全球化研究报告-PDF版

世界经济论坛（WEF）：2023-2024年第四次工业革命中心网络影响报告（英文版）（45页）.pdf

Impact Report January 2025Centre for the Fourth Industrial Revolution Network 2023-20242Foreword 03E.

2022-12-30 45页 5星级

CISS：美欧数字外交研究系列之一： 美欧人工智能政策协调进程、挑战及启示（2022）（英文版）（14页）.pdf

1第8期（总第33期）美欧数字外交研究系列之一：美欧人工智能政策协调进程、挑战及启示2022 年第 8 期（总第 33 期）REPORT01第8期（总第33期）美欧数字外交研究系列之一：美欧人工智能政.

2022-12-29 14页 5星级

Beamery：2022人工智能在人才管理和招聘中的应用现状分析报告（英文版）（19页）.pdf

The State of AI in Talent Management and Acquisition1The State of AI in Talent Management and APrivate&Confidential-Do Not Share Beamery Inc.All rights reserved2022The State of AI in Talent Management and Acquisition2ForewordAI is a complex and evolving technology,and the way forward with it while exciting will be difficult for talent practitioners unless they get the right foundations in place first.That means being strategic about using AI that drives outcomes at the business level not just buying AI for its own sake.According to McKinsey,“AI high performers”(those who see the highest impact of AI on the bottom line)are more likely to follow all AI best practices,many of which we will outline here.Ultimately,buying AI is not the primary goal of talent teams:hiring the right people and keeping them in the business is.Talent teams need to be crystal clear about what theyre trying to achieve,how their tech stack works,the right processes to have in place,and where to use AI(or not)in order to drive positive business outcomes and ROI.They also need to be ready to address the potential pitfalls of AI:answering important questions about bias,transparency and ethics.READ THIS REPORT TO FIND OUT:What AI actually is:The fundamental concepts of AI and the technical foundations talent teams need in place to get started.What AI does for talent teams:How AI can help achieve KPIs around recruiter efficiency,candidate quality,workforce management,and Diversity and Inclusion.How AI can improve the experience for candidates How to deploy AI solutions:Use cases and applications across the HR function and talent lifecycle.How to mitigate risk:Understanding and addressing the potential pitfalls of using AI,and complying with new regulations.How to evaluate AI providers:Which questions to ask in your RFP,and how to find the right fit for your business goals.The State of AI in Talent Management and Acquisition3Why Talent teams should care about AI AI adoption by talent teams is acceleratingAI adds massive value but only when applied strategicallyUnderstanding AIThe fundamental concepts of AILaying the foundations for AI adoptionDE&The role of AI in talent management and acquisitionRecruiter experienceCandidate experienceEmployee experienceRisks and rewardsSecurity and privacyExplainabilityEthicsEvaluating AI providersWhats next?4456671011111212131415161718Table of contentsThe State of AI in Talent Management and Acquisition4Why Talent teams should care about AI AI ADOPTION BY TALENT TEAMS IS ACCELERATING AI is everywhere.Over the last few years,its revolutionized almost every industry and business function:56%of organizations globally have adopted AI solutions in at least one function,up from 50%in 2020.Now,it is coming for talent acquisition.To date,AI tools for HR and talent teams have been comparatively few,and uptake of them slow.But that tide is starting to turn,and fast:according to Gartner,17%of organizations were using AI for HR in 2019.Is predicted that another 30%will follow their lead in 2022.That acceleration in adoption has,at least in part,been driven by the pandemic.In the last 18 months,weve seen big shifts in the ways businesses manage their people.Theyve been forced to flex around mass layoffs,remote working and changed employee priorities.Agility is a top priority,and talent leaders are turning to AI solutions for more efficient and effective ways to manage their workforces.Its no surprise that the global HR technology market is predicted to grow from$24.04 billion in 2021 to$35.68 billion in 2028,as companies prioritize investments in AI to optimize business processes and reduce costs.8%of those surveyed by McKinsey(who were using AI in their business)said they were using it for optimization of talent management.8%said it was being used for performance management.What HR and talent leaders are starting to recognize is the transformative potential of AI in helping them manage their ever-increasing remit.With the right tools applied in the right ways,AI can make talent experiences more personalized,more valuable and more effective.Against the backdrop of a spiraling skills shortage and with HR teams under more pressure than ever(78%of recruiters state that it is harder to find talent this year than last year,and 60%of companies say they do not have the skills in their workforce to be successful),that capability is critical.The State of AI in Talent Management and Acquisition5AI ADDS HUGE VALUE BUT ONLY WHEN APPLIED STRATEGICALLYBut AI isnt a silver bullet,nor a one-size-fits-all solution.Undoubtedly,the growth in tech solutions will open up a world of opportunity for HR leaders to add value to their businesses.But the proliferation of options means its imperative they think critically about the core principles of AI before investing.Implemented intelligently,AI-led talent management and acquisition tools can:Improve data-based decision making(and quality of hire)Improve the candidate and employee experience Automate burdensome manual tasks Cut operational overheadsBut AI also introduces complexity around bias and data security,as well as a whole host of as-yet unanswered ethical questions.Talent teams that fail to perform thorough due diligence at the evaluation stage could find themselves facing serious financial,legal and reputational risk.The State of AI in Talent Management and Acquisition6Understanding AI AI is a broad term and,to non-technical people,often a vague one.For talent leaders new to using AI-based solutions,it can be difficult to understand what it does and how it works.But its important to get to grips with the basics.Without understanding the difference between types of AI,and the functionality that they offer,its impossible to assess whether solutions will deliver the business outcomes HR and talent teams are looking to achieve.And there are more serious implications,too.Increasingly,regulators expect businesses to be able to explain how and why their AI works,and to prove they are mitigating against the risk of bias or data breach.Those that cant might find themselves facing not only financial,but legal and reputational issues.So,what do we mean when we talk about AI?THE FUNDAMENTAL CONCEPTS OF AI Artificial Intelligence is any technique that allows machines to mimic human behavior.It allows recruiters to do more of the same things,but also to do things better.AI can be split into 3 fundamental concepts:automation,machine learning and deep learning.Automation:Automation is rule-based.It applies the same rules(“if this,then that”)to every input,allowing processes to be run faster and at scale,without the need for human intervention.For example,Chatbots.Rule-based chatbots would return candidates the right FAQ page or schedule based on specific keywords Machine Learning:Machine Learning(ML)is more intelligent than automation.Its not rule-based:ML is the ability for an algorithm to learn from a dataset how to perform a task,and then keep learning to do it better over time.One example could be in job/candidate matching.Automation would only group candidates based on explicit,pre-programmed rules.ML would be able to infer additional similarities,and to adapt as the skills found in a job title changed over time,without algorithms needing to be re-written.Deep Learning:Deep Learning goes even further.It is able to look at a data set and figure out what is most useful and interesting about it in order to solve a task.CV parsing might be one example.Deep Learning can look at unstructured data(like a CV)and learn to identify the elements that might suggest a candidate is a good fit for a role,without being told what they are.Deep Learning can often identify important similarities between candidates that human recruiters might miss.The State of AI in Talent Management and Acquisition7LAYING THE FOUNDATIONS FOR AI ADOPTION Knowing what AI does is only part of the challenge for HR and talent teams.They also need to get some fundamental technical foundations in place to ensure theyre ready to adopt and effectively implement solutions.Data quality All AI whether its rule-based or built on machine learning relies on huge volumes of high-quality data,which it uses to recognize patterns and learn to perform tasks like a human would.For that process to work properly,the data the AI learns from needs to be:Accurate,uniformly structured and up-to-date Complete and easily surfaced Accessible and explainablePoor quality data can be incredibly costly for businesses.Recruiters spend a lot of time performing manual tasks,including looking for data,cleaning up mistakes and checking for duplicates.And thats before you factor in the knock-on effects of less efficient hiring practices,including poor team engagement and a longer time to hire.Potential non-compliance with legislation like GDPR adds further cost and risk.To ensure you are training your AI with high quality data,it is important to bring all your data together.The State of AI in Talent Management and Acquisition8Data platforms Data platforms make it much easier to maintain good data hygiene.A Talent Data Platform,such as the Universal Skills Platform from Beamery,is defined as:“An integrated technology solution that allows data located in databases to be governed,accessed,and delivered to users,data applications,or other technologies for strategic business purposes.”In essence,data platforms are a single source of truth for disparate talent data points from across the business.They unify and standardize data in one place,so that talent teams can easily surface meaningful insights from it.These data platforms for talent teams will also contain a number of underlying technologies that help with cleaning,deduplicating,parsing and enriching data in a user-friendly interface.The State of AI in Talent Management and Acquisition9Data storage The quality of data for HR and talent teams also depends on the way in which it is stored.Data can be stored in a number of ways,not all of which are a good fit for the specific needs of talent acquisition and management.Broadly speaking,data can be stored in tables(relational databases),documents or knowledge graphs.Tables and documents arent agile enough to deal with evolving organizational models,the growth in structured and unstructured data,or technologies like ML.Graphs are more useful for talent teams,especially when it comes to understanding exactly which data points are influencing outcomes.Integrations Talent teams rely on a diverse range of talent,recruiter,job,business and market data in order to do their jobs well.But this data usually exists in different systems and siloes,and is structured in different ways,making it hard to leverage and draw insights from.This means important data can fall through the cracks,or lose meaning as it is migrated between systems.It also poses a challenge in terms of maintenance:if systems dont speak to each other,updates need to be made in multiple places,every time they are needed.To consolidate and synthesize data,good integrations between systems are instrumental.Not all integrations are created equal.Some of them work in one direction only,or dont pull all the fields of information that are needed from one system to another,or are only updated intermittently.This can interfere with the quality of datasets,and by extension,the outcomes AI delivers.Again,Talent Data Platforms perform better than integrated HR tech stacks in this regard.Using a tech stack comprising multiple different tools means that,no matter how good the integrations,there are still several gateways that data has to pass through.A talent data platform is a separate structure that receives and serves up data to these different tools,no matter how structured or unstructured it is,without losing any of its relational meaning.The State of AI in Talent Management and Acquisition10DE&I 70%of job seekers want to work for companies with an explicit commitment to diversity.Thats why many companies are increasing investment in diversity,even against budget cuts elsewhere.According to The Hackett Group,businesses on both sides of the Atlantic are planning to double their spend on diversity by 2025.The key capability for HR and talent teams is to be able to protect and promote DE&I at scale.Its relatively easy to manage bias in one-to-one context,but gets much harder when candidate volumes expand.Avoiding Bias Using AI,models can be built to exclude bias in algorithms either explicitly(by removing identifiers like name,age and gender)or implicitly(by removing things like address,education or salary).AI can also be baked into candidate scoring systems to ensure consistent and equal weighting across data points,ruling out the possibility of over-reliance on a single factor.AI unlocks solutions to problems that would otherwise be impossible.Job descriptions are proven to be rife with unconscious bias,but rules engines,analytics and manual processes arent sophisticated enough to read data and understand which wording will ensure the most diverse slate of candidates.AI is able to analyze and respond to the changing market at speed.Explainability The risk of bias in talent management is high,and can have serious knock-on impacts not just for businesses,but for people.After all,hiring decisions determine the course of their career.The right AI can help talent teams provide transparency for candidates and employees about which data points have driven which decisions,both positive and negative.That transparency can also promote inclusion by suggesting career paths that may not otherwise have been obvious,especially for minorities who may not be as well-represented at the senior level,or within particular teams.The State of AI in Talent Management and Acquisition11The role of AI in talent management and acquisition For AI-powered solutions to generate successful results,theres one final but critical element that HR and talent teams need to consider.At least as important as laying strong technical foundations is ensuring that AI solutions are being applied to the right use cases.The addition of AI to the talent tech stack unlocks important business results,and directly impacts specific,identifiable talent metrics but only when its applied thoughtfully and strategically.AI might be becoming ever-more-ubiquitous,but theres no point in buying it for its own sake,or to keep up with what competitors appear to be doing.To be able to compete for the best talent,HR teams need to understand how to make the most of AI,and find the most valuable ways of implementing it.So far,the primary applications of AI in the talent sphere have focused around the basics of candidate scoring,prioritization and sourcing automation.Now,solutions are starting to drill deeper to support the ever-growing mandate of HR and talent teams,including workforce planning and management,and Diversity,Equity and Inclusion(DE&I).There are 5 main areas that AI solutions can be implemented to add value for HR and talent teams:recruiter experience,candidate experience,employee experience,workforce planning,and DE&I.RECRUITER EXPERIENCE AI can help recruiters become more productive and efficient,by enabling them to reach high volumes of candidates,and by helping them narrow the field of available options more accurately and efficiently.Used properly,AI can surface the ideal candidate for each role.Critically,these historically manual processes can be replicated automatically,with custom rules built to prioritize high-value tasks and roles.It means talent teams can put their limited human resources to better use,improving their own performance and creating a positive business impact in a much shorter time.Sourcing:Intelligent sourcing tools can suggest candidates from outside recruiters usual talent pools,identifying relevant skill sets in people with roles or backgrounds recruiters might not think to consider.AI-driven talent tools can also automate data collection and parsing,automatically matching candidates to roles to create large,rich and compliant talent pipelines.Because the quality of data is better,so too is the predictability of hiring results:strong candidates can be sourced at scale,reducing time-to-hire.Assessment:AI can be used to enrich candidate profiles with publicly-available supporting information,ready to hand over to interviewers.In addition to serving recruiters more sourcing options,the technology can also help recruiters narrow down the options they have,or quickly select the best next steps in their workflows.Talent teams can use AI to create objective scoring and assessment mechanisms that simplify and speed up the assessment process,and make it easier to move candidates through the steps.The State of AI in Talent Management and Acquisition12CANDIDATE EXPERIENCE Delivering an excellent candidate experience both for those who win positions,and those who dont is critical to maintaining a good employer brand,and attracting talent in a competitive marketplace.AI can help personalize and streamline the talent experience,so candidates feel desired,empowered and engaged from day one.Not only does this help deliver against key metrics like reduced time-to-hire,it can also have a knock-on effect to long-term employee retention.Personalization:AI can help talent teams understand what signals people are sending as they move through the pipeline,so they can send customized content and targeted recommendations for job roles with every new visit.This helps candidates understand the why of the business and their fit within it,increasing engagement and conversion rates and filling roles faster.EMPLOYEE EXPERIENCE In order to fill skills gaps faster,some companies are starting to cut their recruitment budget and increasingly turning to internal investment on L&D,reskilling and upskilling,and moving to project-based cross-functional work to make better use of their existing workforce.Internal mobility:AI enables talent teams to identify personalized internal mobility paths for employees.It can infer skills from roles and job titles,suggesting tailored growth paths for employees that improve retention.AI can also spot the valuable skills that already exist in-house,and that HR could invest in developing to meet future needs.Optimizing available skills within the existing workforce means businesses can execute on plans faster,and encourages retention.Thats important:our report with Aptitude Research notes that 78%of companies have lost talent due to a lack of career development opportunities.WORKFORCE PLANNINGPredictive analytics can analyze business goals and automatically translate them into forecasts and job openings.It can also provide insights into the costs and sticking points across the talent lifecycle,helping find areas for improvement.AI helps talent teams think more flexibly about the ways they can activate human potential,too.Talent teams can often fall into copy/paste mentalities and end up hiring the same people in the same ways,rather than exploring different labor types.AI can help break down job specifications to find the most equitable and inclusive ways to hire,eg.reducing a job description from 5 years experience at a higher level to 3 years at a mid level,filling the gaps via the gig workforce and enabling the person with 3 years experience to continue their career development in-role.The State of AI in Talent Management and Acquisition13Risks and rewards Like any new technology,AI brings with it new types of risk,and can even increase the scale of impact of existing ones.Globally,legislation is being created to help manage the use of AI and mitigate present and future risks.In the UK,the AI code was established in 2018 to try and influence the development of the AI industry,rather than“passively accept its consequences”.More recently,the EUs plans for AI regulation were leaked to the press,revealing their intention to limit some types of AI in order to protect individuals anre remove ambiguity.In the States,while no comprehensive federal legislation exists,New York City passed a law in 2021(coming into force January 2023)that will prohibit the use of AI and algorithm-based technologies for recruiting,hiring or promotion without those tools first being audited for bias.Its the responsibility of HR and talent teams to ensure they keep abreast of new legislation and stay compliant.While AI providers are accountable for their own governance,trying to pass the buck if issues arise wont cut it.Talent teams need to understand the risks posed by the technology they buy,and to be able to mitigate them.The only way to do that is to thoroughly understand their stack,train teams to use solutions responsibly,and constantly prioritize candidate and employee rights.There are 3 critical areas about which HR and talent teams need to stay vigilant.The State of AI in Talent Management and Acquisition14SECURITY AND PRIVACY Unsurprisingly where large volumes of data are concerned,security and privacy are paramount.With the introduction of GDPR,and repeated headlines about breaches and losses,data security is already front of mind for most organizations.They know that data needs to be stored safely,and that they need thorough and provable due diligence processes to stay out of trouble with regulators.But AI brings in an additional level of risk.AI only works when its trained with large volumes of data.That means the onus is on businesses to think critically not only about how they store data,but how they use it.A core principle in the UKs AI code,for example,is that“Artificial intelligence should not be used to diminish the data rights or privacy of individuals,families or communities”.Talent teams need to ensure theyre using data sensitively,appropriately and in ways that wont introduce unconscious bias.Important questions to consider are:Why are specific data points used to train models?Is all the data being gathered relevant to the model?What sources are being used,and why?How is data checked for bias before it is used for training models?Are there any data points that might introduce bias?Is data representative of distribution in the real world?What consent was obtained when the data was acquired?How is data per customer stored and used between other customers?What steps are being taken to ensure data is stored securely and cannot be stolen?Asking these questions is important to ensure data is stored and used in a safe and compliant manner.But its also fundamental to ensuring that AI solutions actually work.If data sets are interfered with,it alters the behavior of models and their outcomes.Security is central to the functionality of AI solutions,and to talent teams confidence in and ability to explain results.There is also the question of consent and permission.The new rules in New York,for example,state that candidates must be given notice of the fact that an automated employment decision tool will be used in assessing them(as well as the job qualifications and characteristics that the tool will use in the assessment).Candidates need to be made aware of the use of AI,and ideally be given the opportunity to set preferences as to how it is applied in their specific case.The State of AI in Talent Management and Acquisition15EXPLAINABILITY Increasingly,the legislative moves are being made away from opaque AI to more transparent models.AI that HR and talent teams can clearly understand removes risks and improves outcomes for candidates and employees.Opaque models and systems produce outcomes talent practitioners cant clearly and thoroughly explain.Its less of an issue with rule-based algorithms,but those if this then that models dont work well for solving more complex problems.Deep Learning models with layers of neural networks can be incredibly effective,but because they learn without human input,it can be hard for non-technical practitioners to understand exactly how and why they work in the way they do.That can cause serious problems,especially when it comes to bias.Its lower risk in other contexts.Take Google recommendations:it doesnt really matter too much why it returns the restaurants it does when you search a particular type of cuisine.It does matter why certain results are returned when someones career is on the line.Bias can happen when the data AI learns from is skewed.Take email spam filters:they decide which emails to flag based on email provenance and metadata,as well as what users mark as spam.If users subconsciously spam emails from foreign-sounding names more often,AI-powered spam filters will eventually start removing them automatically.Its easy to see how the same could happen with candidate sourcing and assessment.Explainability means knowing what features and data points led to a recommendation,and having an audit trail to interrogate and justify them.HR and talent teams need to ask:Were all the data points used to evaluate candidates directly related to the job?Were those data points the same things that candidates were told they would be evaluated against?How much influence do users have over models?Are candidates and employees made aware of when AI is used?How do models work together and individually to deliver on use cases?How are outcomes explained to users?AI and its decision parameters need to be testable,auditable and documented to stand up to scrutiny.As discussed above,storing data in knowledge graphs,as opposed to tables or documents,can help.Explainable AI helps talent teams make fair,unbiased decisions.Indeed,it can lead to better decisions being made.Understanding how models are producing results means they can be taught,corrected and optimized.The State of AI in Talent Management and Acquisition16ETHICS As HR and talent teams get to grips with AI,they need to think about how it aligns with the broader ethics and values of their organization.That means being explicit and getting aligned around the standards they hold themselves to now,as well as thinking carefully about how theyll evolve as new technologies and use cases emerge.Losing the human element in talent acquisition and management is a real concern for many.It opens up challenging ethical questions on 2 levels:Is the technology itself ethical?Are organizations using technology ethically?In the case of the technology itself,there are question marks around whether building a talent AI that can infer gender or age from names or resumes would be ethical.On the one hand,it could create shortcuts for some organizations to achieve DE&I goals.But on the other,it could make mistakes,or encourage other biases(like ageism)to creep in.An organization could use an internal mobility tool to try to predict when employees might be ready for a new opportunity.But the flipside of this positive career pathing is that managers might use it to stop investing in employees who were considered a flight risk.That would constitute an unethical use of otherwise morally neutral technology.“AI opens up a huge amount of opportunity for talent teams,who are keen to capitalize on its many benefits.But because HR is concerned with peoples livelihoods and employment journeys,its high-risk.As regulation is developed globally it will help clear up some of the ethical gray areas that currently exist,but talent teams should always ask themselves what data theyre collecting,whos using it and what for.Documenting what data is being used,and ensuring the process is transparent internally and externally,can help prevent issues.”Megan Butler PhD Candidate,Talent and HR AI expertThe State of AI in Talent Management and Acquisition17EVALUATING AI PROVIDERS With so much sensitivity surrounding the technology,talent and people teams should never go shopping for AI solutions.What they should be looking for are solutions to business problems.Having a clear understanding of use cases and goals is the only way to find the right solution,and AI wont always be the answer.It shouldnt be implemented needlessly.Where AI solutions are available and appropriate,talent teams need to ensure they are asking the right questions to evaluate them effectively.A thorough understanding of how AI works is fundamental to ensure it drives ROI against business goals and doesnt just add cognitive load,unnecessary expense and potential data,compliance and bias complications.The lists below summarize our recommended approach in assessing AI solutions,with a deeper dive into the three layers of any AI technology:data,models,and experiences.SuitabilityObjectivityExplainabilityValiditySecurityDataWhy are the chosen data points used to train the models?Is all of it relevant for the use case?What sources of data are used?Why?How is the data checked for bias before it is used for training models?Are there data points that may potentially cause bias,such as gender,race and ethnicity?How are these handled and why are these there?Is the data representative of the distribution in the real world?How is the data segmented e.g.by geography,industry?How is the data stored and connected?Is it in tables,documents or graphs?How do you maintain data quality?Is it complete,fresh and deduplicated?What consent was obtained when the data was used or acquired?How is data per customer stored and used between other customers?What steps are taken to ensure the data is securely stored and cannot be amended or stolen?ModelsWhy were these models chosen over other models?What tests were done to choose these particular models?How are the models checked for bias?Are there humans in the loop?How often are they checked for bias?How does each model work individually and together to deliver on the use case?What quantitative and qualitative methods do you use to check if the models are working optimally?Do you optimize for recall or precision?What about accuracy?Why?What steps are taken to ensure the models cannot be interfered with?Experiences How does the AI improve the user experience?Where does it add value and how does it enable users to achieve their goals more effectively than without the AI?How much influence does the user have over the model?How does user interaction and feedback on the models impact the model training?How is the AI explained to users?Is it clear on why the AI made recommendations?Is it easily understandable and reassuring?How is the AI tested as part of the user experience?How do you measure success?What steps are taken to ensure the AI experience is secure and cannot be interfered with?The State of AI in Talent Management and Acquisition18The HR technology landscape is evolving quickly,and AI opens up a huge amount of opportunity and potential benefit for talent teams.The capability AI offers will be critical over the next few years:the pandemic initiated a global transformation in the way we think about careers and workplaces,and what the future of work looks like remains in flux.When facing such profound changes,its imperative for talent teams to be strategic about the way they build moving forward.Getting the right foundations,tools and processes in place early will be critical in order to flex around continued disruption,while fulfilling the talent needs of their organizations.AI can help talent teams stay on top of the fluctuating talent market and ahead of competition but success with AI starts with shopping for solutions,not technologies.For talent teams,aligning around business goals and understanding use cases are critical first steps to building robust,explainable and efficient tech stacks.Whats next?The State of AI in Talent Management and Acquisition19THIS DOCUMENT IS FOR INFORMATION PURPOSES ONLY AND IS PROVIDED“AS IS”.BEAMERY DISCLAIMS ALL AND ANY REPRESENTATIONS AND WARRANTIES,WHETHER EXPRESS OR IMPLIED,OR ANY OTHER COMMITMENT REGARDING THE CONTENTS,INCLUDING SERVICES OR PRODUCTS,DESCRIBED WITHIN THIS DOCUMENT.NOTHING IN THIS DOCUMENT MAY BE CONSTRUED OR INTERPRETED AS A BINDING COMMITMENT AND MUST NOT BE RELIED ON,INCLUDING(WITHOUT LIMITATION)IN RELATION TO PURCHASING DECISIONS.FIGURES,PERCENTAGES AND/OR OUTCOMES USED IN THIS DOCUMENT IS FOR ILLUSTRATION PURPOSES ONLY AND YOUR PURCHASE AND USE OF THE SERVICES AND/OR PRODUCTS DESCRIBED IN THIS DOCUMENT MAY PRODUCE DIFFERENT RESULTS.BEAMERY WILL NOT BE RESPONSIBLE FOR ANY LIABILITY,LOSS OR DAMAGE OF ANY KIND RESULTING FROM OR CONNECTED WITH THE USE OF THIS DOCUMENT.THIS DOCUMENT MAY CONTAIN INFORMATION DESCRIBING THIRD PARTY SERVICES OR PRODUCTS AND,UNLESS OTHERWISE STATED,BEAMERY DISCLAIMS ALL LIABILITY IN RESPECT OF THIRD PARTY SERVICES OR PRODUCTS.THIS DOCUMENT IS SUBJECT TO CHANGE,WITHOUT NOTICE,AND DECISIONS IN RELATION TO THE SAME ARE MADE BY BEAMERY IN ITS SOLE AND ABSOLUTE DISCRETION.BEAMERY IS,UNLESS OTHERWISE STATED,THE OWNER OR AUTHORIZED USER OF ALL COPYRIGHT AND OTHER INTELLECTUAL PROPERTY RIGHTS.THE NAMES AND LOGOS OF BEAMERYS PARTNERS,INVESTORS AND CUSTOMERS ARE THE INTELLECTUAL PROPERTY OF THE RESPECTIVE PARTNER,INVESTOR OR CUSTOMER ORGANISATION OR THEIR AFFILIATES,AND USE BY BEAMERY DOES NOT IMPLY ENDORSEMENT OR APPROVAL.NO PART OF THIS DOCUMENT MAY BE PUBLISHED,DISTRIBUTED OR REPRODUCED IN ANY MATERIAL FORM.CUSTOMERS WHO PURCHASE BEAMERYS SERVICES MUST MAKE THEIR PURCHASING DECISIONS BASED ON PRODUCTS,FEATURES AND FUNCTIONALITY THAT ARE CURRENTLY AVAILABLE.BEAMERY LTD IS A PRIVATE LIMITED COMPANY,INCORPORATED IN ENGLAND AND WALES UNDER COMPANY NUMBER 08342136.BEAMERY INC.IS A CORPORATION ORGANISED UNDER THE LAWS OF THE STATE OF DELAWARE,USA WITH FILE NUMBER 5469735.LEGAL COMMENTS,QUERIES OR FEEDBACK IN RELATION TO THIS PRODUCT OVERVIEW CAN BE SENT TO LEGALBEAMERY.COM.BEAMERY LIMITED 2021.ALL RIGHTS RESERVED.About BeameryBeamerys Talent Operating System allows enterprises to attract,engage,and retain top talent,and manage the entire talent journey through one unified platform.Beamerys mission is to help the worlds best companies acquire their greatest assets:their people.Founded in 2014,Beamery is trusted by the worlds most innovative global organizations to treat their candidates like customers.Beamery has offices in London,Austin,and San Francisco.For more information,visit the Beamery website,follow BeameryHQ on Twitter,or email us at .

2022-12-29 19页 5星级

Placer.ai：实体杂货店的强劲韧性（2022）（英文版）（17页）.pdf

October 2022Brick-and-Mortar GrocerysOngoing ResilienceDespite the challenges the grocery sector fac.

2022-12-29 17页 5星级

Placer.ai：2022年领先咖啡品牌分析报告（英文版）（22页）.pdf

Coffee Deep Dive-Waking Up to 2022Leading coffee brands have proven to be extremely resilient to the.

2022-12-29 22页 5星级

凯捷：高智能如何为供应链提供超级动力（英文版）（66页）.pdf

#GetTheFutureYouWantAugmented resilience,performance,and sustainability will allow organizations to .

2022-12-29 66页 5星级

BMWK：2022德国经济数字化指数报告（英文版）（12页）.pdf

1 Digitalisation of the economy in Ger-many Digitalisation Index 2022 Summary of the Digitalisation.

2022-12-28 12页 5星级

波士顿咨询：3D打印有助于实现分布式制造的承诺（英文版）（15页）.pdf

2022 Boston Consulting Group13D Printing Helps Realize the Promise ofDistributed ManufacturingDECEM.

2022-12-28 15页 5星级

华利安：2022年安防解决方案行业秋季更新报告（英文版）（15页）.pdf

Security and Safety SolutionsIndustry Update|Fall 2022Dear Clients and Friends,Houlihan Lokey is ple.

2022-12-27 15页 5星级

华利安：2022Q3IT服务行业更新报告（英文版）（19页）.pdf

IT SERVICES MARKET UPDATEQ3 2022Houlihan Lokey is a leading global investment bank with expertise in.

2022-12-27 19页 5星级

毕马威（KPMG）：2022点燃互联数字化报告（英文版）（38页）.pdf

Powered by Narrow Band Internet of Things(NB-IoT)Igniting connected digitalisationApril 20222Documen.

2022-12-26 38页 5星级

Akamai ：2022年互联网现状报告（英文版）（34页）.pdf

State of the InternetVolume 8,Issue 3Enemy at the GatesAnalyzing Attacks on Financial ServicesTable .

2022-12-26 34页 5星级

凯捷（Capgemini）：2022年智能供应链报告（英文版）（66页）.pdf

#GetTheFutureYouWantAugmented resilience,performance,and sustainability will allow organizations to .

2022-12-23 66页 5星级

MEF：2022全球企业调查报告-移动互联网身份认证解决方案（英文版）（23页）.pdf

GLOBAL ENTERPRISE SURVEY Mobile Network Solutions for Identity Verification Sponsored by 2 .3 OVERV.

2022-12-23 23页 5星级

移动生态系统论坛（MEF） ：2021年企业物联网市场渗透和未来增长计划报告（英文版）（14页）.pdf

2021 Mobile Ecosystem Forum Ltd 2021 Mobile Ecosystem Forum Ltd 2021 Mobile Ecosystem Forum Ltd 202.

2022-12-22 14页 5星级

MEF & Upstream：移动身份认证-后cookie时代的无缝用户身份识别（英文版）（32页）.pdf

Mobile IdentitySeamless user identification in a post cookie worldWHITE PAPER 2022MSISDN|2 White pap.

2022-12-22 32页 5星级

MEF：2021企业物联网调查报告-巴西物联网-全球关键的增长市场之一（英文版）（15页）.pdf

2022 Mobile Ecosystem Forum LtdA Key Global Growth Market 2022 Mobile Ecosystem Forum Ltd 2022 Mobi.

2022-12-22 15页 5星级

移动生态系统论坛（MEF）：2022年企业物联网报告-组织驱动计划和供应商机遇（英文版）（25页）.pdf

ENTERPRISEIoT2022ORGANISATIONAL DRIVERSPLANSANDSUPPLIER OPPORTUNITIESEXECUTIVE SUMMARYFOREWORDWelcom.

2022-12-22 25页 5星级

斑马技术（Zebra）：2022年医院愿景研究报告-更智能、更互联的新时代互联医院（英文版）（14页）.pdf

Global Healthcare Vision StudySmarter,More Connected Hospitals Intelligent Workflow Automation Usher.

2022-12-20 14页 5星级

6GANA：6G网络AI概念术语白皮书（2022）（英文版）（37页）.pdf

6G 网络 AI 概念术语白皮书 6G Network AI Concept and Terminology 6GANA TG1 2022-1-19 摘要 本白皮书介绍网络 AI 相关概念术语定义，并从需求角度，进一步分析 6G 网络和计算、数据、AI 融合的不同选项，及网络 AI 潜在带来的如 AIaaS 这样的新服务。通过澄清网络 AI基础概念，定义术语及潜在的各类融合选项，支撑 6GANA 各工作组更高效的讨论网络 AI场景需求、架构、算法、管控系统等，加速共识的达成。网络 AI 概念术语白皮书 Network AI-Concept and terminology 摘要.1 1.背景.5 2.概念术语定义.5 2.1 网络 AI 概念术语定义.5 2.2 网络 AI 的 QoS：QoAIS.7 2.3 模型、算法、知识.8 2.4 相关概念澄清.11 2.4.1 网络智能化.11 2.4.2 内生 AI.11 3.网络 AI 分级分类定义.13 3.1 网络 AI 分级定义.13 3.2 S0：AI4NET 类别.15 3.3 S1：连接 4AI 类别.17 3.4 S2：算力融合类别.19 3.5 S3：数据服务类别.22 3.6 S4：算法融合类别.23 3.7 S5：编管服务类别.26 4.总结.29 参考文档.29 缩略语.30 附录.30 文档作者列表：贡献者 单位 彭程晖，刘哲，王飞，王君 华为 邓娟，李刚，孙军帅 移动 李文璟，喻鹏，丰雷，周凡钦 北邮 杨立，谢峰，康红辉 中兴 王达，边森 亚信科技 段小嫣，艾明 大唐 杨旸，马牧雷，巩宸宇 上科大 张凯宾，温海波，陈端，顾方方 Nokia 上海贝尔 袁雁南，崇卫微 vivo 尤心，陈景然 OPPO 杨婷婷，宁嘉鸿 大连海事大学 夏旭，李鹏宇，王恒 电信 黄兵明 联通 温福喜 清华 肖泳 华科大 梁承超 重邮 阮磊峰 Intel 张海君 北科大 冯钢，秦爽，刘怡静 电子科大 1.背景 6G 将催化 AI 革命：以深度学习为代表的人工智能技术将走向成熟，而 6G 将成为普惠智能服务的使能器。从以往移动通信断代的历史看，一般新的一代移动通信系统的出现，对应会出现一些典型的新业务场景；对应 6G 的新业务场景很可能是源于通信与 AI 的共同设计带来的，其中涉及 CT、IT、数据、行业等跨不同领域的深度融合，使得 6G 成为一种新型的基础设施，来满足未来各 2B 行业从数字化走向智能化的行业发展趋势，以及未来 2C如元宇宙、触觉互联网等新应用走向更极致性能、更智能化和个性化。网络 AI 是基于这样的趋势出发提出的。目前业界对网络AI大的方向和趋势有一定的共识，即连接、算力、数据和 AI 在一定程度的融合创新。但对于网络 AI 具体的内涵、网络与 AI 相关的各个要素的融合程度等方面还没有形成统一的理解，相关的概念术语也没有被清晰、明确的定义出来。本白皮书正是从当前的现状触发，来定义网络 AI 相关的概念术语，并从需求角度进一步分析 6G 网络和计算、数据、AI 融合的不同选项，及网络 AI 潜在带来的如 AIaaS 这样的新服务，牵引业界相关的讨论更有效率，为业界加速相关共识的达成做出贡献。2.概念术语定义 2.1 网络 AI 概念术语定义 6G 的重要愿景之一是实现智能普惠和连接智能，因此，6G 除了作为连接基础设施之外，还应该从架构层基于原生设计支持 AI，例如结合 AI 应用在连接、算力、数据、算法等层面的要求，进行深度融合的优化设计，这个被认为是 6G 架构层面变革的主要驱动力之一。由此，该方向的研究引发了诸多的讨论，并引出了一系列的基础概念和术语，下面整理了主要的相关概念术语定义，澄清其主要内涵：AI for Network（AI4NET）：通过 AI 提升网络自身的性能、效率和用户服务体验。AI4NET 主要研究包括利用 AI 优化传统算法（如空口信道编码、调制）、优化网络功能（如移动性优化、会话管理优化）、优化网络运维管理（如资源管理优化、规划管理优化）等。Network for AI（NET4AI）：通过网络为 AI 提供多种支撑能力，使得 AI 训练/推理可以实现的更有效率、更实时，或者提升数据安全隐私保护等。NET4AI 将传统网络范围从连接服务，扩展到算力、数据、算法等层面。AI as a Service（AIaaS）：在网络基础设施中构建 AI 应用的服务能力，AI 应用包括网络自用的 AI 或者 AI 新业务，部署 AI 应用可以是运营商或第三方。Cloud AI：AI 在云上执行，AI 和网络架构是解耦的，只是利用底层网络将 AI 所需要的数据信息传递到云端，而云端是数据处理、训练和推理的主要智能中心。网络 AI：在网络中提供完整的分布式1AI 环境，包括 AI 基础设施、AI 工作流逻辑、数据和模型服务等。网络 AI 从概念上包含 AI4NET、NET4AI 以及 AIaaS。NET4AI 将支撑网络自用的 AI、AI新业务和 AIaaS 的业务能力。网络 AI 可独立于 Cloud AI 发展，也可互为补充。关于网络 AI 和 AI4NET/NET4AI 的关系 从目前普遍上的理解，AI4NET 中的 AI 是指用于网络自身的优化工具，例如通过 AI 增强网络的性能、优化网络运维效率等；而 NET4AI 中的 AI 是指通过网络承载的 AI 应用业务，例如机器视觉场景等。对于网络 AI 来说，以上的 2 种不同类型的 AI，都需要提供支持，即对于网络 AI 来说，AI4NET 和 NET4AI 是不同的场景，都需要从网络 AI 架构层面，提供各类的优化支持能力。网络 AI 除了支持 AI4NET 和 NET4AI 场景之外，还需要考虑 AI 能力的运营，即 AIaaS 这样的服务能力。未来网络通过提供网络 AI 的原生支持，自然需要扩展传统的通信生态体系，引入一个多方协作的生态系统，在商业和技术合作方面做到更简单、开放、灵活和可信等。1 分布式是对网络 AI 整体内涵描述，即终端、网元等都具备一定的网络 AI 相关能力，但不意味着网络中运行的每个具体的 AI 应用都是分布式的；对于是否增加“分布式”，没有完全达成一致。2.2 网络 AI 的 QOS：QOAIS 与传统通信网络的 QoS 主要考虑连接相关的性能指标不同，QoAIS 需要从连接、算力、算法、数据等多个综合维度来考虑评估网络 AI 的服务质量，因此广义上的 QoAIS 指标框架体系，将包括性能、开销、安全隐私和自治等。因此 QoAIS 首先从内容需要进行扩展，除了连接的服务质量外，还将包括：1）算力相关：基于 AI 模型训练和推理，数据预处理等算力功耗开销、效率等 2）算法相关：模型性能指标界、训练/推理耗时、泛化性、可重用性、鲁棒性、可解释性等 3）数据相关：样本空间平衡性、完整性、分布动态性、准确性、数据准备耗时等 AI 服务与 QoAIS 有一对一的对应关系。从类型上，AI 服务可以包括 AI 数据类、AI 训练类、AI 推理类和 AI 验证类。对每一类 AI 服务，均可以从性能、开销、安全、隐私、自治等多个维度设计评价指标，而每个维度又可以进一步展开设计，下图为一个示例说明：QoAIS 是网络 AI 编排管理系统和控制功能的重要输入，网络 AI 管理编排系统需要对顶层的 QoAIS 进行分解，再映射到对数据、算法、算力、连接等各方面。另外，QoAIS 也可以包括 AI 应用的业务体验指标，以信道压缩为例，可以选择归一化均方误差（Normalized mean square error,NMSE）或是余弦相似度作为信道恢复精度的KPI，也可以选择链路级/系统级指标（如误比特率或吞吐量等）作为反映信道反馈精度对系统性能影响的 KPI。此外，QoAIS 还可以包括 AI 服务的可获得性、AI 服务的响应时间（从用户发起请求到 AI 服务的首条响应消息）等与 AI 服务类型无关的通用的评价指标。2.3 模型、算法、知识 知识 Knowledge 知识是人类在实践中认识客观世界（包括人类自身）的成果，是数据和信息加工提炼后的结晶。与数据和信息相比，数据是对客观事物记录下来的可以鉴别的符号（包括数字、字符、文字、声音、图形、视频等），它提供了对客观事物的表示，但不提供判断或解释，数据是形成信息的重要原料；信息是对客观世界各种事物的特征的反映；知识是由信息形成的，对信息进行加工、抽象、分析、提炼和总结形成了知识，知识能够反映事物的本质。数据、信息和知识是对客观事物感知和认识的三个阶段。模型 Model 模型是为了某种目的，用字母、数字及其它数学符号建立起来的等式或不等式以及图表、图像、框图等描述客观事物的特征及其内在联系的数学结构表达式。最优化问题模型用包含变量的目标函数与约束条件来表示，求解最优化问题即为求目标函数的极值，以及求取得极值时变量的取值。机器学习模型的输入是样本数据，输出是期望的结果，同时也设定目标函数（一般是让模型的错误率尽量小）和约束条件，机器学习模型中有大量可以调节的参数，这些参数通过训练得到，从而学习到输入数据和输出结果之间人类无法直接理解的复杂关系。算法 Algorithm 广义的算法指完成某项工作的方法和步骤；数学中的算法指按照一定规则解决一类问题的明确和有限的步骤；计算机中的算法指用计算机来解决一类问题的方法和步骤。算法具有确定性、逻辑性、有穷性、正确性、顺序性和普遍性等特征。算法是求解模型的路径或方法，以机器学习为例，机器学习模型中有大量参数是未知的，通过算法可以训练出模型中的参数，从而得到一个最优或局部最优的机器学习模型，然后可用该机器学习模型对新的输入样本进行计算得到相应的输出结果。算力 Computing Force/Computing Power 算力指对数据的处理能力。本文中的算力指网络中的节点通过对数据处理实现特定结果的能力，包括计算能力和存储能力。智能 Intelligence 智能是“智力”和“能力”的总称。从感觉到记忆到思维这一过程，称为“智力”，智力的结果就产生了行为和语言，将行为和语言的表达过程称为“能力”，两者合称“智能”，即感觉、记忆、回忆、思维、语言、行为的整个过程被称为智能过程，它是智力和能力的表现。广义的智能指有效实现目标所必需的知识与技能，包括自然智能（生物智能）和人工智能。智能化 Intelligentize 智能化指事物在现代信息通信技术、大数据、物联网和人工智能等技术的支持下，实现具备能满足人的各种需求的属性的过程。人工智能 Artificial Intelligence 人工智能指机器模仿人类利用知识完成一定行为的过程，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新的技术科学。（通常将人工智能分为弱人工智能和强人工智能，前者让机器具备观察和感知的能力，可以做到一定程度的理解和推理，而强人工智能让机器获得自适应能力，像人类一样可以思考，解决一些之前没有遇到过的问题。目前的研究都集中在弱人工智能方面。）利用知识的过程包括怎样表示知识、获得知识、传递知识、以及使用知识。一般认为，推动人工智能发展的三要素包括：数据、算法和算力，其中数据是基础（原材料），算法是途径（加工过程），算力是基础设施（动力）。在这一过程中，如何结合知识、利用知识还需要做更进一步的研究。机器学习 Machine Learning 研究怎样使用计算机模拟或实现人类学习行为的一门学科，即利用算法解析数据，不断学习，对世界中发生的事物做出判断和预测的一项技术（或利用计算机作为工具模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能）。机器学习的一般过程包括：收集数据、识别数据特征、建立模型、通过对数据进行训练形成有效的模型、使用模型对新数据进行分类/预测。机器学习是实现人工智能的重要手段，按照基本原理或流派分类，可分为符号主义学习、连接主义学习、统计学习和深度学习；按照学习方式分类，可分为有监督学习、无监督学习、半监督学习、强化学习、迁移学习、深度学习等。知识图谱 Knowledge Graph 知识图谱是知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱的主要目标是描述真实世界中存在的各种实体和概念，以及他们之间的各种关系，从而构成一张巨大的语义网络图，图中节点表示实体或概念或值，边则由属性或关系构成。知识图谱属于人工智能的范畴，实现人工智能的思路很多，知识工程是其中之一。知识工程中，知识表示是非常重要的任务，要应用知识，就必须在计算机系统中合理地表示，而知识表示的一种重要方式就是知识图谱。相关概念之间的关系如图 1 所示。图 1：人工智能与知识图谱的关系示意图 集中式处理 Centralized Processing 集中式处理指将所有信息放到一个统一的信息中心进行处理。分布式处理 Distributed Processing 分布式处理指将不同地点的，或具有不同功能的，或拥有不同数据的多台计算机利用通信网络连接起来，让各个计算机各自承担同一个工作任务的不同部分，在控制中心的管理协调下同时运行，共同完成一个工作任务。分布式机器学习 Distributed Machine Learning 人工智能人工智能知识工程知识工程知识表示知识表示知识图谱知识图谱分布式机器学习指利用多个计算机节点（或称为工作者 worker）进行机器学习，以便提高性能、保护隐私、并可扩展至更大规模的训练数据和更大的模型。在大数据和大模型的双重挑战下，大规模机器学习（尤其是大规模深度学习）模型的训练对计算能力和存储容量都提出了新的要求：计算复杂度高，导致单机训练会消耗无法接受的时长，需要使用并行度更高的处理器或计算机集群来完成训练任务；存储容量大，导致单机无法满足需求，需要使用分布式存储，因此提出了分布式机器学习。分布式机器学习的关键任务包括：数据和模型的划分（数据与模型怎样分布到各个节点上）、单机机器学习模型的算法及优化（各个节点上的模型如何优化）、节点间通信（各节点之间如何传递消息）、以及模型的聚合（各个节点的模型如何聚合成最终模型）。根据对并行任务的不同分解，可分为：数据并行（data parallelism），模型并行（model parallelism），以及模型与数据混合并行（Hybrid parallelism）。典型的分布式机器学习框架有联邦学习、群体学习和集成学习。2.4 相关概念澄清 2.4.1 网络智能化 网络智能化是指将 AI 等智能化技术与通信网络的硬件、软件、系统、流程等深度融合，利用 AI 等技术助力通信网络运营流程智能化，提质、增效、降本；促进网络自身的技术和体系变革，使能业务敏捷创新，推动构建智慧内生网络。2.4.2 内生 AI 内生 AI 是指在架构层面通过内生设计模式来支持 AI，而不是叠加或外挂的设计模式。对于内生设计模式的驱动力，主要包括如下几个方面：1)网络高水平自治：目前网络自治水平不高，需要各类网络内生 AI 能力支持实现对运营商和用户意图的感知和实现，实现网络的自我优化、自我演进，最终实现网络的高水平自治。2)智能普惠：面向行业用户，助力千行百业的数智化转型，实现“随时随地”智能化能力的按需供应；相比云服务供应商，提供实时性更高、性能更优的智能化能力服务；另外提供行业间的联邦智能，实现跨域的智慧融合和共享。3)提供高价值的新型业务和极致业务体验:终端存在大量数据，终端的计算能力也越来越强，考虑到数据隐私需求，需要内生智能协同网络和终端，为 2C 客户提供极致业务体验和高价值新型业务。4)网络安全可信：未来网络将承载更多样化的业务，服务更多的应用场景，承载更多类型的数据，因此网络将面临大量新的复杂的攻击方式。基于 AI 的安全能力在 6G 网络的各环节嵌入，实现自主检测威胁、自主防御或协助防御等。从以上驱动力分析可以看出，6G 网络除了满足基本的通信连接需求之外，还需要考虑计算、数据、模型/算法等多个方面，即 6G 需要通过架构层面的内生 AI 设计，来满足网络AI 多样化的新业务场景和网络自治优化等需求，包括应用于网络自身优化和用户体验的AI（如用 AI 重写的空口），也包括第三方的 AI 新业务。内生 AI 的内涵：6G 网络内生 AI 为网络高水平自治，行业用户智能普惠，用户极致业务体验，网络内生安全等提供所需的实时、高效的智能化服务和能力。是在 6G 网络架构内部提供数据采集，数据预处理，模型训练，模型推理，模型评估等 AI 工作流全生命周期的完整运行环境，将 AI 服务所需的算力、数据、算法、连接与网络功能、协议和流程进行深度融合设计。外挂 AI 模式：基于外挂设计的 AI 应用特征，一般是采用打补丁等方式进行，存在如下几个方面的挑战：缺乏统一的标准框架，导致 AI 应用缺乏有效的验证和保障手段，AI 应用效果的验证是在事后进行，这样端到端的整体流程长并且很复杂，中间过程一般需要大量的人力介入，对现网的影响也比较大，这导致了目前 AI 很难真正应用到现网中。外挂模式难以实现预验证、在线评估和全自动闭环优化。在外挂模式下，AI 模型训练通常需要预先准备大量的数据，而现网集中采集数据困难，传输开销也大，导致 AI模型迭代周期较长，训练开销较大、收敛慢、模型泛化性差等问题。外挂模式下，算力、数据、模型和通信连接属于不同技术体系，对于跨技术域的协同，只能通过管理面拉通进行，通常导致秒级甚至分钟级的时延，服务质量也难以得到有效保障。由于外挂 AI 模式存在上述诸多问题和挑战，因此 6G 网络采用内生 AI 方式设计已成为业界普遍共识。3.网络 AI 分级分类定义 3.1 网络 AI 分级定义 对于网络 AI 的研究，实质是研究网络和 AI 相互融合的关系，因此有必要从一开始就先明确网络和 AI 相互关联有哪些选项和发展升级路径。下图主要是从网络视角，看网络与 AI融合不同分级，随着级别越高，本质是网络与 AI 相互融合的更紧密和更全面深入，也对6G 网络需要设计的领域范围提出个更多的要求。其中 S0 是 AI4NET，S1S4 是NET4AI，S5 是 AIaaS，如下图所示：S0-AI4NET：在这个分类下，AI 主要作为工具来优化网络，对原有的网络架构不一定产生影响，例如用基于数据的 AI 模型替换网络中的传统的数值算法来优化网络性能和用户体验，或在运维领域实现智能运维等。AI4NET 在 5G 已开展相关的研究和应用，到了 6G，随着深度学习为代表的 AI 技术走向成熟，融合连接 算力的新型基础设施的出现，相关的应用将更丰富和成熟，并可能进一步深化演进，获得更多增益，出现更多的场景，支撑网络自身的全智能化。S1-连接 4AI：从网络的基础连接服务出发，将 AI 作为一类特殊的业务，分析连接或组网方面的特殊的要求，例如对比 5G 已有的连接 QoS 服务，AI 新业务可能在可达性、计算速度、吞吐量、时延、可靠性、安全隐私等方面有新的诉求，需要研究 6G网络如何更好的满足这些新的诉求。S2-（连接 算力）4AI：6G 将成为连接 算力的新型基础设施，可以满足 AI 所需的连接和计算服务；并可能进一步基于 AI 的连接和算力融合控制需求，6G 架构内生支持网算一体化或云网端一体化等。S3-（连接 算力 数据）4AI：6G 网络将提供数据服务，可以满足 AI 所需的连接、算力和数据服务；并可能进一步基于 AI 对这些方面的融合控制需求，6G 架构内生支持网算数一体化，实现安全可信的广义数据服务。S4-（连接 算力 数据 算法）4AI：6G 网络除了可以满足 AI 所需的连接、计算和数据服务，还对 AI 模型本身有一定程度的感知，并基于对 AI 模型的不同层次的认知，6G 架构内生支持对具体的 AI 模型实施自适应的针对性优化和模型拓展新构建的范式。S5-AIaaS：提供网络 AI 相关的连接、算力、数据和 AI 工作流的编管，并支持在网络基础设施中构建 AI 应用的服务能力。3.2 S0：AI4NET 类别 类别 1：空口物理层 AI 指 AI/ML 在物理层模块中的应用，例如将 AI/ML 应用于信道建模和估计、信道编码、调制、MIMO 和波形设计。AI/ML 可以用来提取无线信道的时域、频域和空域特征，如通过神经网络学习无线信道的时间相关性，经过训练后的模型就可以用于提供更准确的信道信息。AI/ML 也可以直接用作译码器，一些研究表明神经网络译码器不仅可以降低复杂度，还可以更好的补偿非线性。AI/ML 在 MIMO 系统中也有着广泛的应用，例如将每个天线集和频段中的信道通过全连接网络映射到另一个天线集和频段中的信道，即在 FDD 系统中国可能可以通过上行信道探测直接获取下行信道信息；还可以通过 AI/ML 压缩信道状态信息（CSI），来降低 CSI 上报开销等等。因此，通过 AI/ML，可以说是为不同物理层功能提供了一种通用的优化模块，增加了物理层的适应性和灵活度。AI/ML 可以说是为进一步提升无线链路性能，挖掘潜在增益提供了新的路径。类别 2：空口高层 AI AI/ML 应用于空口高层多用户处理场景，包括功控、QoS 管理、资源分配、自适应调制编码（AMC）等方面。其中，资源分配是基站 MAC 层的一个重要功能，可分配的资源包括接入机会、传输机会、功率或频谱等，一些研究表明，通过 AI/ML可以优化资源分配算法，提升资源适用效率。传统的自适应调制编码大多是被动的，它们根据接收机的反馈来调整调制和编码方案，通过更广泛的学习方案选择经验，AI/ML 可优化 AMC 来做出更优的选择。这些应用本质是基于 AI/ML 开展自主和积累式的学习，来优化相关的调度算法，使得基站变得越来越聪明，可以记住经验教训来支持未来做出更正确的决策。这样的方式转换，可能在小区级控制调度上带来巨大的性能增益。因此，通过在无线空口物理层、MAC 以及相关的协议信令中大量应用 AI/ML 方法，最终可能出现通过 AI 重构未来无线通信的空口。类别 3：系统 AI AI/ML 应用于接入网 RAN/核心网 CN 系统架构的场景。在 RAN AI 应用场景中，通过在基站之间传递切换的回报（reward）信息，可以帮助各基站基于 AI/ML 的切换持续的学习和优化。在 CN 中，3GPP 定义了 NWDAF 来支持 AI/ML 所需的数据收集、处理和 AI/ML 模型应用部署，例如 AI/ML 可应用于合成网络切片，实现异构网络，如地面网络于非地面网络的一体化，通过 AI/ML 协调复杂的多层次异构网络，为用户提供最佳的覆盖。类别 4：运维 AI AI/ML 在网络管理运维系统中的应用。网络管理运维工作伴随着网络和业务的各个发展阶段，主要包括：规划、建设、维护、优化、运营 5 个主要环节，这些环节组成了网络管理全生命周期。运维 AI 是指利用 AI 技术，进行网络全生命周期的运维和管理，主要包括以下功能：设计编排功能：为了适应 6G 应用场景多样，业务需求多变的实际情况，通过智能感知，实现资源的自动化勘查，支持快速完成业务功能、网络能力、资源关联、调用接口等设计工作。同时基于设计结果自动化的完成业务、网络、资源的组合和生命周期流程编排。实现灵活的业务发放和网络资源调用。资源管理功能：通过实现通信网络资源数据管理、资源入网、调度、分配、核查、变更，端到端网络资源拓扑视图等应用，提供数据服务能力统一封装开放能力，例如利用图像识别等 AI 技术实现资源管理智能化，大幅降低人力成本。故障管理功能：利用 AI 能力实现网络集中监控，包括网络与业务端到端监控和故障闭环管理等应用，提供网络监控开放能力。性能管理功能：利用 AI 能力实现网络与业务质量的端到端分析，实现各类容量、质量、效率、效益主题分析应用。网络规划优化功能：基于网络数据中台，集中于无线网络规划与质量优化，结合强化学习等技术，实现多目标多参数联合优化。开放分析和优化能力，实现智能化的闭环优化。运维调度功能：实现运维人员和任务、网络割接、运维等统一集中调度管理，流程管理。可充分利用 RPA 等技术提供自动派单、知识推送等服务，通过统一流程引擎实现进度可视。3.3 S1：连接 4AI 类别 连接 4AI 主要分为如下 2 个方面：1)6G 网络如何为 AI 提供所需的定制连接服务，即：连接所承载的 AI 服务相关数据的类型；2)6G 网络如何为 AI 提供所需的组网服务。定制连接 按照连接所承载的 AI 服务相关数据的类型，可以分为以下类别：类别 1：用于传输 AI 相关的信令，例如：AI 分析信息请求/回应消息；AI 分析所需算力相关的请求/应答消息。这里，AI 相关信令可能的传输方式包括：a)作为用户面数据传输；b)与 NAS 信令相耦合/融合，例如：网络内生 AI 控制采用 NAS 信令，业务/应用相关 AI信令放在 container 中通过 NAS 信令透明传输，等。类别 2：用于传输 AI 输入数据。类别 3：用于传输 AI 模型。类别 4：用于传输 AI 分析信息，包括中间分析信息(当多实体进行联合分析时)。以上不同的类别对连接的 QoS、网络适应能力可能会提出新的要求。对于同一类别，例如类别 4，其中涉及的不用 AI 业务/应用对连接的 QoS、适应能力等也可能存在不同的要求。对于 AI 业务场景以及相关的连接性能需求，3GPP TS 22.261（基于 TR 22.874 的结论）针对 5G 系统也有了一些 KPI 需求层面的分析和结果，主要是吞吐量、时延、可靠性等传统连接性能指标的影响，即目前 3GPP 标准对 5G 系统如何支持不同的 AI 业务/应用从功能和性能角度进行了分析，但目前还不涉及 AI 内生网络的设计。定制组网 按照支持 6G 内生 AI 所需的网络连接的架构与形态，可以分为以下类别：类别 1：集中式 AI 连接组网。采用一个中心 AI 控制功能实体进行 AI 策略控制，包括 AI分析信息收集、决策、下发等。类别 2：分布式 AI 连接组网，例如：边缘 AI。类似于 MEC，网络边缘的一个或多个功能实体(例如终端、网络功能、应用功能等)由本地的 AI 控制功能实体进行控制和管理。类别 3：子网式 AI 连接组网，例如：多用户设备（UE）之间组成的子网 AI、虚拟网络（VN）内的 AI 连接。类别 4：以上连接类型的混合连接组网。以上不同的类别组网形态，可以满足不同的 AI 业务/应用或控制场景需求。3.4 S2：算力融合类别 未来的网络架构中，算力将遍布于包括中心云、边缘云、网络设备、甚至终端设备在内的各种基础设施。算力以及附着之上的人工智能算法或功能应用，不仅能服务于网络或者设备本身用以改善性能优化网络运维，而且还可能通过统一的接口向外开放、服务于上层应用。算力和网络需要相互感知，以达到网络资源、算力资源的最佳利用，同时为用户提供最佳的体验。算力网络融合可以有以下逐步演进的 3 大类：类别 1：网元算力 此类算力通常以专用算力资源的形式服务于移动通信网络的网元（如基站或核心网），该算力资源仅用于实现网络功能或网元本身的计算处理；通常可用资源有限，主要用以通信性能提升或者网络运维优化等等定制化的 AI 应用服务（即 AI for network），如无线资源管理、信道估计、波束成形等等。此类别的算力典型地由基于通用处理器或可编程器件构成的计算单元和存储单元组成，对于可通过相应接口呈现在运营商的网管平台，通过管理面接口可在指定算力单元上完成 AI 算法的加载、更新或销毁，实现管理面对算力和算法的可管、可控。由于此类算力相对边缘计算、云计算能力比较有限，因此无法实现大规模计算和训练要求的 AI 应用，较难服务于第三方应用。类别 2：分布式外挂算力 此类算力通常以分布式的 EC（边缘计算）/MEC（多边缘计算）形式存在；作为云计算的演进，将计算从集中式数据中心下沉到通信网络接入网边缘，更接近终端用户。外挂算力以通用处理器 CPU 为主，也可包含高性能处理器 GPU 以及可编程加速卡等，相对丰富的算力为网络自身优化以及对高计算量和时延要求严苛的行业应用提供了可能。外挂算力以分布式的方式在更靠近用户的网络边缘提供算力服务，便于在提供更低时延的同时，减少对网络资源的消耗，以更好地服务一些行业应用，比如视频加速、网络自动驾驶、AR/VR等等低延时高带宽的场景以及包括非实时的无线协议处理及网络优化等在内的网络应用。由于通信网络能力开放给网管平台，分布的外挂算力也呈现在网管平台；因此，AI 应用等服务署可以综合考虑网络的信息以及分布的算力资源，进行业务的优化部署、调整等。此类算力上的 AI 等业务部署是通过管理面实现的，动态性不强，无法实现网络和算力在控制面的统一，无法及时响应用户的移动以及网络的变化；网络连接和业务连接是相对独立的，属于叠加模型，因此在资源的使用上有时无法达到最优。类别 3：分布式网络内生算力 新型网络架构中，各网元不仅有控制和转发能力，还兼顾计算能力，除网元之外，网络中还部署了计算节点，这种算网一体模式产生的算力称为网络内生算力。在网络设计之初，把算力当作网络的一种基本元素。算力遍布于网络，即算力广泛分布于云、边、端、中间网元，算力融于网络。算力服务、连接服务、以及综合考虑算力和连接的服务，都作为网络对外能提供的基本服务。网络内生算力可以促进内生智能的发展和部署，可以更好地支持无处不在的具有感知、通信和计算能力的基站和终端，实现大规模智能分布式协同服务，同时最大化网络中通信与算力的效用，适配数据的分布性并保护数据的隐私性。在新型网络架构中，网元和计算单元的控制面拉通，可以弥补算力融合类别 2 中的不足，可以及时的响应移动和网络的变化。网络内生算力可以促进未来智能应用的产生和发展，例如：沉浸式云 XR、全息通信、感官互联、智慧交互、通信感知以及数字孪生等。3.5 S3：数据服务类别 数据是 6G 的核心生产要素之一，相比于以通信网络运营数据和用户签约数据为主的 5G网络数据，6G 数据的范围和类型将随着 6G 服务从通信扩展至感知、计算和 AI 服务等而更加丰富。数据服务是数据提供者和数据消费者之间的抽象功能，解耦数据消费者和物理数据提供者。特别是在多数据提供者或多数据消费者时，数据服务有助于维持数据的完整性，通过重用性提高数据服务效率。6G 数据服务旨在高效支持端到端的数据采集、传输、存储和共享，解决如何将数据方便、高效、安全地提供给网络内部功能或网络外部功能，在遵从隐私安全法律法规的前提下降低数据获取难度，提升数据服务效率和数据消费体验。根据数据服务潜在的功能范围，可将数据服务分为 5 个类别：类别 1：数据收集/分发，为数据生产者和消费者提供基础数据收集的发布和订阅机制，提升数据收集/分发效率。类别 2：数据安全隐私，借助安全和隐私保护技术为用户和网络按需提供高质量的可信数据服务，既保证用户和网络的隐私保护，又保证数据的安全不可篡改及可溯源性。类别 3：数据分析，叠加利用模型、算法、知识和算力等提供统计信息、预测信息、网络异常分析和优化建议等信息，提升网络内部功能和网络外部功能的数据消费体验。类别 4：数据预处理，对所收集的数据进行格式转换、去噪和特征提取等通用工具类预处理满足智能应用需求。类别 5：数据存储，存储和检索所收集的数据，以及为数据安全隐私、数据分析或数据预处理等数据服务相关处理功能提供存储支持。3.6 S4：算法融合类别 类别 1：输入输出和模型协作 输入为进行模型训练的样本数据集以及进行推理的特定任务数据，在采用协作方式的 AI操作下，各种 AI 操作的上一步输出结果也将作为下一步协作节点的输入。输出为 AI 模型训练到某一步的输出结果，包括各种协作方式产生的需要发送给下一个协作节点的中间结果以及最终的输出结果。如何定义 AI 模型的输入输出与 AI 模型的类型以及功能有很大关系，AI 赋能各种功能可以主要通过以下两大类输入来帮助其实现智能化的提升：对于决策类AI模型，需要重点定义两大类输入和输出：1）第一大类输入是通用预测，包括业务预测、位置预测、负载预测和用户行为预测等；每个具体功能都会使用一种或几种通用预测作为输入判决的重要依据；2）第二大类输入是个性化数据，应用在不同场景时会有不同的个性化输入参数；3）个性化输出是AI 模型分析后的输出结果，需要按需对每个具体的功能点定义个性化输出，以实现合理、快速、准确的决策。对于非决策类AI模型，其具体形式是通过AI 模型推理的方式将数据处理的部分或全部步骤进行替代，具体场景下，对于输入和输出：1）输入要求对限制因素和期望效果进行个性化定义，AI 模型可根据上述两个个性化定义执行最佳的数据处理；2）输出主要是处理后的数据，不需特殊考虑 AI 模型的协作方式包括联邦学习、多智能体学习、模型分割、迁移学习、群体学习等。6G 网络感知 AI 模型的输入输出以及协作方式，从而合理调整资源，满足相应的 AI 操作。例如在模型分割的协作方式下，终端将计算到某一层的中间结果发送给网络，网络可以感知中间结果以及该 AI 操作采用模型分割的协作方式，从而根据网络自身情况，网络和 UE 的通信情况，向终端或应用服务器推荐更合适的分割点，帮助模型分割方式高效执行。类别 2：模型超参 机器学习的模型超参数是指模型外部的配置，主要用于对模型进行优化和调整，一般需要在训练之前进行手动调整，主要的超参数包括学习率、Batch Size、优化算法、迭代次数、隐藏层数目、隐藏层神经元数目、激活函数的选择等。学习率（Learning Rate 或作 LR）是指在优化算法中更新网络权重的幅度大小。学习率可以是恒定的、逐渐降低的，基于动量的或者是自适应的。不同的优化算法决定不同的学习率。当学习率过大则可能导致模型不收敛，损失不断上下震荡；学习率过小则会导致模型收敛速度偏慢，需要更长的时间训练。选择一个好的学习率不仅可以加快模型的收敛，避免陷入局部最优，减少迭代的次数，同时可以提高模型的精度。批样本数量（Batch Size）也是非常重要的模型超参数之一，指的是每一次训练神经网络送入模型的样本数，Batch Size 的大小影响模型的优化程度和速度，同时也直接影响到内存资源的使用情况，Batch Size 过小可能会导致梯度变来变去，模型收敛较慢，Batch Size 过大可能会导致内存不够用或程序内核崩溃。超参数的设置对于模型性能有着直接影响，其重要性不言而喻。合适的超参数设置调整可以最大化模型性能，更科学地训练模型，从而能够提高资源利用率。基于 6G 网络和模型的融合，一方面可以对于模型的超参数进行预测，从而协助第三方 AI 确定模型训练的超参数，最大化模型的性能。进一步的，6G 网络通过资源开放和模型开放，协助第三方应用进行模型的训练，例如通过资源开放，提供充足的计算、存储、通信资源，帮助 OTT在 6G 网络进行模型的训练。或者通过模型开放，将预训练好的模型开放给 OTT，OTT 仅需进行微调，从而高效的支持 OTT 的模型训练。类别 3：模型 KPI 模型的 KPI 主要包括了模型本身的性能指标以及模型对于通信网络的需求：1.在机器学习中，性能指标是衡量一个模型好坏的关键，也是我们进行模型训练的最终目标，如准确率，精确率，召回率，敏感度等。a)准确率是指在分类中，使用测试集对模型进行分类，分类正确的记录个数占总记录个数的比例；b)精确率和召回率是两个评价指标，但是它们一般都是同时使用。精确率是指分类器分类正确的正样本的个数占该分类器所有分类为正样本个数的比例。召回率是指分类器分类正确的正样本个数占所有的正样本个数的比例。2.在移动通信系统中，移动设备(如智能手机、汽车、机器人)正越来越多地用 AI/ML 模型取代传统算法(如语音识别、图像识别、视频处理)以实现应用程序。为了满足AI/ML 的需求，6G 网络也需要满足相应的 KPI。模型的种类繁多，且 AI 操作方法也多样，不同的 AI 操作方法和不同的模型大小，对 KPI 有着不同的需求。比如在联邦学习架构下，6G 网络需要保证一组联邦学习节点的整体 QoS，避免组内节点由于通信和计算能力的差异导致迭代效率低。除此之外，还可以通过模型分割以及调整分割点来保障 KPI，比如可以调整终端和 OTT 服务器间需要转递的中间参数的大小，从而满足不同的 KPI 需求。总的来说，6G 系统至少可以支持以下三种 AI/ML 操作:-AI/ML 在多个节点之间进行拆分；-基于 6G 系统进行 AI/ML 模型/数据分发和共享；-基于 6G 系统的分布式/联邦学习；为了支持以上三种 AL/ML 操作，保障模型训练/推理的实时性，模型的传输，上传和下载对于通信网络的需求也是较高的。目前 3GPP TS22.261 中给出了相应的通信KPI 要求，包括推理功能、模型下载、终端和网络服务器/应用联邦学习。类别 4：模型结构 机器学习中最主要的是深度学习，深度学习涉及的神经网络模型结构主要有全连接神经网络(MLP)，卷积神经网络(CNN),循环神经网络(RNN)等。全连接神经网络相邻两层之间任意两个节点之间都有连接。全连接神经网络是最为普通的一种模型，由于连接数多，导致大量的模型参数，从而占用更多的内存和计算资源。卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络，使用反向传播算法进行训练。卷积神经网络有三个结构上的特性：局部连接，权重共享以及汇聚。这些特性使得卷积神经网络具有一定程度上的平移、缩放和旋转不变性。和前馈神经网络相比，卷积神经网络的参数更少。循环神经网络是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其它神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。和前馈神经网络相比，循环神经网络更加符合生物神经网络的结构。循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上。6G 网络感知 AI 应用所涉及的模型结构，被认为是网路对 AI 应用最深层次的原生支持。网络通过感知模型的结构，进而全面感知 AI 模型，实现对 AI 应用全面的支持，灵活的分配资源以及辅助模型的计算等。例如，网络感知模型采用的是全连接结构，因全连接网络具有大量的参数，需要网络提供更多的通信资源。如果采用的是卷积神经网络，则模型参数较少，需要的传输资源也相对较小。3.7 S5：编管服务类别 灵活的网络 AI 部署主要涉及相关的编管平台能力的构建，为网络 AI 按需提供连接、算力、数据、算法等多方面的服务，并支持网络 AI 业务的部署、测试、管理和运营的自动化等。面向网络 AI 任务，主要包括如下多种类型的编管服务：类别 1，连接编管：面向网络 AI 任务，连接编排的一个重要目标是自动执行基于 AI 服务的网络请求,并最大限度地减少交付应用程序或所需的人工干预，在满足 AI 服务 QoS 的情况下，最优化网络资源效率。连接编管将基于网络能力开放、软件定义网络等底层能力，对连接实施编管。要实现编管效率的优化，连接编管需要具备一定的网络感知能力,并可以借助 AI 算法进行编管，以保持最佳的网络性能。类别 2，算力编管：算力编管是针对网络 AI 需求，提供最佳的算力资源分配和网络连接方案，并实现整网异构资源最优化的解决方案。算力编管通过网络分发服务节点的算力、存储信息等，并需要感知网络相关信息（如路径、时延等）。为了服务 AI 内生网络，算力编管将面对边缘动态、异构、分布式的资源，需要解决：资源标识：通过统一的资源标识体系，来标识不同所有方、不同类型的计算、存储、网络等资源，以便于资源信息分发与关联。算力感知、算力建模及算力评估：面向全网泛在的算力资源，对各类算力资源的状态及分布进行评估、度量以及建模，以作为算力资源发现、交易、调度的依据。多方、异构资源整合：通过网络控制面将来自不同所有方的资源信息进行分发，并与网络资源信息相结合，形成统一的资源视图。轻量化：针对网络边缘动态复杂环境，需要通过轻量化资源技术，解决业务实时迁移的问题。类别 3，数据编管：数据分布式存储：基于边缘网络模型去中心化的特性，处于边缘端的 AI 模型大多采用分布式计算的方式进行任务训练和推理，其数据分布亦采用分部署存储的形式，在未来 6G网络中，力求高效，准确地将模型数据进行分布式存储。数据安全隐私：当下，数据被国家认定为继土地、劳动力、资本、技术之后的“第五生产要素，6G 时代，边缘产生的数据量将会是呈现数量级的增长。大量的个人数据将被使用于训练模型和提供服务，如何保障数据安全隐私，是一个十分重要的研究方向。类别 4，AI 工作流编管：在网络 AI 训练中，可能同时运行数百个任务和上千个节点，有必要针对这样复杂的 AI 服务进行多层次的分解，如分解为多个工作流、多任务等形式，减低复杂度。AI 工作流编管可以基于环境和服务来提供的精细化编管服务，具体包括特征提取，模型训练，模型切割，边缘模型部署，模型推理，模型量化压缩等。4.总结 网络 AI 蕴含的是连接、算力、算法、数据跨技术领域的融合创新，是网络架构层面的重大变革，6G 网络的范围将不局限于连接服务，还包括内生的计算、数据、AI 等服务，这些将使得通信网络走向全新的领域。在这样的新领域中，一些新的想法、概念、术语和服务等因着跨技术领域的碰撞产生出来，本白皮书尝试去总结其中的关键部分，基于当前业界的思考和共识，给出定义并阐述其内涵；并以此为基础，分析网络 AI 的分级分类定义，包括不同类别下的各类服务描述、潜在的业务场景和需求、关键的研究方向等，为业界加速网络 AI 相关的共识达成做出贡献。参考文档 6GANA，6G Network AI 论坛倡议书 6GANA，6GANA 白皮书 Huawei，6G,the Next Horizon:From Connected People and Things to Connected Intelligence IMT-2030(6G)Promotion Group,6G vision and candidate technologies ITU FG-NET-2030，“Network 2030:A blueprint of technology,applications and market drivers towards the year 2030 and beyond IMT-2020，5G 应用创新发展白皮书 Hexa-X，6G Vision,use cases and key societal values Yang,Y.Multi-tier computing networks for intelligent IoT.Nat Electron 2,45(2019).缩略语 3GPP 3rd Generation Partnership Project 6G ANA 6G Alliance of Network AI AI Artificiel Intelligence ML Machine Learning ICT Information and Communication Technology 附录 1.AI 相关概念定义 策略 Strategy/Policy 策略在不同的研究领域中有不同含义。广义的策略是指为了在不确定环境中实现长期目标或总体目标而确定的总体计划。策略描述了最终目标是如何通过一定的方法或资源实现的，它可以是专门制定的，也可以是抽象的组织或群体在行动中表现出来的行为模式。策略一词最早见于军事和管理领域，经济领域博弈论中将策略定义为博弈参与者在进行行动选择时会采用的规则。人工智能领域中不同方法流派对“策略”有不同的理解，其中基于统计学习的机器学习方法，包括监督学习和无监督学习，认为策略是确定机器学习模型的具体方法，如损失函数最小化、经验风险最小化等；而强化学习中的策略，一定程度上借鉴了博弈论中的概念，即强化学习中的智能体（agent）同环境（包括其他智能体）进行交互，并从中学到长期奖励最高的行为策略。方法 Method 基于统计学习的机器学习方法由模型、策略、算法三要素构成，即首先考虑要学习的是什么模型，接着需要考虑按照什么策略选择最优模型，最后再用特定的算法确定模型的参数值，实现模型的最优化。构建一种基于统计学习的机器学习方法就是确定具体的三要素。深度学习 Deep Learning 是机器学习领域的一个研究方向，通过建立模拟人脑思维过程进行学习的神经网络，来实现对事物的解释、分析和学习。深度学习一般使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象从而实现任务（但这种抽象一般来说是不可解释的）。典型的深度学习模型包括：卷积神经网络模型（CNN），循环神经网络网络模型（RNN），深度置信网络模型（DBN），生成对抗网络模型（GAN），深度强化学习模型（RL）等。人工智能与机器学习之间的关系如图 2 所示。图 2：人工智能与机器学习之间的关系示意图注 注图中各机器学习方法之间没有绝对的界限，各方法分类角度不同，之间会有重叠。强化学习 Reinforcement Learning 强化学习是一个学习最优策略（policy），可以让智能体（agent）在特定环境（environment）中，根据当前状态（state），做出行动（action），从而获得最大回报（reward）的迭代过程。强化学习和有监督学习与无监督学习最大的不同是不需要大量的训练数据，而是通过自己不断的尝试来学会某些知识或技能。按照是否有模型，强化学习可分为有模型学习（Model-based）和免模型学习（Model-free）两类。人工智能机器学习 有监督学习迁移学习无监督学习半监督学习强化学习深度学习 迁移学习 Transfer Learning 指利用数据、任务或模型之间的相似性，将在源领域学习过的模型，应用于目标领域的一种学习过程。迁移学习的核心是找到源领域和目标领域之间的相似性。根据迁移场景的不同，迁移学习可分为归纳式迁移学习（Inductive TL）、直推式迁移学习（Transductive TL）和无监督迁移学习（Unsupervised TL）等。联邦学习 Federated Learning 又称为联邦机器学习（Federated Machine Learning），是一种分布式机器学习框架。即多个参与方通过协作训练得到一个共享的全局模型，在这个过程中各参与方无需分享本地数据，该框架能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习可以避免非授权的数据扩散并解决数据孤岛问题。根据数据的分布特点，联邦学习分为横向联邦学习、纵向联邦学习与联邦迁移学习三类。横向联邦学习 Horizontal Federated Learning 又称为特征对齐的联邦学习（Feature-Aligned Federated Learning），其本质是样本的联合，即联邦学习参与方的训练样本重叠很少，但各样本的数据特征重叠很多。横向联邦学习的一般过程为：中心节点建立一个基本的全局模型，将全局模型的结构与参数告知参与方；参与方利用本地数据训练模型，并将训练好的模型参数（加密后）返回给中心节点；中心节点聚合各参与方返回的参数，整合形成更精准的全局模型再分发给各参与方。通过横向联邦学习可以增加训练样本总量。纵向联邦学习 Vertical Federated Learning 也称为样本对齐的联邦学习（Sample-Aligned Federated Learning），其本质是特征的联合，即纵向联邦学习参与方的训练样本重叠很多，但各样本的数据特征重叠很少。纵向联邦学习的一般过程为：首先对参与方数据进行加密样本对齐，获得重叠的样本数据；中心节点生成秘钥对，并向各参与方发送公钥用以加密需要传输的数据；参与方各自初始化和自己相关的模型参数，然后在本地对所选出的样本数据进行训练，分别训练出和自己相关的特征中间结果；各参与方将训练出的特征中间结果基于公钥进行加密（一般为同态加密）后进行交互；各参与方基于交互得到的加密中间结果继续进行训练，并将训练后的模型参数（依然是加密的）发送给中心节点；中心节点进行解密后分别将各自的模型参数再返回给各参与方；各参与方更新各自的模型参数。在整个过程中，各参与方都不知道另一方的数据和特征，且训练结束后参与方只得到和自己相关的模型参数，即半模型，因此在预测时，需要参与方之间协作完成。通过纵向联邦学习可以增加训练数据的特征维度。联邦迁移学习 Federated Transfer Learning 联邦迁移学习中各参与方之间的训练样本和数据特征的重叠都很少。联邦迁移学习的一般过程为：不同参与方根据不同来源的数据初始化并训练各自的模型；然后对训练出的中间结果进行（同态）加密，使之不能直接传输以免泄露参与方的隐私；参与方交互加密后的中间结果以协助对方进行训练，即双方对这些模型进行联合训练以得到最终的最优模型，再将最优模型返回给各参与方。上述过程与纵向联邦学习的过程类似，只是交互的中间结果不同。通过联邦迁移学习可克服数据样本少或标签不足的情况。群体学习 Swarm Learning 群体学习是联邦学习和区块链的融合，主要解决联邦学习在融合模型时，过于依赖中心节点，以及集中式融合海量本地节点模型时计算和通信开销大的问题。群体学习相比联邦学习的显著特点是，联邦学习是数据在本地而模型融合在云端（中心节点），群体学习是数据和模型融合都在本地节点，不需要中心节点。群体学习在联邦学习的基础上，引入区块链技术，利用去中心化的多节点分布式可信机制，实现 1）通过多节点分布式处理模型数据，减小融合模型时的高计算量；2）通过分布式可信免去对中心节点的依赖，也规避单一中心节点失效风险，提升了习得模型的可信度；3）区块链的防篡改、可追溯特性，可保护模型免受攻击。集成学习 Ensemble Learning 集成学习是一种分布式机器学习框架，通过构建多个学习器并将其结合起来完成学习任务。由于在实际应用中单一的学习器往往不能达到理想的学习效果，且有时单一学习器会导致过拟合，因此使用多个学习器进行集成学习往往能够达到更好的学习效果。根据学习器训练的模型是否为同类模型，集成学习分为同质集成学习和异质集成学习两类。a)若训练的多个模型是同一类型的模型，则为同质集成学习，所用算法称为“基学习算法”，每一个模型称为“基学习器”。b)若训练的多个模型非同一类型的模型，则为异质集成学习，每一个模型称为“组件学习器”或“个体学习器”。根据模型训练和结合策略的不同，集成学习可分为串行方法（Boosting）、并行方法（Bagging）和堆叠方法（Stacking）三类。Boosting Boosting 的工作机制是：首先基于初始训练集用初始权重训练出一个基学习器，再根据基学习器的表现更新训练样本的权重（如增大被误分样本的权重，减小被正确分类样本的权重），使得先前基学习器做错的样本在后续的训练过程中受到更多关注，然后基于调整权重后的训练集来训练下一个基学习器，如此重复，直到基学习器数目达到事先指定值 T，然后将这 T 个基学习器经结合策略进行整合，得到最终的学习器。Boosting 中的基学习器存在强依赖关系，必须串行执行。典型的 Boosting 算法有：AdaBoosting 算法、梯度提升决策树（Gradient Boosting Decision Tree：GBDT）算法、xgboost 算法等。Bagging Bagging 的工作机制是：首先从数据集中采用有放回的随机抽样来获取 T 个训练数据集，然后基于这 T 个数据集独立训练出 T 个基学习器，再将这 T 个基学习器经结合策略进行整合，得到最终的学习器。Bagging 中的基学习器不存在强依赖关系，可并行执行。并行执行的典型算法有Bagging 算法和随机森林（Random Forest）算法，随机森林的基本思想是构造多棵相互独立的决策树，形成一个森林，利用这些决策树共同决策输出类别。Stacking 集成学习中的结合策略是将不同基学习器进行整合的方法，一般采用的结合策略包括：对于分类任务使用简单的投票法（若分类预测时出现两个类票数一样时，则随机选择一个）；对于回归任务使用简单的平均法。还有一种结合策略是使用另一个机器学习算法将基学习器的结果结合在一起，这个方法就是 Stacking。Stacking 是一种组合多个模型的方法，其主要思想是：在进行模型结合时，不是对模型的结果进行简单的逻辑处理（如投票法或算术平均法），而是在模型外增加一层，形成两层模型。首先从初始数据集训练出初级学习器（第一层模型），然后将初级学习器的输出结果作为输入用于训练次级学习器（第二层模型），从而得到最终结果。各类分布式机器学习的关系如图 3 所示。图 3：各类分布式机器学习关系示意图 可解释人工智能 Explainable AI 可解释人工智能是一套流程和方法，可使人类用户能够理解和信任机器学习算法所产生的结果和输出，有助于描述人工智能模型的准确性、公平性、透明度和结果。关注可解释性的主要原因有两方面：1）当前以大数据与深度学习为基础的人工智能不可解释和不可理解，就事论事，泛化能力弱。当面对动态变化的环境、信息不完全、或存在干扰与虚假信息时，人工智能系统的性能会显著下降，这样的人工智能系统由于不可理解，无法实现人机交互，无法与人类协同工作。2）解决实际应用中人们对人工智能产品的信任问题，即人们需要知道 AI 给出答案的依据是什么，计算的过程是怎么样的，从而产生信任的依据，同时也促进组织采用负责任的方法进行 AI 开发。人工智能的可解释性可分为两个层面：1）解释：以人类可以理解的方式解释推理和决策的依据及过程；2）抗辩：针对人类的质疑能进行有效的抗辩。可解释人工智能具有两方面能力：1）自省和可解读能力：机器和人类可达成共同语言表达；2）自辨能力：机器能向人类解释其计算的机理与过程，从而产生有依据的可解释性。2.网络运维全生命周期管理的 5 个主要环节定义：分布式机器学习联邦学习横向联邦学习纵向联邦学习联邦迁移学习集成学习BoostingBaggingStacking群体学习 规划：支持规划目标建立、规划方案设计、规划仿真全流程。支持从网络整体表现、产品运营战略、业务使用体验提升等角度建立规划目标；通过连通规划目标和规划方案的能力（包括拉通环境数据、业务需求数据、资源数据的多维度分析能力），实现业务覆盖、容量、带宽等规划目标；通过仿真能力，实现规划目标的仿真验证。建设：支持建设项目的立项、设计、验收全流程。根据规划设计完成交付、配置、以建设目标为基准完成网络能力、可用性等具体指标的验收。除以上整体流程外，以上各环节也可以通过自动化工具实现能力提升，包括自动化交付配置、自动化验收测试和闭环调整。维护：对网络整体表现、产品运营表现、业务使用体验、资源健康度进行管理、监控、分析。通过被动的监控和处理，或者通过对故障告警和性能劣化的主动感知分析以及自动化的资源调整实现网络、业务的恢复。通过售前、售中、售后的端到端支撑能力，提供贯穿于运维各项生产环节的自动化运维感知和决策信息的流转能力。优化：支持根据规划部门、市场部门、服务部门、运维部门的需求建立优化目标、输出优化方案、执行优化流程。支持基于网络整体表现、业务使用体验、资源健康度等不同维度设定优化目标；通过优化方案设计能力输出常态化或专题类优化方案；通过优化分析工具执行优化方案。运营：支持市场部门设定的优化市场战略，支持产品设计、订单接收、流程分析以及业务在网络中的配置、激活、上线、扩缩容以及变更等全生命周期管理业务工作，同时也包含业务上线、变更带来的业务保障、端到端测试、质量监控、投诉预处理、客户服务、用户满意度保障等工作内容，保障网络资源对业务的诉求提供可靠的能力支撑。

2022-12-19 37页 5星级