面向6G的去中心化的人工智能理論與技術

喬秀全　黃亞坤

【摘? 要】去中心化網絡架構和原生AI能力是未來6G網絡的兩個重要發展趨勢，現有的依賴于云端服務器或者終端的中心化的AI模式將難以支持6G網絡下多終端、多節點的分布式智能協作需求，這種新型的去中心網絡環境給AI在模型的訓練、數據的采集和處理、模型的部署和推理等方面帶來了新的挑戰，針對6G網絡去中心化計算環境中海量終端設備異構、計算能力差異大、通信網絡條件動態變化等特點，分析去中心化的人工智能發展趨勢及相關的理論與技術，并提出相關的前瞻性的技術挑戰和研究方向。

【關鍵詞】6G;去中心化;人工智能;神經網絡;智能網絡

0? ?引言

未來第六代移動通信系統（6G， the Sixth Generation Mobile Communication system）以實現智能應用與網絡的深度融合為目標，進一步深入、擴展5G網絡，在人工智能（AI， Artificial Intelligent）、邊緣計算和物聯網等技術的基礎上，完成真實世界到虛擬世界的延拓與融合，達到滿足人類更深層次的智能通信需求[1-2]。1G網絡到5G網絡的設計與應用主要是滿足用戶的基本通信需求（例如傳輸速率、時延、頻譜效率以及能耗等）。特別地，5G實現了通信性能的大幅度提升并逐步商用，但在全方位、立體化的多域覆蓋、空天及海洋通信方面存在不足，在信息速度、廣度及深度上難以滿足人類更深層次的智能通信需求[3-4]。此外，5G在高度多樣化的大規模互聯方面存在一定的技術限制，未來新興的服務和動態應用場景均促進了對6G無線通信新范式的需求[5]。

6G網絡設計的愿景通常可概括為泛在的無線智能通信連接、人機物融合的深度連接、與基礎設施的泛在連接、基于上下文感知的全息通信和無縫覆蓋的AR/VR（Virtual and Augmented Reality）[6]。未來人機物融合的泛在互聯網絡將呈現出邊緣高度去中心化、網絡節點高度動態自組織特性，每個網絡節點（包括各種終端、基站、網關、路由器、服務器等）都是一個個智能信息處理體，既是信息的提供者，也是信息的消費者。此外，基于AI的泛在智能通信連接，包括網絡通信架構的智能化、終端設備的智能化、通信服務和業務的智能化，是實現6G愿景的基礎特性。

本文將從6G網絡去中心化計算關鍵特征出發，重點探討6G網絡去中心化AI的相關理論與技術，提出去中心化AI的發展趨勢和未來去中心化AI的技術挑戰和研究方向。

1? ?6G網絡去中心化計算關鍵特征

未來社會中在陸地、海洋和天空中充斥著大量的互聯終端設備，尤其是各種各樣的終端設備遍布于自然環境與人類生活中。利用這些數以億計的傳感器的實時感知與智能計算能力，支持多終端共享AI算力，智能終端設備側AI也必將從單設備、多設備正式走向分布式和去中心化模式，為6G的異構、多終端實時感知計算提供了有力的支持。展望6G去中心化計算環境，可能具備以下特征。

（1）海量、異構的終端設備通信

隨著太空、深海等領域的快速發展，人類活動范圍逐漸擴大，包括極地、沙漠、無人島嶼等極端環境。未來6G網絡設計中，人機物的通信交互無論是空間范圍還是交互方式上都會向更深層次擴展。海量的智能終端設備將會部署在各種復雜的地理環境和空間中，極大擴展了通信接入的地理空間，包括空、天、陸、海中具有多種傳感、計算、通信、控制融為一體的智能設備。此外，部署應用于不同空間領域的終端設備在系統架構、通信接入和通信協議上存在較大的差異。因此，完成海量、異構終端設備的智能連接、深入連接、泛在連接和全地形、全空間立體覆蓋連接，是6G移動通信網絡的關鍵技術。

（2）節點高度自治

在未來6G網絡設計中，節點都將是一個個智能體，每個智能體不僅能提供服務、存儲數據、節點路由和感知計算等，同時多智能體之間可以進行信息的無縫流動和計算的分布式協作。這些智能體節點部署的終端設備類型、任務類型、通信協議和網絡條件、計算能力和系統架構都存在較大差異。一方面，智能體節點具有獨立的數據采集、處理和響應能力;另一方面，高度自治的智能體節點能夠實現與其他智能體之間的實時通信、協作，從而有效完成6G天、空、陸、地等各種環境下的海量異構終端互聯、管理和協作。

（3）動態、自適應協作

6G愿景下網絡和用戶將統一為整體，各種垂直多樣化的需求和用戶的個性化服務特點要求智能體節點能夠動態自適應不同網絡環境、應用場景和服務需求。隨著大數據、深度學習等AI技術的不斷發展，AI賦能6G的同時，更重要的是智能自適應算法能夠融合異構智能體的計算能力，發揮出不同智能體節點的計算特性，利用無縫、穩定的通信網絡和網絡節點的高度動態自組織特性，實時地感知環境，動態、協作地完成用戶個性化的任務計算。

（4）數據、計算共享

精準、高效的AI算法離不開高質量的訓練數據集，而用戶數據隱私和數據安全一定程度上阻礙了AI的進一步發展。利用去中心化特點的AI聯邦學習，能夠保障大數據交換時的數據安全，保護終端用戶的數據隱私。同時，在多計算節點之間共享數據、共享計算，完成高效率的機器學習。這種去中心化的數據、計算共享能夠保證參與計算節點的獨立性和數據隱私，完成數據、模型參數的更新。6G去中心化計算是區塊鏈應用的典型特征，去中心化/共享控制能促進數據共享，這反過來又帶來更好的模型、更高的利潤和更低的成本等。

2? ?未來去中心化AI的相關理論與技術

隨著區塊鏈技術的快速發展，通過密碼學加密技術、分布式賬本和智能合約等技術給AI帶來更為廣闊的數據市場和AI計算資源。同時，去中心化的AI也讓去中心化應用（如區塊鏈應用）變得更加的安全、高效、智能。如圖1所示，未來去中心AI的理論與技術可能包括以下三方面，即基于區塊鏈技術的去中心化AI技術、基于隱私保護的去中心化AI技術和面向模型生命周期的去中心化AI技術。

（1）基于區塊鏈技術的去中心化AI技術

去中心化區塊鏈應用促進了數據市場向公平、高效、高質量方向發展，區塊鏈的激勵機制使得數據、計算共享成為可能。基于區塊鏈技術的分布式AI，實現了AI不同功能體之間的協作與相互調用，進一步加快了AI的發展，拓寬了AI的應用領域。此外，通過利用區塊鏈的去中心化天然屬性，實現AI數據、算法和模型的自由流動。一方面，利用區塊鏈的底層通信、加密和計算架構，能夠實現去中心化AI不同功能模塊之間的相互調用，進一步加速了去中心AI的發展。另一方面，基于區塊鏈技術的去中心化AI打破了傳統AI模型的開發模式、促進了AI數據、模型和計算的共享，有效解決了AI模型數據孤島問題。

（2）基于隱私保護的去中心化AI技術

用戶數據隱私保護是未來去中心化AI的關鍵技術之一。高效、可靠的數據加密及隱私保護技術是促進用戶、企業積極參與去中心化AI的計算的基石。盡管同態加密和安全多方計算等技術允許去中心化AI體系架構中的節點在加密的數據集上執行模型，無需解密數據再進行推理，并且能夠使得機器模型能夠在安全的數據集中訓練，獲得更為精準、有效的數據集和模型，同時保護了數據的隱私與安全性。然而，未來去中心化AI計算中除了傳統的密碼學技術，對智能化的加密技術需求更高。例如生成對抗神經網絡（GAN）加密技術是一種基于深度學習的智能加密技術，能夠在各參與方之間進行安全的通信，有助于獲得大量的真實數據[7]。對于研發AI模型人員來說，能夠更方便地處理數據、更高效地比較和評估模型，從而得出正確的解決方案，應對不同的場景與服務。面向去中心化AI的解決方案中，GAN加密技術允許去中心網絡中的計算節點交換信息，無需信任既定的加密方案。從概念上來說，GAN加密技術推動了不同公司、企業之間共享數據集，而無需擔心披露用戶隱私等敏感數據，也進一步推動了AI的發展。此外，企業也受益于GAN加密技術帶來的用戶信任，減少了法務危機，同時互聯網企業對于用戶隱私應當持有尊重的態度以及合理地使用。

（3）面向模型生命周期的去中心化AI技術

未來去中心化AI計算不僅需要考慮底層的通信、計算、系統架構和隱私保護等關鍵技術，還要結合AI模型在不同生命周期的特點，提供高效自治的智能AI管理。例如，在去中心化AI模型訓練階段，谷歌提出的聯邦學習本質上是一種分布式機器學習框架，其目標是在保證數據隱私安全及合乎法律法規的基礎上，實現多方的共同學習、建模，從而達到提升AI模型的效果，拓展AI應用場景。在去中心化AI模型的部署推理階段，通過異構通信架構和D2D通信等技術有效利用閑置終端設備和計算節點的資源，設計去中心化的協作式AI模型推理，有效解決了單一終端設備計算資源有限、能量消耗大、推理時延高等問題，加速終端側AI向中心化和分布式協作式AI演進。

3? ? 去中心化AI的技術挑戰和研究方向

3.1? 去中心化AI面臨的技術挑戰

聯邦學習、區塊鏈和加密計算等技術的出現為創建去中心化AI應用提供了可行的技術路徑。然而，目前大多數去中心化技術和應用仍處于理論研究階段，在實際應用中仍面臨著諸多挑戰。

（1）算力挑戰

區塊鏈利用分布式賬本和智能合約等技術在執行機器學習（例如深度學習）這類計算密集型的任務時，需要付出昂貴的代價，且性能有限。盡管去中心化AI促進了參與者之間的數據共享，增強了參與者間的信任，提升了機器學習模型的精度和質量，然而，昂貴的計算成本和較低的計算效率阻礙了去中心化AI應用部署于真實場景中。因此，在未來6G去中心化AI研究中，如何有效提升去中心化AI網絡中機器學習等復雜模型的推理、執行效率，降低計算成本是推動去中心化AI進一步發展的挑戰之一，這也是大多數企業在基礎設施上面臨的挑戰。

（2）激勵機制挑戰

去中心化AI的架構需要依靠一定的激勵機制來驅動不同的網絡節點參與到數據共享、計算共享中來。尤其是涉及到價值大的數據或計算時，通常需要較為可觀的投資回報和穩定的激勵機制來維持去中心化AI網絡的健壯運行。除此之外，存在漏洞的激勵機制可能會引起操縱去中心化網絡行為的惡意攻擊，導致參與者的信息泄漏、利益受損等后果，用戶將逐漸脫離去中心化AI網絡中。因此，安全、可靠的激勵機制時保障去中心化網絡的重要基礎。

（3）異構終端通信挑戰

未來6G去中心化網絡中泛在互聯的終端設備類型多種多樣，不同的計算架構、終端類型、通信協議和網絡條件要求去中心化網絡具備低時延和高可靠通信條件。此外，6G去中心化網絡將會在網絡節點間頻繁地傳輸數據，通信鏈路的質量和時延是保障去中心化計算結果一致性和確定性的重要基礎。因此，異構終端設備間的高可靠通信對6G去中心化網絡互聯帶來了挑戰。

（4）自適應協作計算挑戰

去中心化計算的特點要求在節點間能夠根據設備之間的差異和計算任務的特點動態地提供自適應協作機制。通常，單一的設備需要耗費大量時間和能量完成較大的計算任務，無法滿足用戶的需求。去中心化的自適應協作機制能夠提供在多設備之間動態卸載計算，根據設備特性和任務特點動態分配任務，協作完成任務計算。因此，如何在多終端設備或網絡節點間提供自適應協作計算機制，將是6G去中心化AI的挑戰之一。

3.2? 未來去中心化AI的研究方向

6G去中心化AI未來將成為工業自動化、智慧生活、大規模物聯網等應用的關鍵技術，未來不應將去中心化AI應用看作一個整體，而是根據AI應用所處的生命周期，例如去中心化AI數據共享、訓練、推理以及去中心化AI模型等方面。因此，未來去中心化AI可能的研究方向主要包括以下幾方面：

（1）去中心化的數據分享

去中心化的網絡結構和激勵機制有效驅動了參與者發布和共享數據，從而使得參與者僅通過共享數據也可以獲得更為精準的AI模型。然而，針對去中心化的數據共享協議的研究還尚未成熟。海洋協議（Ocean Protocol）是目前廣泛支持使用的一種去中心化通信架構，但是在計算密集的深度學習數據上的共享使用還需要深入的研究。

（2）去中心化AI模型訓練與預測

基于去中心化數據共享的基礎上，通常下一步是利用去中心化網絡完成AI模型的訓練，并利用新增的數據不斷地改進、提升AI模型的精度。最后，將已訓練、可用的AI模型結果發布，從而對外提供預測。因此，如何提出高效、安全的去中心化AI模型訓練方法也是未來的研究方向之一。

（3）去中心化AI模型

嚴格來說，目前大多數AI模型和應用主要針對傳統的集中式AI應用場景。在去中心計算下，如何使得AI服務在其所有的生命周期內都能夠去中心化的執行，無論是數據還是AI模型本身均更符合去中心化網絡的計算特征，能夠提升去中心化AI的效率與精度，從而推動去中心化AI的不斷發展。

4? ?結束語

隨著全球5G商用部署進入關鍵階段，對下一代移動通信系統（6G）的探索已經進入初期階段。本文主要討論了6G網絡中去中心化AI的現狀、挑戰和未來發展趨勢，從海量、異構的終端設備通信、節點高度自治、數據共享和動態自適應協作角度分析了去中心化計算的關鍵特征，討論了未來去中心化AI的理論與技術，并提出了去中心化AI的技術挑戰和研究方向。

參考文獻：

[1]? ? 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.

[2]? ? 趙亞軍，郁光輝，徐漢青. 6G移動通信網絡： 愿景， 挑戰與關鍵技術[J]. 中國科學： 信息科學， 2019，49（8）： 963-987.

[3]? ?田輝，范紹帥，呂昕晨，等. 面向5G需求的移動邊緣計算[J]. 北京郵電大學學報， 2017，20（2）： 5-14.

[4]? ?D K， B H. 6G vision and requirements： is there any need for beyond 5G？[J]. IEEE Vehicular Technology Magazine， 2018，13（3）： 72-78.

[5]? ? ?劉楊，彭木根. 6G內生安全： 體系結構與關鍵技術[J].?電信科學， 2020，36（1）： 11-20.

[6]? ?Q X， R P， D S， et al. Web AR： A Promising Future for Mobile Augmented Reality—State of the Art， Challenges， and Insights[J]. Proceedings of the IEEE， 2019，107（4）： 651-666.

[7]? ? A M， A D G. Learning to protect communications with adversarial neural cryptography[Z]. 2016.

作者簡介

喬秀全（orcid.org/0000-0002-0140-0650）：教授、博士生導師，現任職于北京郵電大學網絡與交換技術國家重點實驗室，北京市科技新星、北京信息化和工業化融合服務聯盟副理事長，SCI檢索期刊《China Communications》編委和Springer《Computing》期刊副主編，中國移動5G多媒體創新聯盟技術專家組成員，工信部人工智能專家組成員，目前研究方向為Web AR/VR、5G創新應用、6G網絡基礎理論和關鍵技術。

黃亞坤：北京郵電大學網絡與交換技術國家重點實驗室在讀博士研究生，主要研究方向為邊緣計算、5G創新應用、6G網絡基礎理論和關鍵技術。