高通技術公司與諾基亞貝爾實驗室（Nokia Bell Labs）持續合作，展示可互通的多廠商 AI 在無線網路中的價值。在 2024 年世界行動通訊大會（MWC ）上，高通首次展示 AI 增強頻道狀態回饋編碼器與解碼器模型的 OTA（over-the-air）互通性，這些模型分別運行於搭載高通技術公司 5G 數據機射頻系統的參考行動裝置和諾基亞的原型基地台中。
這些可互通的模型是由兩家公司使用稱為「序列學習」的全新技術開發而成。透過序列學習，多家公司能夠共同設計可互通的 AI 模型，而無需共享各自實作的專屬細節，公司之間共享模型輸入／輸出配對的訓練資料集即可。
在此概念驗證的基礎上，高通持續合作，進一步展示可互通 AI 在頻道狀態回饋（channel state feedback，CSF）方面的價值、彈性與可擴展性。▶ 前往觀看影片
無線 AI 在不同物理環境中的穩定性
隨著 AI 技術在實際網路中部署，確保模型在各種環境下穩定運行極為重要。訓練資料集應具備足夠的多樣性，以確保 AI 模型有效學習；然而，讓資料集涵蓋所有可能的情境是不切實際的。因此，將訓練結果普遍化以因應新情境，對 AI 模型是非常關鍵的。在雙方研究中，高通分析了三種截然不同的基地台環境：一個戶外的郊區地點（戶外場地），以及兩種不同的室內環境（室內場地1和室內場地2）。
在第一種情境中，高通對使用多樣化資料集訓練的通用 AI 模型，與在特定地點訓練的超本地（hyper-local）模型進行了效能比較。下圖總結了在戶外場地和室內場地 1 所測得的平均傳輸量。從結果可以看出，通用 AI 模型在不同環境中運行時，其效能與超本地模型相當。
隨後，高通對通用模型進行調整，加入來自「室內場地 2」（即調整後的通用模型）的資料。接著，高通在室內場地 2 的四個不同位置測量用戶資料傳輸量。如圖中所示，通用模型在所有測試情境下的表現與調整後的通用模型差異在 1% 以內，展現了通用模型在新環境中的穩定性。
藉由標準固定波束族回饋的傳輸量增益
AI 增強的頻道狀態回饋（channel state feedback，CSF）使網路能夠以更精確的波束模式進行傳輸，進而提升接收訊號強度、降低干擾，並最終提供更高的資料傳輸量。高通透過記錄行動裝置使用者在基地台不同位置移動時，分別基於 AI 的回饋與以標準固定波束族為主的回饋（3GPP Type I）所實現的資料傳輸量，以此測量效能提升。
如以下長條圖所示，採用AI回饋可實現更高的傳輸量，每個位置的傳輸量增益從 15% 至 95%。在實際商業系統中，AI 增強 CSF 下所觀察到的傳輸量增益，將取決於多種因素。然而，這項概念驗證的結果以及多項模擬研究均顯示，透過 AI 增強實現的傳輸量能持續優於透過傳統方法實現的傳輸量。
網路端解碼器優先的序列學習
序列學習可以透過兩種方式進行：裝置端編碼器優先（device encoder-first）或網路端解碼器優先（network decoder-first），這兩種方法在部署和標準化方面具有不同的影響。為了支援3GPP對解碼器優先方法日益增加的關注，今年高通將原本的編碼器優先展示換成了解碼器優先模型訓練。
在 MWC 2024 展示的編碼器優先方法中，高通技術公司設計了編碼器模型，並生成了一組輸入／輸出配對的訓練資料集，然後將該資料集分享給諾基亞，後者隨後設計可互通的解碼器。今年，透過解碼器優先的方法，由諾基亞設計解碼器模型，生成並共享解碼器輸入／輸出配對的訓練資料集，供高通技術公司設計可互通的編碼器。高通發現，透過兩種模式設計出的模型效能相當，差異在幾個百分點以內。
高通技術公司與諾基亞貝爾實驗室共同展示的原型系統，是 AI 增強通訊從概念走向現實的重要一步。研究結果顯示，透過多種學習方式，能夠穩健地顯著提升使用者體驗。隨著高通逐步掌握可互通的多廠商 AI 系統設計，將能實現更大的容量、更高的可靠性以及更低的功耗。
深入了解高通無線技術研究：
（本文訊息由高通提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：高通）