同的物理實體、承載環境中，通過獨特的技術框架實現各部分之間統一調度協調，完成數據采集、特征工程、模型構建、模型訓練、加載、運維等全流程AI服務，滿足數據安全、隱私、監管等各類要求。

（9）機器學習框架、平臺。面向機器學習技術的開發和應用，讓開發人員更容易、更方便地通過一個定義好的平臺框架使用預置的算法、模型，平臺支持數據準備、特征工程、模型構建、訓練、調試、驗證、測試、硬件適配、發布部署等。國外的代表性平臺有TensorFlow和PyTorch，國內有華為的MindSpore、百度的PaddlePaddle等。

此外，還有混合增強智能、自主智能系統、泛在智能、邊緣計智能、新一代分布式智能等研究方向。總體來看，當前AI技術研究思路可以概括為：①基于人類認知本質，對外部世界實體、數據內在規律的研究、認知及建模；②相同數據情況下不同理論實踐效果的研究及分析；③偏工程化的方向，相同實踐效果下，與計算資源（算力）、承載資源（操作系統）、真實應用場景（實際生產數據）相適應的研究及模型優化、魯棒性研究等。其中，第②、③條的研究成果對新一代網絡建設有指導意義。

3 基于網絡的人工智能研究方向

3.1 基于網絡的人工智能的AI研究方向

NET4AI基本的“衡量目標”是網絡是否能提供滿足AI應用需求的，從場景感知、算力調度、模型適配及提供到服務關鍵績效指標（key performance index，KPI）及QoS保障等各類支撐能力。因此，NET4AI主要回答在以網絡為基本支撐載體的情況下，AI模型生成/構造、能力開放服務的關鍵技術指標如何定義，面向AI應用需求提供客觀（可見/可評估）的考察和衡量標準，并把這些成果與通信協議融合，主要總結如下。

（1）AI模型比較衡量指標。通過網絡開放的核心技術，AI客觀指標必須是可見、可衡量、可計算、可比較的，需要使用用戶可感知的形式呈現給用戶，主要包含如下兩種。

·準確率指標。指在相同數據集下，不同理論模型解決相同問題生成的AI系統的準確率差異的評價標準，如文本搜索類的查全率、查準率等指標，人臉識別的錯誤接受率及錯誤拒絕率等。

·模型處理問題時長指標。指不同的AI模型在相同的準確率、計算資源約束條件下，解決相同問題所需的時間差異，如語音識別中的實時率指標；實際中這個指標會轉化成一定計算資源下的并發路數指標（一定資源下功能相同的AI系統同時服務的用戶數），同時考察AI模型占用的CPU/GPU/存儲等資源是否有差異。

（2）AI模型運行維護相關技術及標準。例如，模型是否可以快速根據新數據集訓練升級新模型，模型準確性、效率等不會損失，符合生產要求。這個指標關注的是在原來算法的生成流程不變的情況下，根據“新增數據”進行模型優化升級的能力，并提供一系列可見的驗證方法、技術評價指標。

（3）AI模型的場景化/泛化能力。模型對新場景/新樣本集合的適應能力，訓練好的模型在實際條件下是否還能維持一定的準確率的能力。這個指標與第二個指標有一定的相關性，但這個指標主要考查AI模型不升級情況下對場景的適應能力。

（4）AI模型軟硬件平臺適應性指標。指訓練好的模型對部署環境、操作系統的適應性以及對硬件的適配性等，實際中這部分涉及各類操作系統、軟件工程相關工作。

（5）分布式AI或AI流程標準件。利用分布式AI技術，實現數據采集、特征工程、模型訓練、加載能力的組件化構造，AI生成及服務的不同步驟（流程/功能）由不同的網元完成。本部分工作有助于打破傳統AI形成及能力提供的黑箱，使AI流程標準件各個部分可見、可衡量、可計算，并通過統一的控制器進行任務調度及分配。基本要求是形成與網絡架構融合的，AI生成及能力提供的分布式架構，并進行相應的標準化工作。

（6）可解釋性。AI的可解釋性是企業應用進行決策的重要前提，可解釋性是指讓人工智能系統的輸出結果可以理解。使用者理解輸入數據與預期結果的關系，理解模型的生成及工作過程，要求模型輸出的結果覆蓋各種可能，企業依據各種可能情況設計各種業務流。

（7）安全。如何在保持數據的安全隱私前提下，進行AI技術研發及應用，并符合各類監管要求。

3.2 基于網絡的人工智能的網絡研究方向

對以上各種AI方向的研究成果進行標準化及工程化定義，將為形成未來的網絡技術架構、新一代網絡建設、網元的功能設計，流程、接口及相應的通信協議定義提供重要輸入。因此，應該有以下幾個研究方向。

（1）與通信網絡相融合的AI能力開放技術框架。這個框架實現對客戶使用的AI能力的管理、加載、發布等功能，支撐面向業務側的AI生成的幾個核心功能實現，并定義相應的承載網元：數據采集/存儲/特征工程、模型訓練/生成、能力開放/場景化適配、優化/運維。這部分工作的意義是使AI能力開放給行業用戶的技術要求體現在網絡規范標準和網元定義及部署上。

（2）NET4AI如何提供可計算及衡量的AI指標能力。結合AI技術的演進，NET4AI相關網絡功能（network function，NF）展現標準化的AI能力。在對企業AI服務方面，包括NWDAF等新一代網元功能或類似網元的技術演進，向其他NF提供AI能力或細分的AI功能，例如如何做到提供語音識別AI能力進行加載管理，具體的標準、工作流程如何制定。

（3）基于新一代網絡技術的算力/存儲等基礎資源的調度、分配和動態加載。在云網融合背景下，基于網絡實現面向網絡原生AI能力輸出的算力資源調度、分配。

（5）NET4AI的能力是否能做到安全、可信、可解釋。怎樣形成一個完備的符合安全、監管、可追溯要求的AI技術生產框架。

3.3 基于網絡的AI的發展階段探討

NET4AI技術研究的關鍵點需要結合物聯網技術的發展，在提供面向企業的連接的基礎上，逐步融合AI開放服務能力到IoT/5G的技術演進中，相關研究及實踐應該有以下階段。

（1）梳理用戶對AI能力的共性需求，選定并驗證成熟AI能力通過網絡進行開放階段。這個階段的主要工作是從宏觀上驗證網絡與AI技術在架構上融合的可行性，包括：將一個成熟AI能力作為試驗，進行NET4AI整體網絡技術架構，明確關鍵技術指標定義、AI能力開放相關網元、服務所需資源編排、服務質量保障、接口、協議等技術標準，同時進行應用效果評價，與傳統AI能力開放的各類技術進行對比分析，進行經濟指標、社會效益評價等。

（2）驗證NET4AI的場景化定制階段。這個階段主要驗證AI能力基于網絡技術架構的生成及定制化能力，如場景化AI需求的感知及識別，場景化數據的采集及特征工程，模型訓練、模估、加載發布、優化運維；還包括場景化AI能力生成的任務編排、滿足任務的邏輯架構、部署架構、跨站協同、相關功能的承載網元、網元間的交互流程、接口、協議、標準、服務質量保障等各類技術研究；同時，全面引入對AI技術的安全、可信、可解釋的各類研究成果，服務企業用戶。

（3）NET4AI根據場景化要求的適配、優化階段（AI模型優化）。這個階段主要驗證NET4AI的AI模型的業務適應能力、模型優化所需的數據采集、數據處理及相關特征工程等的標準化及網絡設計建設，如AI應用場景的數據采集、協議的轉換，面向AI場景應用的數據特征工程，AI應用承載的網元、接口、技術標準，AI服務所需資源的精細化編排等；同時進行數據的安全隱私、AI應用效果評價等。

（4）全面融合新一代物聯網終端能力階段。這個階段主要驗證基于物聯網海量連接、融合終端技術進展、感存算通一體、云網邊端協同的基于網絡的人工智能能力架構。這個階段的工作是與以上3個階段工作相互協調、互相促進、同步發展的。涉及的技術包括如下幾種。

·物聯網終端與網絡能力相配合的AI能力調度框架、KPI/QoS體系。

·基于知識圖譜、語義標識解析等技術，面向各類行業AI需求提供AI能力需求的感知、推薦、加載（算力調度）、隨愿開放能力。

·實現物聯網物理實體—信息實體—語義本體及擴展—人工智能能力搜索及獲得的整體物聯網標識語義技術體系。

·結合終端算力、場景感知、場景服務的分布式AI體系，根據AI流程標準件研究進展，使AI能力的各個部分通過網絡的調度分配融合終端能力進行演進，同時進行相應的協議及標準研制等。

4 結束語

目前AI能力提供方式主要有兩種：一種是目前傳統互聯網大型企業的平臺型方式，以平臺為核心，拓展相關的AI硬件，形成相應的生態環境；另一種是私有化部署、按客戶需求開發。而使網絡成為“人工智能的載體”，人工智能能力與網絡能力融合，通過網絡實現算力調度、算力泛在，構建以網絡連接為核心的新一代信息基礎設施，將成為未來AI能力提供的主要方式。通信技術的發展核心是賦能千百萬行業/企業，如工業互聯網、自動駕駛等。AI技術與網絡進行深度融合的技術方向，為網絡技術的發展提供了新的思路，其本質是實現人工智能基礎設施與通信基礎設施融合，形成信息傳輸與信息處理融合的網絡架構及相應的技術體系。

由于AI實現的復雜性，技術實現上涉及模型（認知）、算法、芯片、平臺，產業應用上又涉及產業知識、數據、業務、原有產品及系統等。要實現在IoT/5G網絡技術發展中吸收AI技術的目標，需要深入研究AI技術的各個方面，而其中AI的評價技術（如數據的評價、模型的評價等）顯得十分重要，對AI生成及使用各個階段進行準確定義及相應評價結果的可視化，使行業/企業用戶明確使用的AI產品及服務是什么；在各類NF設計、通信協議制定中，如何承載相關技術要求，使AI技術能力沉淀到網絡架構/能力中，并提供方便獲取、可信賴、可解釋的AI能力是一個有意義的研究方向。

[1] “十四五”數字經濟發展規劃[R]. 2022.

The plan for development of the digital economy during the “14th Five-Year”[R]. 2022.

[2] “十四五”國家信息化規劃[R]. 2021.

The plan for national informatization during the “14th Five-Year”[R]. 2021.

[3] 韋樂平. “連接+”是運營商轉型的正確路徑[R]. 2022.

WEI L P. “Connection+” is the correct path for the operators’s transformation[R].2022.

[4] 歐陽曄, 王立磊, 楊愛東, 等. 通信人工智能的下一個十年[J].電信科學, 2021, 37(3): 1-36.

OUYANG Y, WANG L L, YANG A D, et al. Next decade of telecommunications artificial intelligence[J]. Telecommunications Science, 2021, 37(3): 1-36.

[5] 李琴, 李唯源, 孫曉文, 等. 6G網絡智能內生的思考[J]. 電信科學, 2021, 37(9): 20-29.

LI Q, LI W Y, SUN X W, et al. Thinking of native artificial intelligence in 6G networks[J]. Telecommunications Science, 2021, 37(9): 20-29.

[6] ETSI. Improved operator experience through experiential networked intelligence (ENI)[R]. 2017.

[7] Study on applying AI in telecommunication network: CCSA TC1-WG1#58 meeting[R]. 2017.

[8] 3GPP. Architecture enhancements for 5G system (5GS) to support network data analytics services: TS 23.288[S]. 2021

[9] 3GPP. RAN-centric data collection and utilization: RAN3 SI, 2017.08/10[S]. 2018.

[10] 3GPP. Study on the self-organizing networks (SON) for 5G networks: TR28.861[S]. 2019

[11] 3GPP. Study on management aspects of communication services: TR28.805 V1.1.0[S]. 2019.

[12] ITU-T. Architectural framework for machine learning in future networks including IMT-2020: SG13 Y.317[S]. 2019.

[13] S2-2004541. Federated learning among multiple NWDAF instances, 3GPP TSG-WG SA2 meeting #139E e-meeting[R]. 2020.

[14] IMT-2030(6G)推進組. 6G 總體愿景與潛在關鍵技術[R]. 2021.

IMT-2030 (6G) Propulsion Group. 6G overall vision and potential key technologies[R]. 2021.

[15] 張平, 牛凱, 田輝, 等. 6G移動通信技術展望[J]. 通信學報, 2019, 40(1): 141-148.

ZHANG P, NIU K, TIAN H, et al. Technology prospect of 6G mobile communications[J]. Journal on Communications, 2019, 40(1): 141-148.

[16] 張彤, 任奕璟, 閆實, 等. 人工智能驅動的6G網絡：智慧內生[J]. 電信科學, 2020, 36(9): 14-22.

ZHANG T, REN Y J, YAN S, et al. Artificial intelligence driven 6G networks: endogenous intelligence[J]. Telecommunications Science, 2020, 36(9): 14-22.

[17] 蒲慕明, 徐波, 譚鐵牛. 腦科學與類腦研究概述[J]. 中國科學院院刊, 2016, 31(7): 725-736, 714.

PU M M, XU B, TAN T N. Brain science and brain-inspired intelligence technology—an overview[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(7): 725-736, 714.

[18] 熊回香, 楊滋榮, 蔣武軒. 跨媒體知識圖譜構建中多模態數據語義相關性研究[J]. 情報理論與實踐, 2019, 42(2): 13-18, 24.

XIONG H X, YANG Z R, JIANG W X. Semantic correlation of multimodal data in the construction of cross-media knowledge graph[J]. Information Studies: Theory & Application, 2019, 42(2): 13-18, 24.

[19] 蔣逸, 張偉, 王佩, 等. 基于互聯網群體智能的知識圖譜構造方法[J]. 軟件學報, 2022, 33(7): 2646-2666.

JIANG Y, ZHANG W, WANG P, et al. Knowledge graph construction method via Internet-based collective intelligence[J]. Journal of Software, 2022, 33(7): 2646-2666.

[20] 楊強, 童詠昕, 王晏晟, 等. 群體智能中的聯邦學習算法綜述[J]. 智能科學與技術學報, 2022, 4(1): 29-44.

YANG Q, TONG Y X, WANG Y S, et al. A survey on federated learning in crowd intelligence[J]. Chinese Journal of Intelligent Science and Technology, 2022, 4(1): 29-44.

[21] 郎春雨, 侯霞. 基于遷移學習的實體關系抽取技術綜述[J]. 北京信息科技大學學報(自然科學版), 2022, 37(1): 65-70. LANG C Y, HOU X. Review of transfer learning technology for entity and relation extraction[J]. Journal of Beijing Information Science & Technology University, 2022, 37(1): 65-70.

[22] 王萌, 王昊奮, 李博涵, 等. 新一代知識圖譜關鍵技術綜述[J]. 計算機研究與發展, 2022, 59(9): 1947-1965.

WANG M, WANG H F, LI B H, et al. Survey on key technologies of new generation knowledge graph[J]. Journal of Computer Research and Development, 2022, 59(9): 1947-1965.

[23] 趙凱琳, 靳小龍, 王元卓. 小樣本學習研究綜述[J]. 軟件學報, 2021, 32(2): 349-369.

ZHAO K L, JIN X L, WANG Y Z. Survey on few-shot learning[J]. Journal of Software, 2021, 32(2): 349-369.

[24] 潘崇煜, 黃健, 郝建國, 等. 融合零樣本學習和小樣本學習的弱監督學習方法綜述[J]. 系統工程與電子技術, 2020, 42(10): 2246-2256.

PAN C Y, HUANG J, HAO J G, et al. Survey of weakly supervised learning integrating zero-shot and few-shot learning[J]. Systems Engineering and Electronics, 2020, 42(10): 2246-2256.

[25] 張魯寧, 左信, 劉建偉. 零樣本學習研究進展[J]. 自動化學報, 2020, 46(1): 1-23.

ZHANG L N, ZUO X, LIU J W. Research and development on zero-shot learning[J]. Acta Automatica Sinica, 2020, 46(1): 1-23.

[26] 陳學松, 楊宜民. 強化學習研究綜述[J]. 計算機應用研究, 2010, 27(8): 2834-2838, 2844.

CHEN X S, YANG Y M. Reinforcement learning: survey of recent work[J]. Application Research of Computers, 2010, 27(8): 2834-2838, 2844.

[27] C. J. Abate, 禾沐. 機器學習的未來: Daniel Situnayake訪談[J]. 單片機與嵌入式系統應用, 2021, 21(6): 1-3, 6.

ABATE C J, HE M. The future of machine learning: interview with Daniel Situnayake[J]. Microcontrollers & Embedded Systems, 2021, 21(6): 1-3, 6.

[28] 秦全德, 程適, 李麗, 等. 人工蜂群算法研究綜述[J]. 智能系統學報, 2014, 9(2): 127-135.

QIN Q D, CHENG S, LI L, et al. Artificial bee colony algorithm: a survey[J]. CAAI Transactions on Intelligent Systems, 2014, 9(2): 127-135.

Study on the direction of artificial intelligence technology based on network evolution

YANG Zhen, ZHAO Jianjun, HUANG Yongjun, LI Jie, CHEN Nan

E-Surfing Internet of Things Technology Co., Ltd., Shanghai 200122, China

The national strategy positions artificial intelligence (AI) and Internet of things (IoT)/5G as important components of information technology facilities at the same time. Among them, AI belongs to new technology infrastructure, and IoT/5G belongs to communication network infrastructure. It leads to the technical direction of “integrate and develop communication and AI technology”. For telecom operators, how to integrate AI technology with the network, reconstruct network technology architecture, and open “AI ability” as a “service” will be an important technology evolution direction. Based on this proposition, the development direction of AI and network technology in the future was discussed, and a reference idea for the integration development and application direction of AI technology with the network architecture of IoT/5G in the future was provided.

AI, Internet of things, 5G, intelligent-endogenesis, computing and network integration

TN929.5，TP18

A

10.11959/j.issn.1000–0801.2022298

2022-08-03；

2022-12-16

楊震（1972-）男，博士，天翼物聯科技有限公司高級工程師，主要研究方向為人工智能、自然語言處理、物聯網技術、搜索引擎。

趙建軍（1974-），男，天翼物聯科技有限公司高級工程師，主要研究方向為物聯網架構、網絡、平臺及業務等。

黃勇軍（1970-），男，天翼物聯科技有限公司高級工程師，主要研究方向為物聯網關鍵技術規劃與管理等。

李潔（1980-），男，天翼物聯科技有限公司高級工程師，主要研究方向為物聯網人工智能、工業互聯網等。

陳楠（1981-），男，博士，天翼物聯科技有限公司高級工程師，主要研究方向為物聯網關鍵技術與架構、物云網融合等。