1、1/81在大數據、云計算等關鍵技術的共同推動下，以ChatGPT 為代表的GPT 大模型大量涌現，展現出了極富創造力的內容生成能力，提供了高度智能化的人機交互體驗。一直以來，在通信方面存在許多傳統方法難以精確建?；蚋咝蠼獾募夹g難題，而GPT 展示出的潛力能夠改進信息通信的服務，提升自智網絡的性能。此外，GPT 的快速發展和廣泛應用，也需要大帶寬低時延高可靠的通信網絡來支撐。因此，本白皮書從通信從業者的角度，探討了GPT 與通信的相互關系。具體來說，首先，第1章闡述了GPT 大模型的概念、發展歷程和研究現狀。其次，第2章探討了GPT 賦能通信行業的嶄新應用，以及在網絡智能自治中的定位。再次，第

2、3章對通信網絡如何支持GPT 泛在應用進行了研究，給出了未來網絡設計的典型思路。接著，第4章對GPT 和通信從獨立演進到協同發展的過程進行了全面的分析，介紹了未來能夠通過“6G+GPT”加速數字化和智能化轉型的 行業。隨后，第5章指出了“GPT+通信”融合發展所面臨的五個最顯著的問題，并給出了一些解決思路。然后，第6章提出了對GPT 與通信融合發展的建議和對未來的展望。最后，第7章對本白皮書進行了總結。2/81目錄.10.41.GPT 引領人工智能發展熱潮.71.1.GPT 基本概念.71.1.1.生成式預訓練轉換器.71.1.2.大模型.81.1.3.Transformer 架構.101.2

3、.GPT 發展歷程.121.3.GPT 研究現狀.141.3.1.國外研究現狀.151.3.2.國內研究現狀.171.3.3.國際組織.172.GPT 賦能通信行業.192.1.GPT 催生通信新應用與新改革.192.1.1.智能客服.202.1.2.自動化仿真.212.1.3.增強語義通信.222.1.4.重塑芯片設計領域.232.2.GPT 促進通信網絡智能自治.242.2.1.GPT 重塑網絡規劃.252.2.2.GPT 增強切片部署.262.2.3.GPT 簡化網絡運維.272.2.4.GPT 加速網絡優化.283.通信網絡使能 GPT 泛在應用.313.1.通信網絡保障 GPT 應用

4、落地.313.2.未來網絡技術支撐 GPT 應用.333.2.1.未來網絡設計的典型思路.343.2.2.原生支撐 GPT 應用的 6G 網絡.353.3.新型網絡架構支持 GPT 能力下沉.363.3.1.自適應切片.373.3.2.分布式學習.383.3.3.邊緣智能.394.GPT 與通信協同發展.414.1.GPT 與通信從獨立演進到緊密結合.414.1.1.GPT 與通信結合趨勢.414.1.2.GPT 與 5G 網絡結合.424.2.GPT 與 6G 通信網絡融合發展.434.2.1.GPT 支持海量數據處理.444.2.2.GPT 推動網絡自服務.444.2.3.GPT 協助網絡

5、資源編排.444.2.4.GPT 構建網絡內生安全.454.3.“6G+GPT”賦能行業數字化轉型.454.3.1.“6G+GPT”賦能智能工業.464.3.2.“6G+GPT”賦能智慧醫療.474.3.3.“6G+GPT”賦能智能交通.474.3.4.“6G+GPT”賦能智慧農業.484.3.5.“6G+GPT”賦能智能家居.484.3.6.“6G+GPT”賦能數字娛樂.493/815.“GPT+通信”融合發展面臨的問題.505.1.通信高質量訓練數據稀缺，專用模型準確性和泛化性差.515.2.端側算力及硬件資源不足，大模型輕量化部署難.535.3.云邊端異構網絡協同困難，大模型性能穩定性差

6、.555.4.服務器互聯存在帶寬瓶頸，訓練時間長推理效率低.575.5.大模型相關法律法規滯后，安全隱私與道德倫理風險高.596.發展建議與未來展望.626.1.發展建議.626.1.1.加快 AI 算力建設，提供基礎設施支撐.626.1.2.加強校企聯合培養，填補創新人才空缺.646.1.3.加速制定相關政策，建立平臺引導發展.666.2.未來展望.686.2.1.核心技術實現突破，關鍵能力顯著增強.686.2.2.體系建設日益完善，數字經濟快速發展.696.2.3.應用場景不斷拓展，循序漸進融合共生.707.結束語.72.73.79.814/810.近年來，隨著人工智能（Artificia

7、l Intelligence，AI）技術的不斷發展，尤其是在強化學習、大模型和內容生成等方面不斷取得突破，各行各業都在積極探索人工智能技術的應用。2022 年11 月底，OpenAI 公司發布了迅速爆火的聊天機器人程序ChatGPT，它具有驚人的自然語言理解和生成能力，引起了社會的廣泛關注。2023 年3 月，升級版GPT-4 多模態大模型的發布，再次引發了生成式AI的熱潮，各類大模型紛紛涌現。從文字對話交互開始，GPT 在短短幾年的時間內深刻影響了人們的生產和生活，帶來了巨大的變化，并且許多人認為它將繼續帶來顛覆性的改變。比爾蓋茨指出大模型是40 多年來最具革命性的技術進步；英偉達CEO 黃

8、仁勛將大模型的出現稱為AI 的“iPhone 時刻”；百度CEO 李彥宏在2023 中關村論壇上提出 大模型即將改變世界?？梢钥闯?，從ChatGPT 掀起的一片浪花，到席卷全球的 浪潮，GPT 大模型已經成為當下最受關注的話題之一，預示著生成式AI 的發展迎來重要轉折，2023 年在AI 發展史上也將留下濃墨重彩的一筆。作為人與人、人與自然、人與機器之間進行信息交流和傳遞的行業，通信行業與大模型技術的發展息息相關。通信行業本身數字化程度較高，需要處理繁雜的數據。GPT 的引入可以簡化大量工作，為通信運營商帶來顯著的能力提升，尤其是在網絡運維和業務交付方面將更加智能化。在大模型時代，隨著GPT

9、技術的發展，算力、數據、算法需求將呈現爆炸式增長，同樣需要通信基礎設施來提供支撐。未來，GPT 如何賦能通信行業，通信行業又該如何支撐GPT，是每一個通信從業者都應該認真思考的問題。因此，本白皮書以GPT 大模型的發展歷程和最新研究進展為基礎，一方面結合具體場景詳細說明了GPT 在通信行業中的創新應用，另一方面研究了未來通信網絡在架構和關鍵技術上對GPT 的原生支持。然后，將GPT和通信相結合，提出了二者協同發展賦能重點行業的數字化智能化轉型思路，同時也指出了二者融合發展過程中存在的問題與挑戰。針對上述問題，給出了相應的發展建議和對未來的展望。最后，對本白皮書的全部內容進行了總結。本白皮書的完

10、整章節架5/81構如圖0-1 所示。圖0-1 白皮書章節架構圖本白皮書由北京理工大學牽頭組織撰寫，共有18 家單位參與，包括移動、聯通、電信3 大運營商，7 所一流高校，3 家知名企業，以及5 個業內領先的研究院所。從調研和跟進GPT 大模型前沿動態，到探究GPT 與通信的關系并構思白皮書的大綱，再到安排章節具體內容并分工撰寫，總共歷時8 個多月，有50多位專家學者深度參與，在反復討論修改迭代了二十余個版本之后才最終完成。在此期間，部分參與單位還成功聯合申請了科技部的國際合作課題“基于大模型的云算網一體化多維智能編排關鍵技術研究”，從而更好地支持本白皮書的完成。6/81我們認為，AI 技術仍處

11、于飛速發展階段，GPT 大模型與通信網絡能夠實現相互融合、相互支持，不斷拓展創新應用場景并完善生態建設，從而共同促進科技進步和千行百業的發展。7/811.GPT 引領人工智能發展熱潮引領人工智能發展熱潮隨著AI和深度學習等技術的發展，“大模型”這一概念進入了人們的視野，其中最引人注目的就是ChatGPT。2022 年11 月30 日，OpenAI 公司正式發布人 工智能聊天機器人 ChatGPT，作為人工智能生成內容（Artificial IntelligenceGenerated Content，AIGC）在自然語言領域的代表，它強大的功能改變了許多人的工作和生活方式，掀起了全球范圍內的AI

12、 新浪潮，也吸引了工業界和學術界的廣泛關注。2023 年3 月14 日，正式發布的GPT-4 進一步升級，文字輸入限制大幅度放寬，回答準確性顯著提高，甚至可以直接輸入圖像，生成歌詞、創意文本等，實現風格變化，讓人們再次感受到生成式AI 帶來的震撼。2023 年11 月7日，在首次開發者大會上，OpenAI 公司首席執行官Altman 向世界展示了GPT-4Turbo。作為GPT 最新版本，它在數據質量、圖像處理和語音轉換等方面進行了更新，為開發者和用戶帶來了更多的可能性和機會。那么ChatGPT 和GPT 是什么？它們經歷了怎樣的發展？又應該如何理解和應用呢？本章將從GPT 大模型出發，分別介

13、紹GPT 的基本概念、發展歷程和研究現狀，以便讀者對GPT 有更加全面和深入的了解。1.1.GPT 基本概念基本概念1.1.1.生成式預訓練轉換器生成式預訓練轉換器GPT 的全稱是Generative Pre-trained Transformer，即生成式預訓練轉換器，源于深度學習和自然語言處理（Natural Language Processing，NLP）領域。在過去的幾年里，隨著計算能力的提升和大數據的出現，NLP 領域取得了突破性的進展。GPT 作為一系列NLP 技術的集大成者，正是在這樣的背景下應運而生的，如圖1-1所示。G：Generative。說明了GPT 的能力是自發生成內容

14、。P：Pre-trained。說明了GPT 已經過預訓練，可以直接使用。8/81T：Transformer。說明了GPT 是基于Transformer 架構的語言模型。圖 1-1 GPT 的含義2017年，Google 團隊首次提出基于自注意力機制（Self-AttentionMechanism，SAM）的Transformer 模型，并將其應用于NLP1。OpenAI 應用了這項技術，于2018 年發布了最早的一代大模型GPT-1，此后每一代GPT 模型的參數量都呈爆炸式增長，2019年2月發布的GPT-2參數量為15億，而2020年5 月發布的GPT-3，參數量直接達到了1750 億。因此

15、，ChatGPT 的“一夜爆火”并不是偶然，它是經過了很多人的努力，以 及很長一段時間的演化得來的。要了解GPT 的發展，首先應該了解大模型的概念以及Transformer 架構。1.1.2.大模型大模型一般來說，在ChatGPT 之前，被公眾關注的AI 模型主要是用于單一任務的。比如，引燃了整個人工智能市場并促使其爆發式發展的“阿爾法狗”（AlphaGo），它基于全球圍棋棋譜的計算，在2016 年轟動一時的“人機大戰”中擊敗了圍棋世界冠軍李世石。但是從本質上來說，這種專注于某個具體任務而建立的AI 數據模型，和ChatGPT 相比，只能叫“小模型”。9/81大模型是指具有龐大的參數規模和復雜

16、程度的機器學習模型，我們所提到的通常是大語言模型（Large Language Model，LLM）的簡稱。語言模型是一種人工智能模型，它被訓練后可以理解和生成人類語言，而“大”的意思是指模型的參數量非常大，是相對于“小模型”而言的。如圖1-2 所示，這幅進化樹圖追溯了近些年大模型的發展歷程，其中重點凸 顯了某些最知名的模型，同一分支上的模型關系更近2。實心方塊表示開源模型，空心方塊則是閉源模型。非Transformer 的模型都用灰色表示，而基于Transformer的模型中，僅編碼器模型是粉色分支，僅解碼器模型是藍色分支，編碼器-解碼器模型是綠色分支。圖1-2 大模型進化樹基于這幅進化樹示

17、意圖，我們可以得出：僅解碼器模型正逐漸成為LLM 發展的主導模型，且OpenAI 持續保持著其在LLM 方向上的領先地位。Meta 在開源和推動LLM 研究方面貢獻卓越，但GPT-3 推出后LLM 開發有閉源的趨勢。此外，仍有許多公司和機構在積極探索編碼器-解碼器模型，比如谷歌。10/81目前，國外大模型的主要發布機構有 OpenAI、Anthropic、Google 以及Meta等，這些模型參數規模以百億級和千億級為主。發展至今，國外的頭部GPT 大模型主要包括ChatGPT、Claude、Bard 和Llama 等。其中Bard 在谷歌發布了最新版原生多模態大模型Gemini 后，也正式更

18、名為Gemini。在這場全球參與的競爭中，我國也緊跟步伐，開發了許多大模型。包括騰訊的“混元”、阿里的“通義千問”、華為的“盤古”以及中國移動的“九天”系 列等。數據顯示，截至2023 年10 月，國內10 億參數規模以上的大模型廠商及 高校院所共計254 家，意味著“百模大戰”正從上一階段的“生下來”走向“用起來”的新階段。圖1-3 展示了目前國內外廠商開發的一些大模型。圖1-3 國內外各類大模型1.1.3.Transformer 架構架構Transformer 架構是GPT 的重要基礎，是一種SAM 的神經網絡架構，廣泛應用于NLP 領域的大模型中。其核心部分是編碼器和解碼器，即Encod

19、er 和Decoder。編碼器把輸入文本編碼成一系列向量，解碼器則將這些向量逐一解碼成輸出文本。在Transformer 提出之前，NLP 領域的主流模型是循環神經網絡（Recurrent Neural Network，RNN），使用遞歸和卷積神經網絡進行語言序列轉換。11/812017 年 6 月，谷歌大腦團隊在AI 領域的頂會NeurIPS 發表了一篇名為Attention isAll You Need 的論文，首次提出了一種新的網絡架構，即 Transformer，它完全基于SAM，摒棄了循環遞歸和卷積。在八個P100 圖形處理器（GraphicsProcessing Unit，GPU）

20、上進行了僅僅12 個小時的訓練之后，Transformer 就可以在翻譯質量方面達到更高的水平1，體現了很好的并行能力，成為當時最先進的LLM。圖1-4 給出了Transformer 的網絡結構。Transformer 是由一系列編碼器和解碼器形成的，二者均由多頭注意力層和全連接前饋網絡組成。GPT 類似于Transformer 的Decoder 部分，是一個自回歸模型。圖 1-4 Transformer 網絡結構圖Transformer 中的核心組件是多頭注意力機制模塊，如圖1-5 所示。它需要三個指定的輸入Q（代表查詢）、K（代表鍵）、V（代表值），然后通過公式將Q 和K 之間兩兩計算相似

21、度，依據相似度對各個V 進行加權，得到注意力的計算結果。12/81圖1-5 多頭注意力機制模塊多頭注意力機制不是只計算一次注意力，而是將輸入分成更小的塊，然后并行計算每個子空間上的縮放點積注意力。這種結構設計能讓每個注意力機制去優化每個詞匯的不同特征部分，從而均衡同一種注意力機制可能產生的偏差，讓模型能捕捉到不同層次的語義信息，增強模型的表達能力，提升模型效果。1.2.GPT 發展歷程發展歷程GPT 的發展歷程主要可以分為兩個階段，在ChatGPT 之前側重于不斷增加 大模型的基礎規模，并增強新能力。而ChatGPT 和GPT-4 則更側重于增加人類反饋強化學習，理解人類意圖，以提供更好的服務

22、，如圖1-6 所示。圖1-6 GPT發展歷程13/812018 年6 月，OpenAI 公司發表論文ImprovingLanguage Understanding byGenerative Pre-training，正式發布了GPT-13?；舅悸罚荷墒筋A訓練（無監督）+下游任務微調（有監督）?；赥ransformer 的單向語言模型，解碼器結構，共12 層。參數為1.17億，訓練數據量5GB，模型規模和能力相對有限。上下文窗口為 512 tokens。2019 年 2 月，OpenAI 發表了最新進展，一篇Language Models areUnsupervisedMultitaskL

23、earners 的論文，提出語言模型是無監督的多任務學，GPT-2 也隨之誕生4?；舅悸罚喝サ粲斜O督，只保留無監督學習。48層Transformer 結構。共15億個參數，數據訓練量提升至40GB。上下文窗口為 1024tokens。2020年5月，OpenAI 公司發表論文Language Models are Few-Shot Learners，構建了GPT-3 模型5?；舅悸罚簾o監督學習+in-context learning。采用了96 層的多頭 Transformer。參數增大到1750億，基于45TB 的文本數據訓練。上下文窗口為 2048 tokens。2022 年3 月，O

24、penAI 再次發表論文Training Language Models to FollowInstructions with Human Feedback，介紹了人類反饋強化學習（ReinforcementLearning from Human Feedback，RLHF），并推出了InstructGPT 模型6?；舅悸罚篟LHF+微調訓練。14/81增強了人類對模型輸出結果的調節。對結果進行了更具理解性的排序。ChatGPT 是 InstructGPT 的衍生，兩者的模型結構和訓練方式都一致，只是采集數據的方式有所差異，ChatGPT 更加注重以對話的形式進行交互。2023 年3 月，O

25、penAI 又發布了多模態預訓練大模型GPT-4，再次進行了重大升級?；舅悸罚憾嗄B。上下文窗口為 8195 tokens。1.8 萬億參數，13 萬億token訓練數據。強大的識圖能力。雖然目前GPT-4 在現實場景中的能力可能不如人類，但在各種專業和學術考試上都表現出明顯超越人類水平的能力，甚至SAT 成績（可以理解為美國高考成績）已經超過了90%的考生，達到了考進哈佛、斯坦福等名校的水平。1.3.GPT 研究現狀研究現狀2023年10月12 日，分析公司 stateof.ai 發布了2023年人工智能現狀報告（State of AI Report 2023）。該報告指出，Open AI

26、的GPT-4仍然是全球最強大的LLM，生成式AI推動了生命科學的進步，并拯救了風險投資界7。大模型正不斷實現技術突破，特別是在生命科學領域，在分子生物學和藥物發現方面取得了有意義的進展。2023年12月14日，自然（Nature）公布了十位2023年度人物，值得注意的是，聊天機器人Chat GPT因為占領了2023年的各種新聞頭條，深刻影響了科學界乃至整個社會，被破例作為第11個“非人類成員”納入榜單，以表彰生成式人工智能給科學發展和進步帶來的巨大改變。目前，國內外對GPT大模型的研究不斷15/81深入，紛紛開始研發自己的大模型，且應用的場景也越來越豐富。以Chat GPT為代表的大模型，正式

27、開啟了AI 2.0時代。1.3.1.國外研究現狀國外研究現狀美國在美國，OpenAI、Anthropic 等初創企業和微軟、Google 等科技巨頭帶領著美國在大模型的道路上飛速前進，同時各大公司也在不斷提升自身的競爭力。Google 給Anthropic 投資3 億美元以應對ChatGPT 的威脅，加入了AI 反饋強化學習（Reinforcement Learning fromArtificial Intelligence Feedback，RLAIF）去減少人類的反饋，并于2022 年12 月發表論文ConstitutionalAI:HarmlessnessfromAIFeedback，介

28、紹了人工智能模型Claude；美國新媒體巨頭Buzzfeed 因宣布計劃采用ChatGPT 協助內容創作，股價兩天漲了三倍；微軟作為OpenAI 的主要投資方，也在利用ChatGPT 來增強其產品競爭力，補充專業知識、補齊數理短板。英國2023 年4 月，英國政府宣布，向負責構建英國版人工智能基礎模型的團隊提供1 億英鎊的起始資金，以助英國加速發展人工智能技術。英國政府表示，該投資將用于資助由政府和行業共建的新團隊，以確保英國的人工智能“主權能力”。這一舉措的目標是推廣應用安全可靠的基礎模型，并爭取在2030 年將英國建設 成為科技“超級大國”。且針對GPT 等大模型應用在人工智能倫理方面的爭

29、議，英國還發布了監管措施白皮書，并表示接下來監管機構將向各個組織發布使用指南和風險評估模板等其他工具及資源，來制定行業內的具體實施原則。歐洲芬蘭的Flowrite，是一個基于AI 的寫作工具，可以通過輸入關鍵詞生成郵件、消息等內容。荷蘭的全渠道通信平臺 MessageBird 推出了自己的 AI 平臺MessageBird AI，可以理解客戶信息的含義并做出相應的響應。這兩者都是在 GPT-3 的基礎上運行的。德國在大模型的研發上也不斷追趕。比如，谷歌 2023年 3 月 7 日推出16/81的多模態大模型 PaLM-E，就由柏林工業大學和谷歌共同打造。2024 年 2 月，歐洲生成式 AI

30、獨角獸 Mistral AI 發布了最新大模型 Mistral Large。該模型上下文窗口為 32K tokens，支持英語、法語、西班牙語、德語和 意大利語。作為新推出的旗艦模型，本次發布的 Mistral Large 在常識推理和知識問答上均表現出色，綜合評分超過了 Gemini Pro 及 Claude 2，僅次于 GPT-4。韓國韓國也是最早加入大模型研發的國家之一。目前，韓國在大模型領域的代表有NAVER、Kakao、KT、SKT 以及LG。韓國在半導體芯片方面的積累使其在大模型方面具有優勢。目前韓國半導體企業正在積極結盟，以應對大模型發展帶來的算力挑戰。2022 年年底，NAVE

31、R 就開始和三星電子合作開發下一代人工智能芯片解決方案，即基于NAVER 推出的大模型HyperCLOVA 進行優化。此外，韓國在大模型的垂直應用上已經有比較多的探索，比如KoGPT 在醫療保健方面的應用、Exaone 在生物醫藥和智能制造方面的應用等。日本作為一個小語種國家，日語面臨缺乏語料的問題。日本最早公開上線的NLP大模型是2020 年發布的NTELLILINK Back Office，當時它能實現文檔分類、知識閱讀理解、自動總結等功能，是在谷歌BERT 基礎上開發的應用。更有日本血統的生成式AI 其實是HyperCLOVA、Rinna 和ELYZA Pencil，但其中HyperCL

32、OVA 和Rinna 也都有外國基因。HyperCLOVA 最早是韓國搜索巨頭NAVER 在2021 年推出的，但HyperCLOVA 確實是第一個專門針對日語的大模型，它曾在2021 年舉行的對話系統現場比賽中獲得了所有賽道的第一名。ELYZA Pencil 則是由東京大學松尾研究所的AI 初創公司推出的大模型，算是真正意義上日本首次公開發布的生成式AI 產品。17/811.3.2.國國內研究現狀內研究現狀許多人可能會認為，中國的大模型是從“文心一言”開始的，但“文心一言”其實只是一個對話工具，背后驅動它的還是大模型，而文心大模型早在2019年就在國內率先發布。這一年，大模型已經廣泛應用于藥

33、品研發領域，各大科技企業也開始了對大模型產業的布局，并先后公布了各自的大模型項目。2021 年3 月智源研究院發布了我國首個超大規模智能模型系統“悟道1.0”。同年4 月，阿里巴巴發布了中文社區最大規模的預訓練語言模型PLUG，在當時有不少人將其稱為“中文版GPT-3”。近年來，國內在大模型領域取得了顯著進展。從科研機構到企業，都加大了對大模型的投入力度，在算法、算力、數據等方面取得了重要突破。國內已經出現了一批具有國際競爭力的大模型，并在多個領域得到了廣泛應用。2023 年3 月16 日，基于文心大模型，百度發布了“文心一言”，成為中國 第一個類ChatGPT 產品?？拼笥嶏w于2023 年5

34、 月6 號發布中國版ChatGPT“訊飛星火認知大模型”，具有文本生成、語言理解、知識問答、邏輯推理、數學能力、代碼能力和多模態能力七大核心能力。1.3.3.國際組織國際組織如今國際標準化組織（International Organization for Standardization，ISO）、國際電工委員會（International Electrotechnical Commission，IEC）等組織都已圍繞關鍵術語等開展標準研究。2023 年3 月，歐洲電信標準化組織（EuropeanTelecommunication Standards Institute，ETSI）亦提出了有關人

35、工智能透明度和可解釋性的標準規范，旨在生成更多可解釋的模型，同時保持高水平的模型性能。第三代合作伙伴計劃（3rd Generation Partnership Project，3GPP）規范包括了AI 在網絡架構中的部署和使用，涵蓋了AI 算法和架構的規范，還涉及了AI數據的處理和管理標準。目前，3GPP 有四個工作組在進行AI/機器學習（MachineLearning，ML）標準化方面的研究工作，分別包括AI/MLforAirInterface、AI/MLfor RAN、AI/ML for 5GS 以及AI/ML for OAM。18/812023 年11 月，在由上海人工智能實驗室與商湯科

36、技聯合主辦的電氣電子工程師學會（Institute of Electrical and Electronics Engineers，IEEE）“人工智能大模型”標準大會上，中國電子技術標準化研究院、上海人工智能實驗室和華為云等11 家單位共同發起成立了IEEE 大模型標準工作組。該工作組將協同國內外大模型產業力量，制定大模型技術規范、測評方法、安全可信、可靠決策等領域國際先進標準，為全球大模型產業技術創新和發展提供更好的支撐。19/812.GPT 賦能通信行業賦能通信行業第1 章中我們介紹了GPT 的概念、發展歷程和研究現狀等內容，可以看出，GPT 已被應用于眾多領域，成為經濟社會發展中重要的

37、變革技術與關鍵力量，GPT 將為全球產業帶來巨大飛躍和突破式發展。當前，GPT 已經實現了人與機器之間以多種形式進行“communication”的功能，接近甚至超越了人與人之間 以文本方式聊天的體驗，這與通信行業支撐人們進行多種多樣交流的作用相似。AI 應用在通信行業的落地，為信息通信基礎設施的建設和運營開拓了新方案。作為AI 發展的新高度，GPT 引發的AI 即服務擁有更大的業務空間，能為通信行業的創新提供廣闊的舞臺。GPT 如何賦能通信行業應用，通信行業如何保障GPT 落地，這是通信從業者必須思考和回答的問題。本章將重點介紹GPT 在通信行業的創新應用，彰顯GPT 對通信細分領域的改革與

38、推進作用。通過研究GPT 促進通信網絡智能自治的方法，我們從網絡規劃、切片部署、網絡運維和網絡優化的角度對GPT 大模型如何賦能通信網絡進行了分析。我們期待GPT 的飛速發展能夠促進人工智能與通信產業的深度融合，加速構建下一代信息基礎設施，助力經濟社會的數字化轉型。2.1.GPT 催生通信新應用與新改革催生通信新應用與新改革GPT 百花齊放的嶄新應用，為千行百業的發展帶來了新的想象空間，也給通信行業帶來新的機遇和挑戰。GPT 的出現改變了傳統的通信模式和應用場景，它突破了人與機器交互的界限，能提供更加智能、便利和個性化的通信體驗，極大地提高了信息交互能力和行業應用能力。GPT 大模型可作為工具

39、來改進信息通信服務能力。首先，它在自然語言上的強大能力可用于提升智能客服、智慧運營和欺詐監測等運營服務功能，通信網絡的巨量數據可用來訓練通信網絡大模型。其次，GPT 在自然語言上的成功，促進了語音、視覺等多模態數據技術的發展，這將為通信領域千行百業的數字化20/81轉型賦能提供重要工具。最后，GPT 類大模型的運行和服務對算力和網絡有著較高的要求，這會在一定程度上促進算網融合的建設，為更多大模型服務在通信行業落地和普及創造條件。通過迭代訓練海量數據，GPT 具備不斷提升的上下文語義理解與交互能力，在眾多應用場景中展現出無限潛力。目前，GPT 的應用主要集中在文本、圖片、音頻、視頻以及多模態內容

40、的生成上，在攝影、游戲和傳媒等領域的應用，通常 是在這些基本的應用的基礎上，再進行定制化的開發或訓練。例如，文本生成和分析8、軟件測試910、領域專業聊天機器人11等，如圖2-1 所示。圖2-1 GPT在通信領域的嶄新應用2.1.1.智能客服智能客服智能客服系統旨在為通信運營商的客戶提供一種高效、靈活、可定制的解決方案，用于管理、維護運營商與客戶之間的交互。將智能客服系統和GPT 結合，21/81可以發揮兩者的技術優勢，在智能語音助手、智能推薦、自助服務、社交媒體管理、個性化服務等多個方面，提高客戶服務的質量和效率，滿足客戶日益增長的個性化需求，從而幫助企業更好地服務客戶，提高競爭力和盈利能力

41、。1）增強智能客服的語義理解、情感識別GPT 的自然語言處理能力，彌補了智能客服系統許多不足之處。GPT 準確地識別用戶提問的主題和關鍵詞，幫助智能客服系統更好地理解用戶的需求，并識別用戶的情感狀態，從而提供更準確、更個性化的服務。2）實現智能服務監管GPT 可用于自動檢測客服對話內容，識別潛在的違規行為或不當語言，例如侮辱、歧視、欺詐等，并預先篩選潛在問題對話，只將有可能違規的對話內容提交給人工審核，一定程度上減輕了審核人員的工作量。通過對GPT 模型的輸出進行數據分析，快速了解和識別各類違規行為的趨勢和模式，監管部門能夠改進監管策略并及時采取相應的措施。2.1.2.自動化仿真自動化仿真GP

42、T 可以重構實驗流程，為實現自動化仿真創造條件。GPT 是在大量文本上預先訓練的，并且可以根據上下文提示進一步泛化。與傳統的工作流程不同，它不需要每次改變模擬設置參數、底層機器學習算法或數據格式，用戶只需要提供與預定義架構相關的參數，在對創建的模型進行解析后將其插入GPT 準備好的模板中，最后通過GPT 實現自動化仿真。在仿真設計階段，GPT 可以幫助設計師快速設計原型，從而使開發團隊和相關人員更好地理解系統的工作流程和功能，提前發現問題和改進需求?；贕PT，設計師可以將自然語言描述作為輸入，生成相應的交互原型，避免了手動構建的繁瑣，提高原型的質量和準確性。此外，GPT 不僅可以輔助開發者完

43、成常規的代碼編寫工作，還可以通過機器學習和自然語言處理技術，實現智能編程。通過理解開發者的意圖，根據自然語言描述生成代碼，并實現更加高級和復雜的功能。22/81Dragana Krstic 等人12提出了一種基于ChatGPT 的框架，可用于移動網絡中的信道容量計算，實現自動化無線網絡規劃中的仿真過程，如圖2-2 所示。在該框架中，ChatGPT 基于對話Agent 和Neo4j 圖數據庫的模型驅動方法，幫助進行自動化數據導入、圖構建和機器學習相關的查詢等多個步驟。其中，Neo4j 是一 種高性能和可擴展的圖數據庫管理系統，其基于圖理論的數據庫，專注于存儲和 處理圖結構的數據。結果顯示，基于

44、ChatGPT 的服務質量（Quality ofService，QoS）估計方法在準確性和訓練速度方面比基于深度神經網絡的解決方案更優。此外，與傳統基于手動生成代碼的仿真流程相比，利用ChatGPT 自動化生成代碼可以縮短仿真時間。圖2-2 GPT幫助進行信道容量分析實驗2.1.3.增強語義通信增強語義通信隨著第六代移動通信系統（The Sixth Generation，6G）和物聯網等新型網絡技術的發展，萬物智能互聯成為時代所趨，語義通信有望成為未來通信網絡的核心范式。然而，現有的語義通信受到缺乏上下文推理能力和背景知識的限制，同時，語義模型訓練及語義知識圖譜的構建將消耗巨大的時間與計算資源

45、。因此，提升模型的訓練效率，降低模型的訓練成本，實現模型在網絡中高效傳輸和部署，是語義通信的重要基礎，也是所面臨的關鍵挑戰。引入GPT 相關技術，可以對輸入進行語義理解和表示學習，并進行語義匹配任務。文獻13中提出了一種新的AI 輔助SemCom 網絡框架，通過采用全局和局部GPT 模型，在基于GPT 的增強語義通信系統中，收發端分別部署語義編碼模塊和譯碼模塊，模塊對應的語義模型分別用于提取和恢復語義信息。通過在服務器中基于GPT 生成語義模型，并根據收發端的請求，動態部署適配的語義模型。同時，收發端將語義模型存儲在各自的語義模型庫中。發送端將原始信息輸入語23/81義提取與表征模塊，得到語義

46、信息，并通過聯合的語義編碼和信道編碼將語義信息轉化為比特數據，再進行傳輸。接收端對接收到的比特數據進行聯合信道譯碼、語義譯碼，以及語義信息恢復重建，恢復出原始信息。上下文、通信環境等背景因素會影響語義信息的恢復，語義譯碼模塊對背景因素帶來的誤差可進行補償。這種方法實現多模態語義內容理解、語義級聯合信源信道編碼，一定程度上提高了語義推理的可靠性和資源利用率，減少了傳輸流量和降低延遲，實現了更有效的語義傳遞，如圖2-3 所示。圖2-3 增強語義通信2.1.4.重塑芯片設計領域重塑芯片設計領域在通信領域，芯片設計起著至關重要的作用，可以說是通信技術發展的關鍵驅動力。芯片設計可以實現對各種通信協議的支

47、持，例如以太網、無線通信、藍牙、長期演進技術（Long Term Evolution，LTE）等，從而支持設備之間的通信和數據傳輸；芯片設計可以提供專門的硬件加速器、編解碼器和信號處理器等，以支持高效的多媒體數據處理和傳輸。無線通信芯片擁有射頻前端、調制解調器、功率放大器等功能，用于實現無線信號的收發和調制解調；芯片設計可以提供硬件安全功能，用于數據加密、身份認證和安全通信等，保護通信系統免受惡意攻擊和數據泄露。24/81GPT 可以大大提高芯片設計的效率，縮短設計周期，并使設計過程更加自動化，進一步提高設計的效率和質量。GPT-4 可以降低芯片設計的門檻，使更多的人可以參與到芯片設計中來，這

48、可能會帶來更多的創新。2023 年9 月，紐約大學Tandon 工程學院的研究人員14利用OpenAI 的GPT-4模型，成功設計出了一個芯片，如圖2-4 所示，這標志著AI 在硬件設計領域的重大突破。GPT-4 通過簡單的英語對話，生成了可行的硬件描述語言（HardwareDescription Language，HDL）代碼，然后將基準測試和處理器發送到Skywater130nm 穿梭機上成功流片?？梢哉fGPT-4 在芯片設計中的應用，是AI 在硬件設計領域的一次重大突破，我們有理由相信，AI 將在未來的芯片設計領域發揮更大的作用，為我們帶來更高效、更創新的芯片設計方案。圖2-4 GPT在

49、芯片設計中的應用2.2.GPT 促進通信網絡智能自治促進通信網絡智能自治AI 賦能的自治網絡是第五代移動通信系統（The Fifth Generation，5G）和后5G 網絡發展的重要趨勢，將為移動網絡帶來根本性變革。網絡將由當前以人工干預為主的被動管理模式，逐步向網絡自我驅動為主的自治管理模式轉變。未來，智能化網絡將通過業務數據、用戶數據、網絡狀態數據等多維數據感知，基于AI 的智能分析，提供更加靈活高效的網絡策略，從而實現網絡高度自治，大幅提升移動網絡全生命周期效率，降低網絡運營成本。自智網絡15的核心理念在于通過AI 等技術的引入推動新一代通信網絡向自配置、自治愈、自優化、自演進的方向

50、發展?！癆I+通信”已成為ITU 定義的6G 中六大場景之一16，包括輔助自動駕駛、設備間自主協作、輔助醫療應用、基于數字孿生的事件預測等新功能。目前，AI 已經初步實現了在網絡智能自治領域的應用，全球多家運營商、設備商和第三方廠商已經開始了對網絡智能自治的研25/81究，如圖2-5所示，包括網絡規劃、切片部署、網絡運維和網絡優化等應用案例。圖2-5 GPT促進通信網絡智能自治2.2.1.GPT 重塑網絡規劃重塑網絡規劃由于預計未來幾年無線接入設備數量將呈指數級增長，運營商需要擴大網絡 基礎設施的部署規模，以提供所需的容量。傳統上，新基站選址是由無線網規專 業人士手動完成的。在覆蓋模擬工具的幫

51、助下，根據關鍵性能指標（KeyPerformance Indicator，KPI）評估每個站點并對其進行排名，根據可用預算挑選出排名靠前的站點位置。然而，當可供選擇站點數量較大時，傳統方法成本巨大，且很難準確地考慮每個涉及因素的影響。AI 驅動的規劃方案可以為新蜂窩基站推薦最佳位置，幫助運營商降低網絡規劃成本。26/81針對最佳站點選擇問題，Siddhartha Shakya 等人17提出了基于 AI 的選址方法，在此基礎上，基于 GPT 進行網絡站點選址規劃，通過采集歷史時空特征數 據，分析無線資源利用率的變化規律，監測和評估覆蓋小區的 KPI。GPT 綜合分析網絡覆蓋、用戶分布和場景特征，

52、通過無監督機器學習根據小區的屬性同質聚類。監督回歸模型捕捉不同小區屬性之間的關系，如小區性能、用戶吞吐量等。在回歸模型的基礎上，構建仿真算法，估算擬新建站點的潛在流量負載。最后，基于計分排名機制對站點進行排名，排名靠前站點入圍候選基站。除站點選址外，天線設計也是基站規劃階段的重要工作。在天線的優化設計過程中，通常涉及的天線參數較多，天線的幾何形狀越來越復雜，天線性能要求之間的互相矛盾也頻繁出現。將GPT 引入天線仿真設計，可以代替電磁仿真軟件的角色，模擬應用場景對天線參數進行微調，結合粒子群智能優化算法18進行天線的快速仿真和優化設計，相比電磁仿真軟件，可以進一步提升計算效率。2.2.2.GP

53、T 增強切片部署增強切片部署網絡切片的引入成功解決了不同業務場景的網絡資源分配不均問題，給網絡帶來了極大的靈活性，使網絡可以按需定制、實時部署、動態保障。在網絡切片部署時，不同業務場景的切片對底層物理網絡的資源需求不同，在部署的結構上也存在差異。傳統算法難以解決多業務場景切片安全部署問題，利用GPT 相關技術，可以在實現端到端網絡切片安全部署的同時，降低部署成本，保障更強的安全性。網絡切片的部署涉及虛擬網絡功能（Virtualized Network Functions，VNF）的放置和相關鏈路的選擇。VNF 的放置是指在滿足網絡容量的條件下，網絡切片請求中的節點總能在物理網絡上找到相對應的節

54、點來承載請求。相比于傳統啟發式算法求解VNF 映射過程，GPT 可以對網絡環境狀況進行分析，根據業務場景需求智能調整網絡參數，并做出業務資源需求預測，通過Agent 和環境的相互作用，執行特定的動作，更新網絡資源利用情況，充分感知VNF 映射過程中的狀態信息，對網絡的變化情況做出及時的決策。如圖2-6 所示，GPT 幫助獲取網27/81絡部署環境，并將物理節點信息以安全特征矩陣進行儲存。Agent 定義為一個依靠GPT 計算物理節點映射概率的策略網絡。GPT 輔助計算物理節點的安全特征矩陣輸出物理節點映射概率，然后選擇概率最大的物理節點并進行VNF 映射。之后，GPT 根據不同業務需求選擇最合

55、適的鏈路映射方案，以網絡資源利用率作為獎勵函數，給予Agent反饋，同時更新狀態信息。圖2-6 GPT增強切片部署2.2.3.GPT 簡化網絡運維簡化網絡運維網絡智能運維的典型應用場景包括異常檢測、故障診斷、事件預警、效能優化等。在傳統網絡運維中，運維人員需要通過手動巡檢和數據分析等方式獲取網絡狀態信息，這種方式效率較低。通過引入GPT 相關技術，可以實時高效監測網絡狀態信息，并通過自動化運維的方式對網絡進行分析和處理，從而有效地提升網絡的穩定性和可靠性。如圖2-7 所示，網絡采集器將實時網絡信息發送給GPT，如設備的中央處理器（Central Processing Unit，CPU）、內存、

56、網絡擁塞信息、網絡事件的日志信息等。GPT 快速進行統計分析，在此基礎上結合不同網絡業務場景對網絡進行預測并給出相應運維決策，然后發送至數據庫進行存儲。另外，GPT 輔助對網絡當前情況和預測情況進行可視化處理，更好地向運維人員展示網絡現狀和趨勢，輔助運維人員更高效和更智能地進行網絡運維。28/81圖2-7 GPT簡化網絡運維此外，文獻19中結合GPT 相關技術，以意圖驅動的、特定于通信網絡的機器學習模型和高級策略為目標，對底層組件進行了全面的解析，實現了“故障定位策略生成策略驗證”的自主循環。與傳統人工決策輔助的智能運維方法不同，該方法利用時空表征學習進行知識推理和網絡運行狀態檢測，自動生成并

57、驗證故障恢復和多任務管理策略，通過繞行路由、資源編排等技術保證業務帶寬和網絡性能。此外，它還可以根據學習結果自主進行故障修復，以支持網絡管理和狀態調整，從而促進網絡的自主運維。2.2.4.GPT 加速網絡優化加速網絡優化隨著社會經濟的高速發展，人們對信息和內容獲取方式的要求也越來越高，移動通信的業務需求不斷改變和提升，從最初的中低速率語音業務需求到寬帶高速率數據業務的需求，進一步轉化為滿足海量差異化業務需求。網絡優化指通過一系列的針對移動通信系統的專業測試、專業分析，發現問題并解決問題，同時深度開發系統潛能和提高系統運行性能的過程，其對象主要包括數據業務核心網、電路交換核心網、無線接入網，等等

58、。隨著通信網絡流程和業務的多樣化，網絡運營的壓力增大，人工智能的引入將成為解決網絡優化問題的關鍵。當前，基于GPT 的網絡優化可通過自主檢測、分析和操作實現網絡的自我校正和優化，主要包括網絡流量優化、無線網絡覆蓋優化、網絡信令追蹤三個方面，如圖2-8 所29/81示。1）網絡流量優化隨著用戶業務需求的不斷變化，流量也隨之動態變化。GPT 可根據流量的變化提取特征，對其變化趨勢進行預測，給出優化方案，從而平衡網絡負荷，保障用戶的網絡體驗。對流量較大區域、時段提前預測并進行配置調度，對流量較小區域、時段智能關斷部分基站設施，從而達到節省成本的效果，保障通信網絡處于最佳工作狀態。2）無線網絡覆蓋優化

59、無線網絡的覆蓋程度決定了通信網絡的質量。統計顯示，LTE 網絡中各設備商的無線參數總和已經超過 8000 個，依靠人工經驗很難進行精細化配置。有學者提出利用人工智能技術對通信網絡進行系統分析，可實現精準網絡參數配置20，在此基礎上可以引入 GPT 相關技術。例如，在面對 TopN 小區覆蓋問題時，利用 GPT 訓練圖神經網絡（Graph Neural Network，GNN）模型，構建區域覆蓋模型，輸入影響覆蓋的特征信息，如基站結構、參數配置等數據。然后，通過隱含層進行模型訓練和特征學習，當算法迭代到一定程度時，可通過高層特征表述出覆蓋預測模型、推薦參數取值及指導無線參數的調整與配置。另外，還

60、可以幫助運營商將站點大規模多輸入多輸出（massive Multi-Input Multi-Output，mMIMO）天線的波束覆蓋和傳輸形態納入考慮范圍，解決目標用戶因在室內和地面上高度不同而引起的各種信號覆蓋差異問題，充分利用mMIMO 天線的 3D 特性和周邊環境特征，可以保證站點規劃的準確性，從而更好地實現無線網絡覆蓋優化。3）網絡信令追蹤信令信息是指通信系統中的控制指令，又稱“信令”，它主要用于處理和控制通信過程。通過對信令信息的處理，可以對通信過程進行監控管理和優化，從而提升通信的質量和效率。文獻21中提出 AI 信令追蹤措施，在此基礎上引入GPT 相關技術，能夠監測和分析大量的信

61、令信息，以便發現潛在的故障或異常 情況，從而掌握網絡的實際運行狀況。同時，GPT 可通過比對正常和異常信令 流程，快速定位故障所在，提供故障診斷報告，進而可以實現對故障的自動修復，30/81從而縮短網絡中斷時間，降低運維成本。除此之外，根據實時的信令信息和用戶需求，基于 GPT 的信令追蹤可以預測網絡流量需求，動態管理、分配和調度資源，以適應時間、區域和用戶類型的變化。同時，也可以分析和監測用戶連接過程中的信令信息和延遲情況，及時發現并解決影響用戶體驗的問題，如延遲高、信號弱等，以提升用戶滿意度，保障網絡環境穩定高效。圖2-8 GPT加速網絡優化31/813.通信網絡使能通信網絡使能 GPT

62、泛在應用泛在應用第2 章中我們介紹了GPT 在通信領域的嶄新應用，以及GPT 促進通信網絡智能自治的方式。GPT 將會被應用于越來越多場景，同時，通信領域如何實現對GPT 的支撐和優化是我們下一步需要考慮的。未來網絡架構在設計時應將GPT 部署的潛在需求納入規劃范圍，以使能GPT 的泛在應用，進一步滿足用戶多樣化的需求。此外，邊緣智能技術在近幾年的快速發展為GPT 提供了更廣闊的應用空間，兼具GPT 泛化能力的邊緣智能具有巨大的潛力，如何對GPT 進行便捷的部署、如何將“云中心”的GPT“邊緣”化需要在未來網絡的設計上進行更多的研究。本章我們將介紹現有通信網絡如何保障GPT 應用落地，討論未來

63、網絡設計的典型思路，以及如何實現對GPT 的原生支持。在此基礎上研究了新型網絡架構支撐海量數據訓練和推理加速的關鍵技術，從而能夠實現內生智能。3.1.通信網絡保障通信網絡保障 GPT 應用落地應用落地近幾年，隨著云計算、大數據、AI 等技術的快速發展，以及各種應用場景的不斷成熟，越來越多的數據需要上傳到云端進行處理，這給云計算帶來了更重的工作負擔22。邊緣智能的出現降低了對云端的依賴，為行業數字化提供了邊緣智能服務，滿足了其在敏捷連接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求23。此外，AIGC 充分解決了云網層高延遲、高風險等局限性，使得數據更安全保險、功能更穩定可靠、服

64、務更高效智能。圖3-1 展示了由移動AIGC 網絡支撐的邊緣智能。32/81圖3-1 移動AIGC網絡支撐邊緣智能隨著邊緣智能的不斷演進，將先進的自然語言處理技術如GPT 融入邊緣智能系統中可以為其提供更為強大的語言理解和生成能力。邊緣智能為GPT 的部署提供了融合網絡、計算、存儲、應用核心能力的開放平臺，兼具GPT 泛化能力的邊緣智能有著更廣泛的應用場景。在醫療領域，為了解決醫療糾紛問題，提高醫療機構的法務建設，同時為個人提供診療咨詢服務，廣州醫科大學、三家運營商以及蜂動科技聯合推出了診療合規法律知識GPT 垂直大模型5G 消息應用。該應用基于網絡消息的流量入口，為GPT 提供了用戶交互平臺

65、，支持GPT 技術提供智能化的問答服務和個性化推薦，提高服務質量。通過通信網絡消息的商用模式驗證，這種新型應用可以在業33/81界得到廣泛應用。通過提供醫療領域專業知識，將GPT 大模型的研究領域縮小到診療糾紛細分領域，使服務更具有針對性，既可以回答醫療從業者關于診療醫療相關的法律法規，并提供相關的法規和標準，也可以為患者提供咨詢、索賠等相關服務。據了解，項目上線以來有超10 萬人次咨詢，平均每次對話超過10.3輪次。該應用為醫生提供診療法律多場景入口，有效提高自身法律意識，以及快速獲取解決方案，作為患者咨詢入口，可以節約醫療糾紛層面的法務資源，此外，該應用還可以提供專業服務，有效避免醫療糾紛

66、訴訟耗時長、投資大，減少經濟資源浪費。在智能辦公方面，云知聲攜手深圳市龍華數據有限公司，以山海大模型為底座，推出面向行業垂直領域的“龍知政”政務GPT 大模型，成為聚焦特定領域 的GPT 落地實踐項目。該模型具備語言生成、語言理解、知識問答、邏輯推理、代碼、數學、安全合規七項通用能力及插件擴展、領域增強、企業定制三項行業 落地能力，能夠滿足不同場景的不同需求?！褒堉币訥PT 大模型為底座，應用于區政務服務數據管理局，通過高質量政務語料訓練和參數微調，已具備在 政務領域中精準的知識服務能力。區別于傳統的信息化系統，“龍知政”GPT 大模型為GPT 提供了專屬數據的安全隔離、多輪對話以及信息溯

67、源，并將專業 知識庫的所有政策文件和專業術語融會貫通，對企業群眾的辦事訴求進行語義和 上下文的理解，顛覆傳統線上機器問答模式，推動GPT 實現了信息服務由人工 查找向主動的、雙向的、實時的智能全程引導轉變。GPT 大模型可以基于現有 的政策性文件、規范性文件、政府公文等材料進行訓練，學習各類寫作風格、建 立寫作模型，掌握業務要領和行文規范，幫助政府工作人員更準確、更高效地完成摘要總結、公文草擬、文本檢索歸納等以往需要耗費大量精力的日常工作。3.2.未來網絡技術支撐未來網絡技術支撐 GPT 應用應用過去 20 年，通信網絡完成了“人聯”“物聯”的發展，面向 2030 年及未來，人類社會將步入智能

68、化的新時代。在這個時代，社會服務將更加均衡和高效，社會治理將更加科學和精準，社會發展將更加綠色和節能。而未來網絡技術將是實34/81現這些目標的重要支撐，它將從服務人和物，發展到服務智能體，并實現與 GPT的高效的連接。未來網絡技術將進一步支持 GPT 應用，通過人機物的智能互聯，服務智慧化的生產和生活，滿足經濟社會的高質量發展，推動構建普惠智能的人類社會。3.2.1.未來網絡設計的典型思路未來網絡設計的典型思路未來網絡的設計涉及多個領域和技術，如物聯網、云計算、人工智能、區塊鏈、網絡安全等，針對不同的應用場景和需求，需要提供不同的思路和方案。秉承的設計理念應該具有兼容性、跨域設計、分布式設計

69、、至簡性、安全性、內生設計等，實現繼承式創新，并確保多種新增能力的一體化接入，使網絡架構更靈活、更簡潔、更安全，同時，需要更加主動地引入AI 技術24。6G 網絡將通過不斷的自主學習和設備間協作，持續為整個社會賦能賦智，把AI 的服務和應用，例如GPT 推到每個終端用戶，讓實時、可靠的AI 智能成為每個人、每個家庭、每個行業的忠實伙伴，實現真正的普惠智能25。新的網絡架構需要靈活適配協同感知、分布式學習等任務，以實現GPT 應用的大規模普及。在未來網絡針對GPT技術的架構設計中，需要實現GPT在網絡中的原生化，從網絡設計之初就考慮對GPT 技術的支持，而不只是將GPT 作為優化工具。除了原生支

70、持GPT 應用，未來網絡還需要包括新的特性，比如原生數據保護、原生可信、原生多元生態系統等，如圖3-2 所示。此處的“可信”涵蓋了網 絡安全、隱私、韌性、功能安全、可靠性等多個方面26，要求未來網絡設計必須注重網絡安全和隱私保護27，采取多層次、全方位的安全防護措施。未來網絡原生支持各種類型網絡接入，構成實現普惠智能的多元生態系統。為普惠智能助力的是，人工智能技術將內生于未來移動通信系統并通過無線架構、無線數據、無線算法和無線應用等呈現出新的智能網絡技術體系。35/81圖3-2 普惠智能網絡3.2.2.原生支撐原生支撐 GPT 應用的應用的 6G 網絡網絡6G 的AI 能力不再是作為附加功能，

71、而是作為一種內在特征。6G 的一個主要目標是實現泛在人工智能，并且實現無處不在的GPT 應用。在6G 時代，網絡架構和GPT 將緊密結合，6G 將為GPT 相關業務和應用提供端到端的支持。但是，原生支持GPT 的6G 網絡是我們對未來網絡的美好期望，仍需要滿足以下諸多需求。1）強大的邊緣計算支持未來網絡需要提供強大的邊緣計算支持，算力需要超過 100G FLOPS，使得GPT 模型能夠在離用戶更近的邊緣設備上進行部署和運行，從而提高響應速度并降低對核心網絡的負載。2）實時的數據交換和處理28GPT模型進行大量的數據交換和處理，需要網絡提供低延遲和高帶寬的支。在傳輸過程中，需要保證數據快速、穩定

72、地從源到目的地，速度要達到100Gbit/s 以上，延遲降低到秒級以下，才能滿足GPT 模型對實時數據傳輸的需求。36/813）嚴格的安全和隱私保護GPT 模型所處理的數據有時會涉及公司的商業秘密和用戶的隱私信息，因此網絡需要提供強大的安全機制，包括端到端的加密傳輸、身份認證、訪問控制等，以保護數據的安全和隱私。4）智能的網絡管理與優化未來網絡需要具備智能化的管理和優化能力，能夠根據GPT 模型的實時需 求，動態調整網絡資源分配、路徑選擇和優化網絡拓撲結構，實現網絡對GPT模型的最佳支持。5）多樣化的網絡接入需求考慮到GPT 模型可能通過不同類型的設備（如移動設備、IoT 設備等）進行 訪問和

73、使用，未來網絡需要支持多樣化的連接需求，包括無線接入、移動接入、低功耗連接等，以滿足不同場景下GPT 模型的使用。原生支持GPT 的6G 網絡架構，充分利用網絡節點的通信、計算和感知能力，通過分布式學習、群智協同以及云邊端一體化部署，構建新的AI 應用生態 和以用戶為中心的業務體驗。同時，網絡邊緣運行的分布式人工智能可以逼近極 致性能，也能解決個人和企業都十分關心的數據所有權問題。普惠智能與ICT 系統深度融合，在網絡邊緣提供多樣化的連接、計算和存儲資源，將成為6G 的 固有特征?？梢灶A見，提供原生GPT 支持的6G 網絡架構將從現在的集中式“云AI”轉變為分布式“網絡AI”29。3.3.新型

74、網絡架構支持新型網絡架構支持 GPT 能力下沉能力下沉隨著6G 網絡的快速發展，我們正步入一個以數據為核心的新紀元。傳統的 以連接為中心的網絡架構，正向更加智能、高效且以數據為中心的網絡信息系統 演變。這不僅涉及對網絡基礎架構的改革，也包括對不斷增長的數據進行有效管 理和利用，支持諸如GPT 等廣泛的智能應用和服務?，F有網絡架構存37/81在數據處 理和智能決策支持缺失、延遲高帶寬不足、計算能力集中、網絡適應性低等諸多局限性。為了支持GPT 能力下沉，需要網絡具有高效且靈活的數據傳輸能力和強大 的分布式數據處理能力。從網絡的部署設計出發，需要降低網絡對中心計算的依賴性，在減少不必要的數據回傳的

75、同時保障數據的準確性。3.3.1.自適應切片自適應切片6G時代，移動網絡服務的對象不再只是手機，而是各類型的設備，比如傳感器、車輛等，業務類型也越發多樣豐富。如果針對每種典型業務都專門建立特定的網絡來滿足其獨特要求，那么網絡成本之高將嚴重制約業務發展，同時，若不同業務都承載在相同的基礎設施和網元上，網絡可能無法同時滿足多種業務的不同QoS 保障需求。自適應網絡切片技術，允許創建多個虛擬網絡切片，每個網絡切片都是一組 網絡功能及其資源的集合，由這些網絡功能形成一個完整的邏輯網絡，每一個邏 輯網絡都能以特定的網絡特征來滿足對應的業務需求。通過網絡功能和協議定制，網絡切片為不同業務場景提供所匹配的網

76、絡功能。其中，每個切片都可以獨立按 照業務場景的需要和話務模型進行網絡功能的定制裁剪和相應網絡資源的編排 管理，是對6G 網絡架構的實例化。這種靈活性使得6G 網絡可以同時支持多種 有特定性能需求的服務和應用，如延遲敏感型應用和大帶寬應用。核心在于，能 夠根據實時的網絡條件和服務需求，動態調整資源分配和配置。在面對像GPT這樣的高性能計算需求時，自適應網絡切片顯示出其獨特的優勢。如圖3-3 所示，網絡切片作為提供服務的方式可以應用于多種垂直行業，根據應用場景、業務類型按需提供網絡能力，切片間相互隔離、互不干擾。38/81圖3-3 分層網絡切片管理3.3.2.分布式學習分布式學習分布式學習將成為

77、6G 網絡提升AI 性能和效率的重要途徑。通過分布式學習可以擴充樣本空間，部署更大模型，設計全局優化算法，并提升網絡AI 開發和 訓練效率。在智能服務方面，分布式學習能夠使各智能節點在學習中交互信息，共享應用學習經驗，在網絡智能最為常見的分布智能決策中具有重要應用價值，具體包括：一般移動智能體的控制決策、各分布設施的智能推薦決策、環境監測 的事件判斷決策以及網絡自身的參數優化配置等。未來智能網絡將形成傳統集中訓練支持系統全局智能應用，分布式學習支持各分布節點自主智能的新模式。與傳統的端到云的傳輸計算相對隔離的運作模式相比，采用分布式學習的 最大特點是分布式的網絡計算融合，通過網絡中分布式可計算

78、節點的參與，減少 冗余數據的傳輸，從而降低系統通信代價并提升計算效率。聯邦學習就是一個典 型的通信計算、網絡智能相互作用的系統。傳統的聯邦學習框架39/81下，多個分 布式節點利用本地的局部數據進行訓練，并周期性地進行模型上傳，模型參數在 中心進行整合更新后再分發至各節點。其中，通信為數據的傳遞和節點間信息的 交互提供支撐，而計算過程則影響系統調度和模型準確度，通信與計算相互耦合，共同決定了系統的可靠性和效率。3.3.3.邊緣智能邊緣智能如圖3-4 所示，邊緣智能最初可追溯到分布式計算的發展30。通過將計算任 務分解成多個子任務，更高效地處理大規模的語言模型訓練，在泛化能力上取得 顯著的進展。

79、邊緣智能的進一步演進在于將感知、計算和決策深度融合為一個整 體。感知階段的關鍵目標是收集高質量的數據，為后續的計算和決策提供充足的 信息基礎。隨著深度學習和神經網絡技術的飛速發展，計算在邊緣智能中的角色 變得日益重要。邊緣設備上的AI 模型能夠解析和理解用戶的語言，并做出相應 的決策，使得用戶與設備之間的交互更為自然和智能。感知、計算和決策的融合 提高了系統的智能化水平31，通過在邊緣設備上實現智能分析和決策，系統能夠 更快速、更靈活地響應不同的任務和環境變化，為用戶提供更為個性化和智能化的服務。圖3-4 邊緣智能的概念演進40/81邊緣智能的演進不僅在于其概念的拓展，也體現在其關鍵特征的不斷

80、豐富。當其兼具GPT 泛化能力時，這些特征使得邊緣智能在各個行業和應用場景中更具吸引力。自適應性32：能夠根據環境和任務的變化自動調整網絡行為，并可以通過GPT 的學習能力，不斷積累經驗和數據，提高預測準確度和網絡性能。多模態融合33：需要同時處理來自多種傳感器的信息，包括圖像、音頻、視頻等，能夠有效整合和處理不同類型的數據，提供更全面的智能分析和決策。低能耗34：通過優化算法、硬件設計和電源管理策略，邊緣智能系統能夠在保持高性能的同時最小化能耗，延長設備使用壽命。邊緣計算與云協同34：邊緣設備處理實時的、本地的任務，云服務器負責更復雜的、計算密集型的任務，兩者協同工作以實現最佳性能和資源利用

81、率。實時性34：通過GPT 在邊緣設備上執行智能分析和決策，系統更迅速地響應用戶需求，降低通信延遲，提高用戶體驗。安全和隱私保護33：由于數據在本地處理，邊緣智能有助于降低因數據傳輸而引發的安全風險，并通過加密、身份驗證等手段保護用戶隱私。41/814.GPT 與通信協同發展與通信協同發展移動通信技術以每十年一代的速度向前演進，豐富了人們溝通的方式，推動 了社會生活乃至生產方式的改變。隨著大模型與生成式AI 的迅速崛起，AI技術 的應用已經進入嶄新階段。GPT 作為新一代人工智能的典型代表，與通信的聯 系越來越緊密，將從相互獨立演進、融合發展，發展到協同演進賦能生產生活多 領域。隨著社會經濟的

82、發展，人們的需求變得更加豐富，6G 網絡有望引入新的 應用場景與關鍵性能指標，本章將討論如何利用GPT 相關技術，推動6G 新型 網絡深化研究，同時將6G 與GPT 結合，支撐更多行業數字化轉型，取得更大的社會和經濟價值。4.1.GPT 與通信從獨立演進到緊密結合與通信從獨立演進到緊密結合4.1.1.GPT 與通信結合趨勢與通信結合趨勢早在2008 年，3GPP 就基于Rel8 定義了自組織網絡（Self-OrganizingNetworks，SON），把機器學習和AI 的功能嵌入到了構思與規劃、分析與設計、實施與構 建、運行與維護的網絡生命周期里33343536，這成為推動通信AI 發展的一

83、個里 程碑。然而，2G 與3G，最初都沒有按照網絡智能化理念來構建，舊網絡時代生態體系與AI 難以適配。2017 年9 月，3GPP 第一次定義了通信AI 的網元，即網絡數據分析功能（Network Data Analytic Function，NWDAF），此外，O-RAN 也定義了通信AI的 網 元，即 無 線 接 入 網 智 能 控 制 器（Radio Access Network IntelligentController，RIC），類似于網絡里面的通信AI 大腦。2018 年 6 月，3GPP 5G 新 空 口（New Radio，NR）標 準 獨 立 組 網（StandAlone，

84、SA）方案在3GPP 第80 次TSG RAN 全會正式完成并發布。一方面，與4G 網絡 相比，5G 網絡在傳輸速率、傳輸時延、連接規模等關鍵性能指標上均有質的飛躍，進而支撐起更加豐富的業務場景和應用，為以GPT 為代42/81表的AI 工具落地創 造條件。另一方面，5G 網絡在運營過程當中面臨相關挑戰，由于組網復雜、能耗高、控制靈活性差等問題帶來諸多的不確定性373839。2023年3月，ETSI提出了有關AI透明度和可解釋性的標準規范，旨在生成更多可解釋的模型，同時保持高水平的模型性能。2023 年9 月，3GPPAI/ML 工作組將生成式人工智能引入了討論范疇，并加 入NWDAF 模塊，

85、經過數個版本迭代演進，現階段已形成數據采集、訓練、推 理、閉環控制，以及支持多樣化解決方案的分布式網絡大數據分析架構。相關的 網絡功能及接口規范已成熟，具備加速產業化能力。2023年12 月，3GPP Release 19 將圍繞新場景、新技術，讓AI 更懂網絡，實現網絡與AI 深度融合，包括AI 與5G 未來結合的應用方向。GPT 為代表的AI 有能力通過分析從網絡中收集的 數據，來解決復雜和非結構化的網絡問題。對一些特定的用例，3GPP 已經研究如何將AI 應用于5G RAN 和物理層。2024 年2 月，ETSI 探討了AI 在醫療保健、智能交通和工業自動化等不同領域的應用，以及未來移動

86、網絡中的AI 相關功能，這為GPT 在通信領域進一步應用提出了新思路，GPT 與通信行業正在從獨立演進、前沿交叉到未來協同演 進、緊密結合，最終實現深度融合，這是相輔相成的結果，也是發展的必然趨勢，將加速兩者的共同進步。4.1.2.GPT 與與 5G 網絡結合網絡結合GPT 與物理層的結合，有助于實現5G 的彈性設計。大規模天線技術是 5GNR 設計的基石。NR 需要支持高達 100GHz 的頻譜范圍，隨著頻率的升高，收 發系統使用的天線個數也相應增加。GPT 可以綜合考慮天線的波束覆蓋和傳輸 形態40，充分利用天線周邊環境特征，對天線相關參數進行配置和優化，這是能夠充分發揮GPT 強大推理能

87、力的方向。43/81GPT 與網絡層的結合，有助于實現5G 的柔性自治。通過5G 網絡可獲得海量數據，且結構性數據占比高，GPT 對大數據集進行統計和分析41，結果可以對整個網絡進行更精細的調度和優化，提升網絡資源利用率。GPT 與業務層結合，可以提供端到端的確定性。通過引入GPT，將業務需 求轉化為網絡可感知的指標，對指標進行分析預測以判斷當前網絡資源是否滿足 業務需求。進一步，結合分析預測得出的指標趨勢，助力網絡資源的動態規劃、調度和優化，為最終提供高可靠業務保障打造堅實基礎。4.2.GPT 與與 6G 通信網絡融合發展通信網絡融合發展6G 網絡與 GPT 融合是未來潛在發展方向，既包括為

88、 6G 網絡自身性能優化提供的智能能力，如利用端到端 AI 實現空口和網絡的定制優化和自動化運維，提供滿足多樣化需求的最佳解決方案；也包括向第三方業務提供的智能能力，如 通過 6G 網元原生集成通信、計算和感知能力，加速云上集中智能向邊緣泛在智能演進，為服務第三方業務的 GPT 提供分布式學習的基礎設施?！?G+GPT”服務主要面對高實時、高性能、強安全等需求，在網絡內進行訓練或推理，提供適應不同應用場景的 AI 能力。6G 網絡作為原生智能架構，利 用網絡內的通信、計算、數據集、基礎模型等資源，結合 GPT 高效訓練或推理 能力，能夠實現海量數據處理、網絡自服務、資源優化和內生安全等任務，為

89、用 戶提供無所不在的高性能 AI 服務。下面具體介紹 6G 與 GPT 融合發展的四個方向，如圖 4-1 所示。圖4-1 GPT與6G緊密耦合44/814.2.1.GPT 支持海量數據處理支持海量數據處理6G 網絡需要服務海量數據采集、預處理、分布式存儲和高速傳輸等基本數 據類業務。信息時代數據量爆炸式增長，海量數據資源蘊藏著巨大的價值。隨著 6G 時代更先進的智能終端和無線邊緣設備的增多，對邊緣側算力要求進一步提 高。目前英偉達已發布GPT 專用GPU，推理速度可以提升10 倍，滿足對6G 較高算力的需求。此外，基于GPT 的多模態模式可以同時處理文本、圖像、音頻等多種類型數據，強大的數據處

90、理和分析能力幫助6G 網絡進一步統一數據業務 和服務的標準（包括數據格式、參數定義、計算方式等），實現數據資源在6G網絡內的快速流轉和共享應用，實現以海量數據為中心的智能計算。4.2.2.GPT 推動網絡自服務推動網絡自服務6G 內生智能網絡的特性之一是自適應匹配用戶的個性化需求，為用戶提供 網絡自服務能力。具體體現在，用戶對帶寬、時延、計算能力、存儲能力等性能 指標的需求動態變化，網絡接收到用戶的個性化需求，基于GPT 對用戶意圖進 行分析并轉譯為對網絡的QoS 需求，進一步根據對當前網絡的狀態感知，將QoS需求設置為網絡的執行方案或執行策略，整個過程中不需要運維人員介入。4.2.3.GPT

91、 協助網絡資源編排協助網絡資源編排6G 網絡是集通信、感知、計算于為一體的信息系統，需要對通信資源、計 算資源進行編排，以滿足用戶服務級別協議（Service Level Agreement，SLA）需 求并實現網絡運營效率最優。編排是對計算機系統、應用及服務的自動化配置、管理和協調。GPT 對業務需求分析后進行資源消耗趨勢預測，優化通信和計算 資源編排調度方案。具體來說，根據對業務需求的分析，網絡生成通感算聯合優 化需求，并下發至意圖管控功能?；贕PT 輔助進行全面業務意圖感知、網絡 意圖解析、網絡能力轉換，并輸出和下發具體的業務感知SLA 需求，實現將業 務SLA 需求細化為業務傳輸計算

92、模型和基站資源消耗趨45/81勢。隨后，基于學習算 法優化影響通感算性能的網絡配置參數，生成網絡參數調優策略。指導資源編排，GPT 與用戶交互獲得反饋，進而對策略進行迭代優化。4.2.4.GPT 構建網絡內生安全構建網絡內生安全GPT 有望助力提供有效的安全技術來抵御和預判各類網絡攻擊，將在保護 6G 網絡免受各種安全威脅方面發揮關鍵的作用?；诹阈湃蔚能浖x安全邊 界，已應用于6G 來構建新安全邊界防護體系11。通過始終持續性地驗證用戶、設備和應用的合法性及權限，來實時界定每次資源訪問是否被合理授權，完全通 過軟件來定義對象的安全邊界。在零信任的框架中，GPT 基于用戶、設備和應 用進行動

93、態風險評估，及時對權限進行調整；根據用戶身份、行為、時間、地址、應用上下文等信息來構建指定風險管控方案，更高效地綜合分析、應對每次訪問風險。綜合訪問風險記錄，GPT 總結歷史經驗，將安全能力與網元、網絡特性深度融合，并進一步構筑 6G 內生安全體系。4.3.“6G+GPT”賦能行業數字化轉型賦能行業數字化轉型6G 將具備原生AI 能力，不僅空口和網絡設計將借助端到端AI 和機器學習實現高度定制的優化，同時各個網元也將原生融合通信、計算與感知能力，從集 中智能向分布式的網絡泛在智能轉變，通過邊緣智能的分布式機器學習架構，滿 足社會生產的大規模智能需求42。6G 作為未來數字世界的“超級基礎設施”

94、，將以大連接、高算力和強安全的極致性能，支撐人、機、物的泛在智聯，賦能全 社會數字化轉型，實現“萬物智聯，數字孿生”的美好愿景。GPT 與6G 深度融 合后，可應用的場景非常豐富，支撐和提供諸多新業務和應用，最典型的應用領 域包括：智能家居、智慧醫療、智能工業、智能交通、智慧農業和數字娛樂等，如圖4-2 所示。46/81圖4-2“6G+GPT”賦能行業數字化轉型4.3.1.“6G+GPT”賦能智能工業賦能智能工業近年來，以人工智能、大數據、云計算等為代表的新技術正在迅速與傳統制 造業融合，以“綠色”和“智能”為核心的制造模式，成為制造業的重點發展方向?，F代工業智能化生產模式，建立在AI 應用的

95、基礎上4344，6G 通信技術與GPT 的協同，可充分發揮兩者優勢，提升工業系統性能，做到無線覆蓋廣、感知能力強、服務響應快等，進一步提高數據采集、處理和分析的效率，挖掘行業數據潛在價值。工業智能化生產通常有著較高的傳輸和處理時延、魯棒性、可靠性要求，由 于工業智能制造主要采用本地部署執行的特點，在6G 與GPT 的協同下，工作 中的基站側傳輸、算力、算法資源和能力的拓展非常重要，它能比傳統方案提供 更低的傳輸處理時延和抖動，從而保障更高的工業級信號處理的確定性。同時，工業智能生產線上部署的智能終端，都可能具備本地強大的無線感知和數據分析 推理決策能力。此外，還可以結合神經網絡、模糊控制技術等

96、先進算法應用于產 品配方、業務編排等，實現智能制造過程，這有助于進一步提高生產效率和減少人工參與度，更好地滿足客戶的大規模個性化需求，實現工業生產技術的進步。47/814.3.2.“6G+GPT”賦能智慧醫療賦能智慧醫療6G 不僅能夠更好地支撐智慧醫療相關的海量信息傳輸和同步，其內生智能 還可以直接賦能醫療信息的處理和決策。而GPT 的出現，突破了傳統AI 模型受 算法成熟度和病例樣本數的限制，減少了人為參與和監控，簡化了診斷方式和流程。醫療傳感器和智能可穿戴設備的發展推動了智慧醫療的改革，6G 和GPT協同可直接應用于醫療傳感器和智能可穿戴設備45，輔助收集個人身體和情感信息，提供實時、便捷

97、的健康監測，提高醫療質量，并使用戶能夠掌握自己的健康情況。電子健康記錄實現了患者完整病史的存儲和顯示，包括醫療狀況、治療計劃、處方、過敏和其他詳細信息。6G 和GPT 技術的結合，實現不同的物理設備和對象 與互聯網進行連接和通信，優化了數據收集方式，高速傳輸同步醫生和患者的相關信息，從而不斷迭代提升預診療結果的準確性、可靠性和實時性。在GPT的輔助下實現數字化和集中化患者信息分析管理46，幫助快速建立集中的患者信息存儲庫，實現了數據驅動的決策，有助于加速推動智慧醫療改革。4.3.3.“6G+GPT”賦能智能交通賦能智能交通智能交通是AI 和通信技術與現代交通系統融合的產物?！?G+GPT”可以

98、給城市交通帶來全新升級，例如在自動駕駛、無人機快遞、無人出租車、車路協同等方面推動城市交通體系的持續變革。在進行路網級的交通信號控制協同時，針對各種公路網的感知是極其關鍵的。目前對于公路網的感知主要依靠城市卡口、微波雷達、GPS 定位等數據源，交通 數據采集設備的部署總體來說還比較稀疏，在構建時空模型時有價值的信息依然 有限。6G 與GPT 協同將充分發揮內生感知和數據處理能力，有望通過廣域覆蓋提供全方位多維度的路網感知數據47。交通流的預測精度和時效性對于交通的主動管控非常關鍵，面向超大規模交 通網絡狀態的估計和預測，6G 與GPT 協同相比于傳統云端 AI 更貼近交通現場，從而能夠提供更精

99、準更實時的預測結果。48/814.3.4.“6G+GPT”賦能智慧農業賦能智慧農業智慧農業是物聯網技術在現代農業領域的應用，利用實時圖像和視頻對農業 生產系統進行監控和檢測。與傳統手工或機械化農場相比，智慧農場可以采用基 于“6G+GPT”的新型生產作業模式，如通過傳感器采集農場片區的各類數據，智能調控農作物的生長環境，使其更好地滿足作物生長需要，并將各種類型的農 業機器人應用到耕地、播種、噴藥、收割、采摘、包裝等農業作業環節中，進一步提高農場作業質量及效率，減少人工投入?！?G+GPT”能為智慧農場提供各種AI 業務支持，包括基于多類傳感器的感知數據精準獲取與傳輸、基于海量數據的分布式AI

100、模型訓練、模型參數的高 效傳輸與聚合、無人機噴灑作業路線的精準規劃和飛行控制、農機自動駕駛路線 規劃等。智能傳感器設備可以實時獲取精準數據，比如時刻監測大棚內的生長環 境數據，GPT 據此輸出溫控、水肥等解決方案，幫助農民實現標準化種植，真 正達到降本增效的目的。在采摘環節，基于“6G+GPT”控制采摘機器人48，通 過高精度定位和動作控制，實現智能采摘。此外，基于對農作物生長數據的分析，對作物的全生命周期進行管控，能夠及時發現種植問題并發出預警，減少損失。4.3.5.“6G+GPT”賦能智能家居賦能智能家居智能家居是人工智能技術和物聯網技術在居家生活場景中相互融合的產物。智能家居系統能夠像人

101、類一樣思考、決策和調度用戶習慣和家庭環境，從而提供 便捷、舒適、安全的智慧生活。據統計，在智能家居市場中，2022 年AI技術的 行業整體滲透率約為25%，預計 2025 年AI 技術的行業整體滲透率將接近50%，而在擁有計算機視覺、語音交互功能的智能掃地機器人、智能攝像頭、智能門鎖、智能音箱等品類中則有望突破60%?！?G+GPT”可用于家居控制、安防監控、健康監測等，利用6G 網絡設施，可以感知和分析人們的行為、手勢和位置等信息，結合歷史數據刻畫住戶習慣，通過GPT 了解人們意圖，實現對各類家居設備的最優控制。在維護家庭安全方 面，“6G+GPT”可檢測非法入侵，基于家庭成員畫像，分析并評

102、估入侵49/81動作危 險等級，同時安防系統自動觸發報警等動作，避免家庭財產受到損失。在生活家 居健康監測方面，“6G+GPT”基于傳感數據進行識別分析，可實現對住戶和寵物的健康監測管理，當健康指標與歷史信息相比出現異常時，能及時發現和預警。4.3.6.“6G+GPT”賦能數字娛樂賦能數字娛樂數字娛樂行業存在“成本、效率、質量”的不可能三角，即難以同時兼顧研發成本、研發效率與產品質量。而AIGC 的廣泛應用，能夠極大地提升策劃、音頻、美術、程序等環節的生產力，壓縮整體項目的研發周期與人員規模，大幅降低制作成本。虛擬現實（Virtual Reality，VR）、增強現實（AugmentedRea

103、lity，AR）、擴展現實（Extended Reality，XR）等技術的使用是新一代數字娛樂的趨 勢?！?G+GPT”能夠提供完全沉浸式的交互場景，支持精確的空間互動，滿足人類在多重感官甚至情感和意識層面的聯通，將助力實現現實環境中物理實體的數字化和智能化，構建虛實融合的數字娛樂新模式。XR 需要進行對象定位和運動追蹤，處理和反應依賴于AI 的能力，GPT技 術可用于6G 網絡未來XR 業務，提供更為豐富的算力和算法資源，保證各種XR 應用的執行和卓越用戶體驗49。除了AR、VR 業務以外，6G 網絡需要更強大的 網絡圖形圖像業務，未來，不僅包括 cloud XR，還有云游戲、智慧城市、數

104、字 孿生城市、數字可視化等。網絡圖形圖像處理過程中存在大量的數據傳輸，這需 要GPT 對網絡傳輸進行調優，保證網絡的通暢和業務的時效性。此外，現實感 知技術需要基于便攜式終端感知周圍環境，使信息收集更方便，GPT 能夠對信 息進行識別、分析和處理，提供超越人類自身的強安全、高精度、低功耗的感知 與成像能力。其中，超高分辨率場景需要更高的帶寬和更大的天線孔徑50，通過“超越人眼”的GPT 應用，可以獲得皮膚下、遮擋物后或黑暗中隱藏的重要信息。例如，在6G 系統中，基于太赫茲頻段的無線電波感知51，可以實現非視距成像。50/815.“GPT+通信通信”融合發展面臨的問題融合發展面臨的問題在第4 章

105、中，我們研究了GPT 大模型與通信如何從獨立演進到融合發展的過程，并討論了未來6G 網絡與GPT 結合后如何支撐更多行業的數字化轉型。然而，在二者協同發展和實際應用的過程中，仍然存在一些難點和挑戰。這是因 為通用大模型雖然能夠掌握廣闊的通識知識，但缺乏對特定任務和行業的深入理 解，導致在滿足嚴格的專業化需求時可能難以達到最佳性能。此外，大模型本身 也存在一些局限性，同時通信行業的數據復雜性以及網絡環境的動態變化等因素，都可能導致模型輸出效果不佳。因此，在將GPT 大模型應用到通信領域時，往往會與實際場景的應用需求存在一定差距。本章將分別從高質量數據稀缺、硬件資源不足、云邊端網絡協同 難、帶寬存

106、在瓶頸以及相關法律滯后這五個不同的角度進行分析，討論“GPT+通信”融合發展過程中需要解決的痛點問題和可能的研究思路。圖5-1“GPT+通信”融合發展面臨的問題和可能的研究思路51/815.1.通信高質量訓練數據稀缺，專用模型準確性和泛化性通信高質量訓練數據稀缺，專用模型準確性和泛化性差差各個行業都有長期積累且涉及多個維度的專業知識，為了訓練出滿足產業需 求、精度極高的垂直行業模型，大模型必須結合行業知識和專有數據，完成從通 用到專用的轉變。在設計適配通信領域的GPT 大模型時，訓練數據集會直接影 響生成內容的質量，而通信中的高質量訓練數據仍然不足，模型在理解復雜或非標準指令時的準確性較差。且

107、模型對單一性數據集的重復訓練可能會出現過擬合，導致泛化性大幅度降低，這對通信專用模型的性能進一步提升提出了挑戰，如圖5-2 所示圖5-2 通信高質量數據稀缺導致模型性能降低準確性是指大模型生成的回答是否正確，是否符合邏輯和人們的認知常理，是否能夠被人們理解、解釋和信任。在通信領域，準確性可能涉及正確識別或預 測一系列通信任務，如信號識別、調制解調、頻譜感知等，對數據質量要求較高。而泛化性是指機器學習模型在未見過的數據上仍然表現良好的能力52，換句話說，一個好的機器學習模型不僅能夠在訓練數據上表現出色，還能夠在新數據上進行 準確預測和決策。然而，泛化性并非一蹴而就，而是需要精心設計和調整模型來

108、實現的。訓練數據集樣本過于單一可能會導致模型訓練欠擬合或者過擬合問題。這是機器學習中的常見問題，指的是模型在訓練初期52/81對數據集學習不足，但后期 又過度適應訓練數據，或過于強調訓練數據中的每個細節，而不是學習普遍規律，導致模型在新數據上表現不佳，泛化性大幅度降低53。過擬合可能是因為訓練數 據集樣本單一、樣本不足，也可能是因為模型過于復雜，過于貼合訓練數據，而忽略了數據之間的一般關系，以至于學習到了訓練數據的噪聲和細微差異。在深度學習領域，許多研究在評估深度學習模型時只關注準確性，而忽視了 泛化性。這意味著這些模型可能在特定數據集上表現良好，但在新的環境下可能 無法泛化。這是一個與通信融

109、合的問題，因為在實際的通信系統中，模型需要能夠適應不同的環境和數據54。因此在設計通信領域的深度學習模型時，需要在準確性和泛化性之間進行平衡。但目前通信領域訓練所用數據量遠遠低于需求，通 常只有數十GB，與所需的數百GB 到數TB 相比存在巨大差距。而且現代預訓 練數據集的大小使得任何個人都無法徹底閱讀所包含的文檔，或對其進行質量評估55，因此如何挑選合適的高質量數據集對GPT 進行預訓練仍有待研究。但是，通信行業內的許多數據未公開或受到商業保密協議的保護，導致公開 可用的數據來源有限，或數據缺失無法充分利用。由于行業專業性強，非可靠來 源的數據更可能包含技術上的錯誤、過時的信息或誤導性內容。

110、在通信行業中，使用不準確的數據訓練的大模型可能會生成包含事實錯誤、邏輯錯誤或偏見性觀 點的內容，導致技術誤解和錯誤的決策，這在設計網絡、維護系統或應對緊急情況時尤為嚴重，不僅會降低用戶對模型的信任度，甚至可能造成嚴重的事故。此外，在學習和表示多模態數據時，不同無線應用的數據結構和特征也各不 相同，無線數據類型多樣性包括信道頻率響應、位置坐標、波束矢量和接收信號 等，這些不同模態具有獨特的數據結構和特征56，對大模型的準確性和泛化能力提出了挑戰。因此，針對通信領域不同任務的特殊需求，為了在有限數據下訓練專用大模 型，需要綜合考慮通信數據特點、大模型本身復雜度和計算成本等因素，選擇適配任務的大模型

111、，可能還需要適當對模型進行“剪枝”和“壓縮”。53/815.2.端側算力及硬件資源不足，大模型輕量化部署難端側算力及硬件資源不足，大模型輕量化部署難在AI 技術快速發展的當下，智能手機等移動設備在人機交互、語音交流等 功能方面的需求不斷提升，將大模型輕量化部署到終端設備也正成為一個重要的 研究方向和發展趨勢。利用端側AI 可以更好地為用戶提供個性化的服務和支持，幫助用戶進行自我管理。然而，由于算力及硬件設備等限制，這一目標的實現仍面臨諸多挑戰，在實際應用上還遠遠滿足不了用戶的需求。早期的智能手機語音助手，雖然具備基本的人機交互能力，但在復雜問題的處理上表現并不理想，功能也較為單一。隨著Chat

112、GPT 等大模型的發展，AI能力得到顯著提升，原本功能有限的語音助手有望處理更復雜的問題，這無疑是手機制造商們迫切希望落地的技術。例如，蘋果最早搭建了Ajax 大模型，并推出了內部測試聊天機器人“Apple GPT”；vivo 發布了自研的覆蓋多個參數量級的“藍心”大模型，包括端云兩用模型和端側專業文本大模型等；小米宣布其自研MiLM 輕量級大模型已經接入了新發布的澎湃操作系統（OperatingSystem，OS）；華為也宣布HarmonyOS 4 系統將全面接入“盤古”大模型；榮耀、OPPO、三星等其他終端廠商也都在紛紛布局，將大模型裝進手機，如圖5-3 所示。圖5-3 手機廠商在終端部署

113、大模型的最新進展然而，要將大模型部署到終端設備上，對算力和硬件層面就提出了更高的要 求。據統計，vivo、榮耀、小米的大模型基本上都從十億級的參數量開始做起，逐漸往更大的參數量拓展。目前，手機廠商在大模型計算上，基本采用兩種54/81路徑，榮耀、小米等公司是采用端側計算的模式，vivo 等公司則是端側和云端兩條路徑 并行。云端計算的能力更強，但每次計算的成本過高，可能會對手機廠商造成負 擔。相比之下，端側計算成本更可控，并且由于數據不用上傳云端，安全隱私性更強。在具體實現過程中，大模型需要大量內存來存儲參數，并且在執行復雜的計 算任務時需要巨大的算力資源和電量消耗。而智能手機等移動設備硬件資源

114、和電 池容量有限，輕量化部署仍然存在許多挑戰，主要表現在三個方面：內存約束、算力不足和功耗較大。1）內存約束大模型由于其龐大的參數量和復雜的網絡結構，需要極大的內存資源來存儲 模型參數和進行計算。在蘋果公司發表的最新論文中提到，一個70 億參數的模 型就需要超過14GB 的內存來加載半精度浮點格式的參數57，這超過了大多數終 端設備的承受能力。即使通過量化壓縮模型，這對于終端設備的內存要求依然過 大。且在實際應用場景中，端側設備需要快速、準確地處理輸入并給出響應。但 由于內存限制，這些設備可能無法承載大型模型，或者因為內存不足導致性能下降，運行模型時頻繁卡頓，影響其他應用程序等問題。2）算力不

115、足大模型運行需要消耗大量的計算資源，因此如果要在端側部署大模型，除了 內存外，對芯片計算能力也提出了更高的要求。然而，現代智能手機的芯片處理 器性能與專業服務器相比仍有較大差距，使得模型運行面臨處理速度慢和響應時 間長等瓶頸，從而影響用戶體驗。目前行業內可供采用的芯片不多，暫時只有極 少量芯片能支持大模型的端側落地。由于大模型對于手機內存和芯片的限定要求，即使實現了在手機上部署GPT 大模型這一目標，在短期內可能只會是高端手機的專屬體驗。3）功耗較大大模型對算力的需求變得更大了，意味著功耗也會變大。但手機等端側設備 不像數據中心能通過空調或液冷系統降溫，功耗太高會直接影響大模型運行55/81的

116、效果。當在這些設備上運行GPT 大模型時，不僅會迅速消耗電池電量，破壞手機 充滿電后至少能待機一天的體驗，還可能導致設備過熱，縮短電池的使用壽命。這種過高的電量消耗不僅限制了大模型在移動設備和其他端側設備上的應用，而且還可能導致運行成本和設備維護難度增加，甚至還可能直接損壞硬件，影響其他功能的正常使用。5.3.云邊端異構網絡協同困難，大模型性能穩定性差云邊端異構網絡協同困難，大模型性能穩定性差在當前大模型體系架構下，在終端設備上部署GPT 應用并形成實際業務服務需求，需要云邊端共同參與完成。GPT 大模型在邊緣節點部署，而用于預訓 練過程的大規模數據庫通常在云端存儲，這涉及終端邊緣節點和邊緣節

117、點云端兩段鏈路的數據傳輸。然而，隨著移動用戶的個性化需求劇增，為了滿足更多用戶，需要實現云邊端網絡的高效協同，實現計算資源合理化分配，否則可能會導致大模型穩定性下降，影響用戶體驗。云端服務器通常具有強大的處理能力和存儲容量，適合處理大規模、復雜的 任務。邊緣節點位于用戶和云資源之間，具有一定的計算能力和存儲空間，可以 降低數據傳輸延遲，加快響應時間。終端設備如智能手機、傳感器等通常資源非 常有限，但最接近數據源。在這種網絡中，數據和任務根據其屬性和需求在云、邊緣和終端之間流動。一些需要快速響應的任務可能在邊緣節點處理，而那些需要深度分析和復雜計算的任務則可能上傳到云端處理，如圖5-4所示。56

118、/81圖5-4“GPT+云邊端異構網絡”架構然而，在邊緣計算方面，由于物聯網帶寬資源等限制，其發展仍處于起步階 段58。在保持模型準確性的同時，如何設計在物聯網設備上運行的GPT 大模型 存在挑戰，其中最關鍵的因素是邊緣應用的處理速度59。同時，網絡中不同節點 的性能、存儲和網絡連接能力存在顯著差異：云服務器可能擁有高性能處理器和 大量存儲，而邊緣節點和終端設備則在計算能力和存儲容量上有限。這些差異對大模型的效率和準確性產生了直接影響。首先，響應時間在云端、邊緣節點和終端設備之間存在顯著差異。云服務器 可以在幾十毫秒內處理請求，而邊緣設備則可能需要幾百毫秒到幾秒，而在終端 設備上，處理延時可能

119、更高。其次，大模型的有效運行常常需要在多個計算節點 間同步大量數據，網絡延遲和數據傳輸速度在這里成為關鍵因素，影響模型的實 時響應和決策能力。且邊緣節點的計算限制可能要求對模型進行簡化或只運行模 型的一部分，這可能導致模型準確率下降，特別是在數據密集和計算密集的應用 場景中，如智能交通系統，高峰期的數據處理需求可能超出邊緣節點的處理能力，導致模型性能波動。最后，大模型的穩定性還受到網絡節點可靠性和故障恢復能 力的影響，邊緣節點的故障或中斷可能導致服務的中斷。57/81因此，需要綜合考慮設備的性能和資源約束，以保證網絡中所有節點能高效協同工作，同時保持系統的準確性和可靠性。例如，在城市監控系統中

120、，大量數據需要監控攝像頭傳輸至云端服務器以進 行有效處理，傳輸過程中的延遲對實時監控的效率和應急快速響應能力有顯著影 響。然而在處理計算密集型模型時，邊緣節點可能受到其硬件性能的限制，難以 達到理想的處理速度和精度。這一點在自動駕駛中尤為明顯，該應用要求車輛快 速處理來自眾多傳感器的大量數據60。在這種時延敏感型應用中，高帶寬低延遲 的網絡連接是保障實時決策乃至駕駛安全的重要因素。因此，需要優化網絡負載 均衡，分析用戶需求并合理分配有限資源，才能靈活應對不斷變化的網絡環境，保持大模型的穩定運行。5.4.服務器互聯存在帶寬瓶頸，訓練時間長推理效率低服務器互聯存在帶寬瓶頸，訓練時間長推理效率低大模

121、型的訓練和推理過程需要大量的計算資源和數據，僅大模型訓練就需要 由數千片甚至上萬片GPU 組成的集群連續訓練數月時間，海量計算的同時還有 海量數據交換的需求，與傳統CPU 和存儲集群比較，內部通信互聯要求的提高 十分明顯。且隨著模型參數量以及GPU 算力的增加，要在動態無線通信環境下同時滿足生成內容高質量和低延遲，需要更高的互聯帶寬才能支持。然而，由于 目前計算服務器間的互聯帶寬不足，這可能會導致網絡傳輸速度過慢甚至中斷，需要很長時間才能從云服務器上下載數據，從而影響資源的使用率，降低整個訓 練和推理過程的效率和準確性。如圖5-5 所示，當前通信帶寬提升速度遠低于計算提升速度。圖5-5 通信帶

122、寬提升速度遠低于計算提升速度58/81隨著模型規模的不斷擴大，單GPU、單服務器已經無法滿足計算和存儲需 求。目前，大模型的訓練過程需要在多節點的計算集群中進行，這些集群通常由 若干臺服務器組成，通過分布式訓練框架實現跨節點的協作，共同完成訓練任務61。主要采用的是分布式并行計算方式，即將計算任務以數據并行、流水線并行 及張量并行等方式分配到多臺服務器上，來加快模型訓練速度。在數據并行模式下，數據被分割成多個部分，分配給不同的計算設備進行并行計算。在這種復雜的分布式系統中，任何一個環節遇到瓶頸都可能對模型訓練的效 率和可擴展性產生重大影響。當計算服務器數量增加時，各應用程序線程間的通 信成本會

123、增高，進而導致整體訓練性能下降。在傳統服務器配置中，AI計算卡 之間的通信受限于PCIe 總線的帶寬，使得數據在GPU 內存間的傳輸速度僅為理 論速率的約1%。此外，位于不同服務器的AI 計算卡之間的通信還受到數據中 心網絡帶寬的限制，如常見的 10 Gbit/s 以太網速率，進一步制約了訓練效率。簡而言之，隨著集群規模擴大，通信成為影響AI 模型訓練性能的關鍵因素。其中，影響最大的是服務器間的高速互聯。需要在系統之間提供100 Gbit/s甚至更高的帶寬，改善GPT 類模型訓練的通信帶寬，進而提升算力的利用效率。因此，需要解決計算服務器之間可能存在的互聯帶寬瓶頸問題，以確保數據在服 務器之間

124、能夠快速、高效地傳輸。還需要正確配置和優化計算服務器上的硬件，考慮和設計合適的網絡拓撲，以最大程度地提高互聯帶寬的利用效率。在通信領 域應用GPT 大模型時，對算力的需求和對數據中心網絡的穩定性要求同樣較高。為了提升通信數據集的獲取效率，往往需要在預訓練過程中采用更大帶寬傳輸海量數據，這提高了硬件設備的性能門檻。分布式訓練需要在多臺主機之間同步大量參數、梯度和中間變量，對于大模 型來說，單次同步參數通常在十億量級，因此對高帶寬網絡有很高的需求。在分 布式計算環境中，不同計算機之間需要頻繁地進行數據交換和通信。因此，網絡 性能的優劣會直接影響分布式訓練的質量和速度。如果網絡吞吐量不夠大，數據傳輸

125、就會成為瓶頸，從而限制分布式訓練的效率。59/81因此，網絡性能對分布式訓練的質量和速度有著重要的影響。必須要采取相 應措施來提高服務器之間的互聯帶寬，同時優化網絡的負載均衡，以保障整個計算集群的效率最大化。5.5.大模型相關法律法規滯后，安全隱私與道德倫理風險大模型相關法律法規滯后，安全隱私與道德倫理風險高高隨著AI 技術的飛速進步和大模型的普及，信息化世界的各個方面都在迅速演變，但與此同時，網絡安全和隱私泄露的風險也在不斷上升。在這個數字化時 代，確保網絡安全和保護個人隱私已經成為極其緊迫的任務，我們需要深入理解 風險，并采取適當的措施，以確保數據安全、內容安全、社會安全乃至國家安全。此外

126、，邁入現實的AI 技術也同時落入了紛繁復雜的人類社會，它不僅是技術工 具，也將作為一個社會對象影響著使用者，其訓練數據中也不可避免地包含一些 人類社會偏見。如何正確合理地使用大模型，怎樣科學地看待、解決大模型在社 會維度上的價值觀與道德倫理問題，如何結合技術手段和治理體系，合理地對安全隱患和隱私泄露風險進行控制，是擺在全人類面前的重要課題，如圖5-6所示。圖5-6 GPT大模型面臨的多種風險ChatGPT 等大模型發布后，AI 技術所帶來的風險也日益凸顯，攻擊者可能 利用各種手段，對大模型訓練數據或輸入數據進行篡改、污染或竊取。且現有大 模型數據來源于人類社會，其決策很可能隱含著道德偏見。然而

127、，相關法60/81律法規 的制定卻不可避免地滯后于大模型技術的快速發展，這很可能會導致安全隱私與道德倫理風險顯著升高。例如，當前以ChatGPT 為代表的聊天機器人在“創作”過程中大量學習和使用語料庫中他人作品的內容，可能導致“智能洗稿”，原作者的權益應當如何保護也是非常值得關注的問題。在教育領域，ChatGPT 也帶來了相關的學術倫理挑戰。學生可能會利用ChatGPT 制作本不屬于其自身的作品，導致抄襲、剽竊等“學術不端”的行為出現，進而影響教育和學術生態。在此情況下，2023年1 月27 日，科學雜志就曾發表評論文章，明確拒絕了ChatGPT 的作者署名權。此外，清華大學助理教授于洋曾帶領

128、團隊對ChatGPT 的前身GPT-2 進行相關測 試，發現GPT-2 存在70.59%的概率將教師預測為男性，60.03%的概率將醫生預 測為男性，但總把廚房里的人識別為女性，這表明它會“重男輕女，愛白欺黑（種族歧視）”。研究人員還發現，預訓練模型容易受到對抗性樣本的影響，原始輸入的微小 干擾可能會誤導預訓練模型產生特定的錯誤預測62。同時，可以通過查詢域名來 恢復數據樣本，這可能會導致隱私泄露，訓練數據集和參數量較大的模型更容易受到攻擊63。因此，各國家和地區普遍高度重視研究與治理AIGC 帶來的安全性問題，并 對其帶來的風險與挑戰進行系統分析。然而，盡管各國家和地區已競相監管人工 智能，

129、努力填補法律空缺，相關政策的發布相對于大模型技術的發展仍較為緩慢。如果缺乏及時的立法約束，可能會讓一些不法分子鉆法律的漏洞，做出利用大模 型竊取數據和隱私等行為，危害社會安全。為此，應重視大模型的研發與相應配 套的監管協同發展，全球各國家和地區也需加強治理框架之間的互操作性，深化共同合作，從而找到適合整個國際社會的人工智能治理機制。通信行業的數據較為復雜且不少需要保密，其中工業和信息化領域數據包括 工業數據、電信數據和無線電數據等，這些數據專業化程度高，體量龐大而多樣，且質量不一致，給數據保護帶來一定的困難。例如，2023 年4 月，三星員工就曾在使用ChatGPT 處理工作時，無意間泄露了公

130、司的絕密數據。不過三星的這些商業機密還只流傳到OpenAI 公司內部61/81服 務器，沒有進一步擴散，因此還沒有造成嚴重的影響。但是在競爭激烈的半導體 行業，任何形式的數據泄露都可能給廠商帶來災難性打擊。此外，作為通信運營 商，對于用戶使用GPT 的通信行為也有義務進行保密，否則有可能造成用戶住 址、工作單位和個人習慣等隱私信息泄露，如果被不法分子加以利用，進行詐騙或者威脅，很可能造成嚴重的后果，甚至危害人身安全。因此，針對GPT 使用過程中的安全隱私與道德倫理風險，設立相關法律法 規具有重要的意義，且需要提前進行風險預判，加快政策的制定速度，才能保障用戶在使用過程中同時獲得便利性和安全性。

131、62/816.發展建議與未來展望發展建議與未來展望全球移動通信經歷了從1G 到4G 的跨越式發展，目前已進入5G 商用階段。而6G 將在5G 的基礎上進一步拓展和深化物聯網的應用范圍和領域，持續提升現有網絡的基礎能力，并不斷發掘新的業務應用，以服務智能化社會和生活，實現從“萬物互聯”到“萬物智聯”的躍遷。如今，GPT 在通信行業的應用場景不斷豐富，由大模型驅動的6G 智慧內生 網絡也開始構建，“GPT+通信”融合發展已然成為不可阻擋的趨勢。為了高效 而準確地處理通信行業的海量數據，除了需要對算力發展、空口技術等提出更高 的要求，還需要制定更多政策和標準來幫助“GPT+通信”合法合理地健康發展。

132、因此，針對第5 章指出的“GPT+通信”融合發展中面臨的問題和挑戰，本章提出了一些具體的發展建議，并且對未來的趨勢進行了展望。6.1.發展建議發展建議6.1.1.加快加快 AI 算力建設，提供基礎設施支撐算力建設，提供基礎設施支撐目前，各行各業不同領域幾乎都在開發自己的大模型，通信行業作為“萬物互聯”時代信息傳輸的承擔者，自然應當提前布局，規劃好未來的發展道路。算力作為AI 的三大基礎要素之一，正變得前所未有的重要。AI 應用的快速發展帶 來了長期、海量的計算需求，其中，高算力的基礎設施能夠加快數據處理和分析 的速度，推動復雜算法模型的應用和優化，為人工智能的創新提供更廣闊的空間。無論是大模型

133、的訓練、推理還是部署，抑或是商業模式的創新，都需要算力作為 支撐，同時，算力還是數據處理和應用的平臺。除了集中的大型算力中心外，通 信與計算深度融合使得通信終端、邊緣計算、工業模組、移動通信基站和通信網絡設備等也都不同程度地嵌入了計算能力。從國家層面來看，算力已成為衡量國力的重要標準，各國都在制定人工智能 戰略和政策，以推動AI 產業發展。我國中央政府和各省市也高度重視，相繼出 臺了許多相關的發展政策。2024 年2 月19 日，國務院國資委召開“AI賦能63/81產業 煥新”中央企業人工智能專題推進會，強調中央企業要將發展人工智能放在全局 工作中統籌謀劃，深入推進產業煥新，加快布局和發展智能

134、產業，加快建設一批智能算力中心，開展“AI+”專項行動。會上，10 家中央企業簽訂了倡議書，表示將主動向社會開放人工智能應用場景。上海市正持續夯實算力基礎設施建設，助力城市數字化轉型，建設“算賦百業”生態初具規模，也通過推動“算力浦江”計劃演進升級，助力構建全國一體 化算力網。河北張家口市也依托本地交通區位、地理氣候、自然資源、綠色電力等獨特優勢，加速推進大數據產業發展，著力構建“一廊四區多園”的大數據產業空間布局和“1+3+9+N”的大數據產業發展體系，加速建設京津冀“算力之都”。此外，浙江省政府辦公廳于2024 年1 月印發的關于加快人工智能產業發展的 指導意見中也明確提出了發展目標：到2

135、027 年，人工智能核心技術取得重大突破，算力算法數據有效支撐場景賦能的廣度和深度全面拓展，全面構建國內一 流的通用人工智能發展生態，培育千億級人工智能融合產業集群10 個、省級創 新應用先導區15 個、特色產業園區100 個，人工智能企業數量超3000 家，總營業收入突破10000 億元，成為全球重要的人工智能產業發展新高地。近年來，我國算力規模穩步擴張，智能算力保持強勁增長，算力發展為拉動 我國GDP 增長做出突出貢獻。中國信通院發布的數據顯示，在20162022年期 間，我國算力規模平均每年增長46%，數字經濟增長 14.2%，GDP 增長8.4%。根據國際數據公司（Internatio

136、nal Data Corporation，IDC）數據，中國智能算力規 模2023 年將達到414.1EFLOPS，20222027 年復合增長率達33.9%。當前國家 高度重視算力建設，AI“需求+政策”驅動智能算力市場持續擴容，國產算力應 用逐步加速，而智算中心是算力發展的關鍵，如圖6-1 所示，中國智能算力規模正不斷擴大。64/81圖6-1 中國智能算力規模及預測算力作為AI 時代的核心“引擎”和通用剛需資源，已成為支撐數字經濟持續縱深發展的新動能，賦能各行各業的數字化轉型升級。但當前國內AI 算力中 心建設仍面臨頂層制度建設和標準體系不統一、建設方向和建設需求錯位等問題。解決上述行業發

137、展問題的關鍵因素之一，在于應當從應用場景中獲取實踐經驗，優化行業解決方案，推動AI 產業的全面健康發展。積累數據資源、提升算力水平、做大做強算力產業，已經成為全球各國發展的戰略選擇。6.1.2.加強校企聯合培養，填補創新人才空缺加強校企聯合培養，填補創新人才空缺隨著我國產業持續轉型升級及國際競爭的加劇，高技能人才已成為國家競爭 力的重要支撐。大模型已經成為AI 發展的新方向，同時對教育改革與人才培養 也產生了結構性的影響，而打造大模型技術產業生態的關鍵也在于培育優秀的創 新型專業人才。在各領域數字化轉型的大背景下，當前各類用人單位亟需數字化 人才。我們需要結合當下社會對復合型AI 人才的需求進

138、行綜合考慮，創新AI人才培養模式，以適應大模型時代的挑戰和機遇。對此，我國在國家層面有著清醒的認識，并在持續推進。2024 年2 月7日，人力資源和社會保障部、教育部、科技部等七部門聯合印發了高技能領軍人才 培育計劃（以下簡稱計劃），提出從2024 年至2026 年組織實施高技能領軍人才培育計劃，旨在通過3 年的努力，新培育領軍人才1.5 萬人次以65/81上，并帶動新增高技能人才500 萬人次左右。新時代背景下，我國高度重視相關領域的“自主可控”。其中，高技能人才的自主培養無疑是“全面提高人才自主培養質量”的重要一環。在這方面，計劃明確指出要“強化企業主體責任”。為了確保對高技能領軍人才的全

139、面、客觀評估，作為用人主體的企業需要構建一套多元化、動態化的人才評價體系。該體系應涵蓋創新能力、團隊協作力及行業影響力等指標，并隨著產業的變革和國家戰略的調整，適時更新評價標準，其中包括市場和社會評價。首先，必須加強人工智能理論的教育。建議普通高校、職業院校設立交叉學 科，增設人工智能相關專業和自主技術路線教學內容，積極在人工智能學科專業 教學中設置場景創新類課程，從而激發學生的場景想象力，提升學生場景創新素 養與能力。例如，在大模型背景下，計算機類專業人才需要具備更加全面的技術能力和素養。除了需要掌握大模型的基本理論和算法外，他們還應具備數據處理、分布式計算、云計算等方面的技能。且大模型需要

140、海量數據進行訓練和調優，因而數據管理和處理能力也成為計算機類專業人才所需要具備的重要素養之一。其次，應該建立完善的校企聯合人才培養體系，包括高校學習培養、企業內 部培訓、科研機構實踐等。從當前企業對數字化人才的需求來看，相對于學校培 養出的“理論派”畢業生，企業更希望招聘到同時具備先進技術與實踐經驗的員 工。同時，諸多數字化人才崗位的招聘需求都明確指向了復合型人才。鼓勵開展 場景創新人才培訓，通過企業崗位培訓、關鍵崗位實踐、重點項目參與等方式，以及開設研修班、開展交流討論會、組織場景專題培訓等多種形式，培養一批具有場景創新意識和能力的專業人才。此外，還應引進人工智能全球頂尖人才，加強國際人才交

141、流與學習。通過與 世界一流科研機構的合作交流，從海外引進優秀師資力量，吸引企業高級人才和 行業專家進入學校授課等方式，擴大教學力量，從而培育聚集科技領軍人才、卓 越工程師和青年科技人才，填補當前存在的人才空缺，滿足不斷增長的創新發展 需求。為了加速大模型技術的產業化，還應該積極推動產學研結合。通過建立產 學研聯合實驗室、共享創新平臺等方式，引導企業和高校、科研機構緊密合作，共同開展大模型技術的研究與開發。66/816.1.3.加速制定相關政策，建立平臺引導發展加速制定相關政策，建立平臺引導發展當前，全球各國大模型研究已呈現白熱化競爭態勢。大模型扎堆出爐的背后 潛藏著不少問題，包括技術仍存軟肋、

142、治理體系尚待優化、盲目跟風、資源消耗 巨大、發展路徑有待明晰等。例如，ChatGPT 等大模型仍可能產生一些存在偏見 或誤導性的回答，甚至編造虛假內容。這很容易導致誤解，甚至引發糾紛，需要 開發者和企業在使用時提前了解潛在問題，并采取相應的措施和監管政策來減少 其影響。為此，宜推動大模型底層技術研究和應用創新、建立健全大模型監管機制、引導資本市場理性投資、加強國際合作與交流。從風險治理角度來看，國家政府應當提前布局，加快相關政策的制定速度，整體規劃大模型發展路徑，提供更多的發展平臺和機會，并積極推動跨部門、跨 領域的監管協同，形成全方位、多層次的監管格局，從而提高監管效能。相關部 門也需要制定

143、法律和倫理規范，明確相關技術在應用方面的限制和義務，保障公眾的安全和利益。同時加強國際合作和標準化建設，形成一套共識性、全球性倫理準則和治理框架，推動建立“以人為本”“智能向善”的發展生態。在大模型風險治理的政策制定中，最重要的就是對關鍵數據進行管理。為了 促進大模型訓練數據的合規使用和高質量輸出，尤其需要加強對大模型訓練數據 的源頭管控，對訓練數據進行規范?？梢钥紤]對大模型訓練數據尤其是合成數據 建立托管機制64。監管機構則通過對訓練數據托管方的約束，進一步規范大模型 訓練數據生產方和使用方的行為。數據托管方可按規定對大模型訓練數據來源、處理結果、數據流向以及訓練結果等進行監測，確保大模型訓

144、練數據來源可靠，在數據標準、數據質量、數據安全、隱私保護等方面依法合規，以保障大模型輸 出結果的高質量并符合監管要求。同時，還要加強風險防范意識，避免盲目投資 和短期行為，共同建立大模型產業鏈協同機制，培育壯大以科技領軍企業為龍頭、以專精特新科技“小巨人”企業為骨干的人工智能企業梯隊，促進上下游企業共同發展，打造國際一流的人工智能開放創新平臺，如圖6-2 所示。67/81圖6-2 數據托管與權益分配機制從行業發展角度來看，建議強化“倫理先行”意識、加強行業自律自治，共同打造GPT 應用良性發展生態。開發者需要監督和改進相關應用，以消除其潛 在偏見和回答不準確等問題。企業需要結合自身資源條件和發

145、展需求，加強數據 歸集、算力統籌、算法開源等平臺和基礎能力建設，支持GPT 大模型賦能數字 經濟。政府需要通過相關政策進行正向引導，實行宏觀規劃，著重加強對GPT 技術的監督與管理，以確保其在應用過程中合法合理，同時明確權責分配等內容，避免惡意和無序競爭，充分釋放大模型應用價值潛力。同時還應強調道德和倫理的約束，引導科研人員和企業在研發與應用過程中秉持正確的道德價值觀，注重社會責任，確保技術透明合理。在此基礎上，各單位可以基于開源共享平臺促進協同合作、加速應用創新，圍繞“GPT+通信”產業發展與治理需求，推動行業層面在算力提升、算法設計、AI 工程化等方面的聯合攻關。特別是努力突破技術局限，打

146、破行業發展瓶頸，積極參與GPT 應用與治理等領域的國際規則制定和全球發展合作，開放更多的應用平臺，爭取更大的國際影響力和話語權。68/816.2.未來展望未來展望6.2.1.核心技術實現突破，關鍵能力顯著增強核心技術實現突破，關鍵能力顯著增強如今通信行業可以利用GPT 的智能分析能力和強大的生成能力實現更智能 的網絡管理，提高網絡性能和效率。未來GPT 也將以更大的規模應用到通信行 業的各個領域，6G 網絡也將原生支持GPT 功能，各種通信相關指標和性能都將得到大幅度提升。6G 將擁有原生的AI 能力，空口和網絡將采用端到端人工智能和機器學習來 實現定制化優化和自動化運維。而且每個6G 網元都

147、將原生集成通信、計算和感 知能力，促進從云端的集中式智能向邊緣的泛在智能演進。要實現全面智能普惠，而不是局限在某些專有應用范圍內的智能，需要與作為基礎設施的通信網絡緊密 結合，在通信網絡中提供各類泛在智能所需要的基礎平臺、資源和能力，包括計 算、數據、存儲、訓練和推理服務等，從而使智能作為普惠性的服務，像當前通信網絡提供的無處不在的連接服務一樣，能夠高效、低成本地向大眾提供。在應用維度上，內生AI 和泛在感知的6G 網絡將提供更全面和綜合的能力，意圖驅動以及最少人工干預的智能管理與運維是提升管理和運營效率的關鍵。鑒 于網絡運維和管理的方式、過程和指令完全可以描述為人類語言或文本交互的問 答模式

148、，因此借助數字孿生網絡，基于其試錯和預測能力提供模型細化的評判并 預訓練裁判模型，在大量網絡運維和管理的數據及專家知識基礎上，持續強化訓練網絡管理和運維領域的GPT，最終實現通用智能化網絡運維與管理。在基礎設施維度上，6G 網絡在內生AI 和感知能力的加持下，一方面將成為 一個泛在的分布式大算力平臺，同時又是一個泛在的移動大數據平臺，這必定契合未來大模型強算法的部署與應用。云計算正在逐漸成為數字世界的“中樞神經”，算力云化指的是基于云計算技術向社會各組成部分提供通用計算、智算、超算等 算力資源和服務。未來GPT 將不斷推動云算力服務全面升級和產業數字69/81化轉型，利用云服務形成算力、網絡、

149、人工智能、區塊鏈等多要素融合的一體化服務，推動算力經濟供給側結構性改革，激發算力服務的范式創新。6.2.2.體系建設日益完善，數字經濟快速發展體系建設日益完善，數字經濟快速發展隨著GPT 技術的不斷成熟和各領域大模型的不斷涌現，使得類GPT 產品可實現低門檻定制開發，應用商店加速產品落地推廣，以GPT 為核心的模型生態 建設加速推進，驗證大模型強大商業潛力。伴隨模型、工具、平臺全面提升，大 模型有望構筑生態核心，推動AI 商業化進程加速和市場天花板打開。同時新型 人工智能芯片的突破，也將不斷推進人工智能框架軟件、基礎硬件和終端操作系 統等的研發應用。智能網聯、北斗導航、低空衛星通信等基礎設施建

150、設也將不斷加強，自動駕駛汽車、無人機、無人船等智能交通裝備也會越來越普及。如圖6-3 所示，以標準規范、技術研發、內容創作、行業應用、產權服務為 核心的GPT 生態體系架構也將日趨完善，無論是以GPT 賦能產業升級還是以GPT 自主釋放價值都將在此框架下健康有序發展。圖6-3 GPT生態體系架構70/81標準規范構建了涵蓋技術、內容、應用、服務的全過程體系，促進G大模型在合理、合規、合法的框架下良性發展。同時，在核心技術持續演進和關鍵能力顯著增強的背景下，性能更強大、邏輯更智能的 AI 算法將被應用于GPT，技術研發的不斷創新將強有力地推動內容創作，提高生成內容質量，使內容更接 近人類智力水平

151、和審美標準，同時應用于各類行業各種場景。GPT的發展還將 促進產權服務快速跟進，生成內容進行合理評估，保護相關創作者的產權，并進行價值重塑，充分釋放其商業潛力，從而構建 GPT 大模型的經濟循環體系。近年來，我國數字經濟快速發展、成效顯著，已成為我國經濟增長的新動能、高質量發展的重要引擎。一方面，以互聯網、云計算、大數據等數字技術驅動的 新興產業有力拉動經濟增長；另一方面，數字技術與產業深度融合，催生新業態 新模式，傳統產業發展動能不斷增強。中國信通院數據顯示，2022年我國數字 經濟規模達到50.2 萬億元，總量穩居世界第二，同比增長10.3%，占GDP 比重 達到41.5%。國新辦新聞發布

152、會數據也顯示，數字經濟核心產業銷售收入同比增長8.7%。未來隨著B5G/6G、云計算、VR、AR 等前沿技術的快速發展和新一代智能 終端設備的研發創新，完整的GPT 生態鏈將是釋放數據要素紅利、助力傳統產 業升級、促進數字經濟發展、構建數實融合一體、創造元宇宙世界最重要的推動力之一。6.2.3.應用場景不斷拓展，循序漸進融合共生應用場景不斷拓展，循序漸進融合共生隨著GPT 不斷迭代升級演進的同時，大模型的應用范圍也不斷擴大，正為 全行業智能化轉型拓展出無窮無盡的新空間，迸發出源源不斷的新動能。GPT 與通信融合發展，未來在社會生產生活各個領域的廣泛應用將激發全新體驗。為 了更好地推動GPT 創

153、新應用和產業發展，需要產學研用多方參與和協同，在把 握好行業智能化發展趨勢的前提下，不斷追求技術創新，聚焦工程實踐，確保人工智能安全可信，為人工智能造福人類保駕護航。71/81GPT 與通信的融合發展，將不斷加速創新場景賦能，打造人工智能創新應 用先行地，并不斷拓展更多的新型應用場景。例如，在科學技術創新方面，將建 立人工智能驅動的科學研究專用平臺，構建“人類科學家+AI 科研助手”的人機 協同科研新模式。在實體經濟發展方面，大模型在工業領域落地應用，分級診斷 評估標準不斷完善，引導企業數字化轉型和智能化升級。在社會智能化方面，智慧醫院和智慧診療建設也將繼續完善，包括疾病風險預測、醫用機器人和

154、智能公共衛生服務等應用場景。此外，在線教育也將實現虛擬課堂、AI教育助手等創 新場景，同時建設智慧圖書館和智慧校園。在城市現代化治理方面，智慧交通將 加速建設，持續提升交通運行監測、出行信息服務和應急指揮能力，從而提升公共安全治理能力。在大數據時代，如何將數據收集、分析、提煉，用于改善社會生活，是AI 的基礎?？梢灶A見，GPT 的流行會讓人機自然對話的交互方式越來越普及，并 不斷從文本對話模式擴展到語音對話以及與數字人面對面交流，進而大大提升信 息通信流量和用戶黏度，這也將推動信息通信從人與人之間的溝通交流擴展到人 機之間的溝通交流?！癎PT+通信”將持續深度融合發展，其相關技術的進步和 創新

155、，將提供更多的機會，實現創造、學習和協作。因此只要不斷圍繞通信和大 模型協同創新，構建開放共享的創新生態，促進人工智能與通信產業的深度融合，將會繼續加速構建下一代信息基礎設施，助力經濟社會數字化轉型，未來在6G時代實現真正的“人機融合”以及“萬物智聯，數字孿生”的美好愿景。72/817.結束語結束語GPT 的出現，推動了AI 技術的發展，改變了人們的生活習慣，也促進了相關技術和應用在各行各業加速落地，是AI 發展史上一個新的里程碑。通信網絡作為現代信息化社會的關鍵基礎設施，對于更高效、更穩定、更智 能的需求也日益增長。隨著5G 移動通信網絡的發展，網絡架構更加復雜，終端 類型和業務種類也日益增

156、加，即將到來的6G 移動通信網絡還必須具備內生智能 和感知等能力。多樣化的應用和通信場景、超密集的網絡連接以及極致性能的服 務需求，都對移動通信網絡提出了更高的要求。因此，迫切需要對GPT 大模型與通信行業相結合進行研究。本白皮書分享了作者對通信行業與GPT 互相賦能、逐漸融合，進而協同發 展的探究和思考。首先介紹了GPT 的概念與發展歷程，然后重點調研了GPT在 通信領域的智能客服、仿真編程和輔助芯片設計等創新應用，介紹了未來網絡支 撐GPT 應用的思路和內生智能的6G 網絡。此外，還對GPT 與通信融合發展，賦能行業數字化轉型的應用場景以及發展中面臨的問題進行了說明，并提出了一些發展建議和

157、對未來的展望。期待對通信與GPT 大模型感興趣的相關專業人士能夠通過閱讀本白皮書有 所收獲，同時本白皮書仍存在不足之處，敬請大家批評指正。未來，希望能夠推 進通信產業和大模型領域深度融合創新，構建綠色低碳的基礎設施和開放共享的良好生態，促進新一代智能通信網絡發展，加速經濟社會的數字化轉型。73/811 Vaswani A,Shazeer N,Parmar N,et al.Attention is all you needJ.arXivpreprint arXiv:1706.03762,2017.2 Yang J,Jin H,Tang R,et al.Harnessing the power o

158、fLLMs in practice:A surveyon ChatGPT and beyondJ.arXiv preprint arXiv:2304.13712,2023.3 Radford A,Narasimhan K,Salimans T,et al.Improving language understandingby generative pre-training.2018,https:/.4 Radford A,Wu J,Child R,et al.Language models are unsupervised multitasklearners.OpenAI blog,2019,h

159、ttps:/ Brown T,Mann B,Ryder N,et al.Language models are few-shot learnersJ.arXiv preprint arXiv:2005.14165，2020.6 Ouyang L,Wu J,Jiang X,et al.Training language models to follow instructionswith human feedbackJ.Neural Information Processing Systems,2022,35:27730-27744.7 State ofAI Report 2023.2023,ht

160、tps:/www.stateof.ai.8 Qu Y,Liu P,Song W,et al.A text generation and prediction system:Pre-trainingon new corpora using BERT and GPT-2C/2020 IEEE 10th internationalconference on electronics information and emergency communication(ICEIEC).IEEE,2020:323-326.9 Zimmermann D,Koziolek A.Automating GUI-base

161、d software testing withGPT-3C/2023 IEEE International Conference on Software Testing,Verificationand Validation Workshops(ICSTW).IEEE,2023:62-65.10Mathur A,Pradhan S,Soni P,et al.Automated test case generation using T5 andGPT-3C/2023 9th International Conference on Advanced Computing andCommunicatio

162、n Systems(ICACCS).IEEE,2023:1986-1992.11Jeong S W,Kim C G,Whangbo T K.Question answering system for healthcareInformation based on BERT and GPTC/2023 Joint International Conference onDigital Arts,Media and Technology with ECTI Northern Section Conference on74/81Electrical,Electronics,ComputerandTele

163、communicationsEngineering(ECTIDAMT&NCON).IEEE,2023:348-352.12Krstic D,Petrovic N,Suljovic S,et al.AI-enabled framework for mobile networkexperimentation leveraging ChatGPT:Case study of channel capacity calculationfor-fading and co-channel interferenceJ.Electronics,2023,12(19):4088.13Xia L,Sun Y,Lia

164、ng C,et al.Generative AI for semantic communication:Architecture,challenges,and outlookJ.arXiv preprint arXiv:2308.15483,2023.14Blocklove J,Garg S,et al.Chip-Chat:Challenges and opportunities inconversational hardware designC/2023 ACM/IEEE 5th Workshop on MachineLearning for CAD(MLCAD).IEEE,2023:1-6

165、.15Gelenbe E,Domanska J,Frhlich P,et al.Self-aware networks that optimizesecurity,QoS,and energyJ.Proceedings ofthe IEEE,2020,108(7):1150-1167.16ITU-R.Framework and overall objectives of the future development of IMT for2030andbeyond,2023,https:/www.itu.int/en/ITU-R/study-groups/rsg5/rwp5d/imt-2030/

166、Pages/default.aspx.17ShakyaS,Roushdy A,KharghariaH S,etal.AI based5GRANplanningC/2021 International Symposium on Networks,ComputersandCommunications(ISNCC).IEEE,2021:1-6.18Vijayakumar D,Nema R K.Superiority ofPSO relay coordination algorithm overnon-linear programming:A ComparisonC/2008 Joint Intern

167、ational Conferenceon Power System Technology and IEEE Power India Conference.IEEE,2008:1-6.19Wang J,Zhang L,Yang Y,et al.Network meets ChatGPT:Intent autonomousmanagement,controland operationJ.Journalof CommunicationsandInformation Networks,2023,8(3):239-255.20屈軍鎖,唐晨雪,蔡星,等.人工智能與通信網絡融合趨勢J.西安郵電大學學報,20

168、21,5:26.21Hu Z,Dong Y,Wang K,et al.GPT-GNN:Generative pre-training of graph neural networksC/Proceedings of the 26th ACM InternationalConference on75/81Knowledge Discovery&Data Mining(SIGKDD).2020:1857-1867.22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):14-22.23Liu Y,Peng M,Shou G,et al.Toward ed

169、ge intelligence:Multiaccess edgecomputing for 5Gand Internet of thingsJ.IEEE Internet of Things Journal,2020,7(8):6722-6747.24中國移動通信集團有限公司.中國移動 6G 網絡架構技術白皮書R.2022.andInternet of thingsJ.IEEE Internet of Things Journal,2020,7(8):6722-6747.25華為.NET4AI：6G 支持AI 即服務.2022.26Edward R G,ChrisG,David A W,Mar

170、tinJ B.Frameworkforcyber-physicalsystems:Volume 1,overviewJ.NIST Special Publication,2017:1500-201.27華為.6G：無線通信新征程白皮書R.2022.28Regulation(EU)2016/679 of the European Parliament and of the Council.Regulation,2016，https:/eur-lex.europa.eu/legal-content.29Chen X,Zhou M,Wang R,et al.Evaluating response d

171、elay of multimodalinterface in smart deviceC/Design,UserExperience,andUsability.PracticeandCaseStudies:8thInternational Conference,DUXU 2019,2019:408-419.30 王凌豪,王淼,張亞文,張玉軍.未來網絡應用場景與網絡能力需求J.電信科學,2019,35(10)：2-12.31Munir A,Blasch E,Kwon J,et al.Artificial intelligence and data fusion at theedgeJ.IEEEA

172、erospace and Electronic Systems Magazine,2021,36(7):62-78.32彼得李,凱麗戈德伯格,伊薩克科恩.超越想象的GPT 醫療社科M.杭州：浙江科學技術出版社,2023.33Seppo H,Henning S,Cinzia S.LTE self-organising networks(SON):Networkmanagement automation for operational efficiencyM.John Wiley&Sons,2012.76/8134Iacoboaiea O,Sayrac B,Jemaa S B,et al.SON

173、conflict diagnosis inheterogeneous networksC/2015 IEEE 26th Annual International Symposium onPersonal,Indoor,and Mobile Radio Communications(PIMRC).IEEE,2015:1459-1463.35Isa I N M,Baba M D,Yusof A L,et al.Handover parameter optimization forself-organizingLTEnetworksC/2015IEEEsymposiumoncomputerappli

174、cations&industrial electronics(ISCAIE).IEEE,2015:1-6.36Luketi I,imuni D,Blaji T.Optimization of coverageand capacity ofself-organizingnetworkinLTEC/2011Proceedingsofthe34thInternationalConvention MIPRO.IEEE,2011:612-617.37Lpez-Prez D,Chu X,Vasilakos A V,et al.On distributed and coordinatedresource a

175、llocation for interference mitigation in self-organizing LTE networksJ.IEEE/ACM Transactions on Networking,2012,21(4):1145-1158.38Andrews J G,Buzzi S,Choi W,et al.What will 5G be?J.IEEE Journal onSelected Areas in Communications,2014,32(6):1065-1082.39Shafique K,Khawaja B A,Sabir F,et al.Internet of

176、 things(IoT)fornext-generation smart systems:A review of current challenges,future trendsand prospects for emerging 5G-IoT scenariosJ.IEEE Access,2020,8:23022-23040.40Zheng Q,Guo C,Ding J,et al.A wideband low-RCS metasurface-inspiredcircularly polarized slot array based on AI-driven antenna design o

177、ptimizationalgorithmJ.IEEE Transactions on Antennas and Propagation,2022,70(9):8584-8589.41Sharma A,Devalia D,Almeida W,et al.Statistical data analysis using GPT3:AnoverviewC/2022 IEEE Bombay Section Signature Conference(IBSSC).IEEE,2022:1-6.42LetaiefK B,Shi Y,Lu J,et al.Edge artificial intelligence

178、 for 6G:Vision,enablingtechnologies,andapplicationsJ.IEEEJournalonSelected AreasinCommunications,2021,40(1):5-36.43Gopinath R,Jensen C,Groce A.Code coverage for suite evaluation bydevelopersC/Proceedings of the 36th International Conference on softwareengineering.IEEE,2014:72-82.77/8144Ammann P,Offu

179、tt J.Introduction to Software TestingM.Cambridge UniversityPress,2016.45Panchal B,Parmar S,Rathod T,et al.AI and blockchain-based secure messageexchange framework for medical Internet of thingsC/2023 InternationalConference on Network,Multimedia and Information Technology(NMITCON).IEEE,2023:1-6.46Ku

180、zlu M,Xiao Z,Sarp S,et al.The rise of generative artificial intelligenceinhealthcareC/2023 12th Mediterranean Conference on Embedded Computing(MECO).IEEE,2023:1-4.47Cao H,Garg S,Kaddoum G,et al.Softwarized resource management andallocation with autonomous awareness for 6G-enabled cooperative intelli

181、genttransportation systemsJ.IEEE Transactionson Intelligent TransportationSystems,2022,23(12):24662-24671.48Ranjha A,Kaddoum G,Dev K.Facilitating URLLC in UAV-assisted relaysystems with multiple-mobile robots for 6G networks:A prospective ofagriculture 4.0J.IEEE Transactions on Industrial Informatic

182、s,2021,18(7):4954-4965.49Esswie A A,Repeta M.Evolution of 3GPP standards towards true extendedreality(XR)support in 6G networksJ.arxiv preprint arxiv:2306.04012,2023.50De Lima C,Belot D,Berkvens R,et al.Convergent communication,sensing andlocalization in 6G systems:An overview of technologies,opport

183、unities andchallengesJ.IEEE Access,2021,9:26902-26925.51Serghiou D,Khalily M,Brown T W C,et al.Terahertz channel propagationphenomena,measurementtechniquesandmodelingfor6Gwirelesscommunication applications:A survey,open challenges and future researchdirectionsJ.IEEE Communications Surveys&Tutorials,

184、2022,24:1957-1996.52Elsayed M,Erol-Kantarci M.AI-enabled future wireless networks:Challenges,opportunities,and open issuesJ.IEEE Vehicular Technology Magazine,2019,14(3):70-77.53馮帥帥,張佳星,羅教講.AI 時代社會科學研究方法創新與模型“過度擬合”問題探索J.社會科學雜志,2023,1(1)：157-184.78/8154Akrout M,Mezghani A,Hossain E,et al.From multila

185、yer perceptron to GPT:Areflection on deep learning research for wireless physical layerJ.arXiv preprintarXiv:2307.07359,2023.55Kaddour J,Harris J,Mozes M,et al.Challenges and applications of largelanguage modelsJ.arXiv preprint arXiv:2307.10169,2023.56Chen Z,Zhang Z,Yang Z.Big AI models for 6G wirel

186、ess networks:Opportunities,challenges,andresearchdirectionsJ.arXivpreprintarXiv:2308.06250,2023.57Alizadeh K,Mirzadeh I,Belenko D,et al.LLM in a flash:Efficient largelanguagemodelinferencewithlimitedmemoryJ.arXivpreprintarXiv:2312.11514,2023.58Yao J,Zhang S,Yao Y,et al.Edge-cloud polarization and co

187、llaboration:Acomprehensive survey for AIJ.IEEE Transactions on Knowledge and DataEngineering,2022,35(7):6866-6886.59Nielsen J.Usability EngineeringM.Morgan Kaufmann,1994.60LeiL,Zhang H,Yang S X.ChatGPT in connectedand autonomousvehicles:Benefits andchallengesJ.Intelligence&Robotics,2023,3:145-193.61

188、李抵非,田地,胡雄偉.基于分布式內存計算的深度學習方法J.吉林大學學報（工學版）,2015,45(3):921-925.62Zhou C,Li Q,Li C,et al.A comprehensive surveyon pretrained foundationmodels:AhistoryfromBERTtoChatGPTJ.arXivpreprintarXiv:2302.09419,2023.63Qiu X,Sun T,Xu Y,et al.Pre-trained models for natural language processing:AsurveyJ.Science China T

189、echnological Sciences,2020,63(10):1872-1897.64姚前.數據托管促進數據安全與共享J.中國金融,2023,2:23-24.79/81縮寫英文全拼中文釋義3GPP3rd Generation Partnership Project第三代合作伙伴計劃5GThe Fifth Generation第五代移動通信系統6GThe Sixth Generation第六代移動通信系統AIArtificial Intelligence人工智能AIGCArtificial Intelligence Generated Content人工智能生成內容ARAugmented

190、Reality增強現實ETSIEuropean TelecommunicationStandardsInstitute歐洲電信標準化組織GNNGraph Neural network圖神經網絡GPTGenerative Pre-trained Transformer生成式預訓練轉換器GPUGraphics Processing Unit圖形處理器HDLHardware Description Language硬件描述語言IDCInternational Data Corporation國際數據公司IECInternational Electrotechnical Commission國際電工委

191、員會IEEEInstitute of Electricaland ElectronicsEngineers電氣電子工程師學會ISOInternationalOrganizationforStandardization國際標準化組織KPIKey Performance Indicator關鍵性能指標80/81LLMLarge Language Model大語言模型LTELong Term Evolution長期演進技術mMIMOmassive Multi-Input Multi-Output大規模多輸入多輸出MLMachine Learning機器學習NWDAFNetwork Data Anal

192、ytic Function網絡數據分析功能NLPNatural Language Processing自然語言處理NRNew Radio新空口OSOperating System操作系統QoSQuality of Service服務質量RLAIFReinforcement Learning from ArtificialIntelligence Feedback人工智能反饋強化學習RLHFReinforcementLearningfromHumanFeedback人類反饋強化學習RNNRecurrent Neural Network循環神經網絡SAStandAlone獨立組網SAMSelf-A

193、ttention Mechanism自注意力機制SLAService Level Agreement服務等級協議SONSelf-Organizing Networks自組織網絡VNFVirtualized Network Function虛擬網絡功能VRVirtual Reality虛擬現實XRExtended Reality擴展現實81/81誠摯地感謝撰寫團隊對本白皮書做出的貢獻。曾捷、楊一帆北京理工大學：曾捷、楊一帆、楊錚、王紫如、葉能、朱超、于珊平、程波銘、張雨婷、王琛紅北京郵電大學：張詩語、呂鐵軍、王魯晗、路兆銘、黃平牧、崔瑩萍、喻茜、王夢珂、何曉宇、牛海文、李秉軒清華大學：粟欣、李云洲、劉蓓、譚志強中山大學：陳翔、王璽鈞、郭志恒西安交通大學：范建存、陶夢麗西安電子科技大學：任智源、趙佳昊桂林電子科技大學：李曉歡中國科學院計算技術研究所：田霖、孫茜中移智庫：鄧靈莉、馬夢媛、何克光中國電信：郭建章、李振、張勁松、王棟中國聯通：黃蓉、劉珊、周偉紫光展銳：苗潤泉中信科移動：程志密鵬城實驗室：楊婷婷維沃移動通信有限公司(vivo)：袁雁南、周通、姜大潔圖靈人工智能研究院：李強深圳清華大學研究院、清華大學深圳國際研究生院：鄭斯輝楊錚、張雨婷