亚洲精品美女在线观看播放,免费的黄色视频网址大全,18一20岁一级毛片

邁向6G智簡網絡

點擊：作者：《Engineering》來源：戰略前沿技術微信號發布時間:2022-06-30 09:01:05

編者按：6G移動通信網絡將通信的領域邊界從物理世界進一步拓展至數字世界，通過在物理世界和數字世界之間提供即時、高效和智能的超連接來重塑世界，這一趨勢將開啟移動通信的新篇章。6G網絡超大規模的全局性連接將給網絡的運營和管理帶來巨大挑戰，亟待革命性的理論和技術創新。

中國工程院張平院士研究團隊在中國工程院院刊《Engineering》2022年第1期發表《邁向6G智簡網絡——基于語義通信的網絡新范式》一文，提出了6G“智簡”網絡。文章首先提出了全新的語義表征框架模型，即語義基，進而構建了面向“智簡”6G的“一面-三層”智能高效語義通信網絡架構。該網絡架構通過語義智能平面以及基于語義基表征的語義信息流，將語義賦能的物理承載層、網絡協議層和應用意圖層相互連接，使網絡具備更低的帶寬需求、更低的冗余度、更準確的通信意圖識別等能力。IE-SC網絡架構賦能人工智能和通信網絡技術的一體化，實現6G網絡中多種通信對象間的智能信息交互。此外，文章還簡要介紹了語義通信的新進展，指出了語義通信的潛在應用方向、開放性問題與挑戰。

一、引言

人類社會正在經歷第四次工業革命，其推動力主要源于萬物數字化、信息通信技術（ICT）以及人工智能（AI）技術等的融合創新。其中，信息通信技術在人類社會邁向數字智能新階段的演進中發揮著至關重要的作用。第五代（the fifth generation, 5G）移動通信網絡通過有機融合泛在的通信、計算和控制（ubiquitous communication, computing, and control, UC3）能力，為人、機、物的互聯開辟了全新范式。第六代（the sixth generation, 6G）移動通信網絡將通信的領域邊界從物理世界進一步拓展至數字世界，通過在物理世界和數字世界之間提供即時、高效和智能的超連接來重塑世界，這一趨勢將開啟移動通信的新篇章。

最近，關于6G的研究已逐步展開，主要聚焦在新型網絡架構和關鍵技術。我們之前提出了Ubiquitous-X 6G網絡框架，并指出6G網絡中的超大規模連接數目和跨越物理世界和數字世界的超連接需求會給網絡運營和管理帶來巨大的挑戰。Ubiquitous-X 6G網絡框架在傳統的人-機-物通信網絡架構基礎上，引入了一種全新的通信對象“靈”（genie）來連接物理世界和數字世界。作為物理世界通信對象的強大智能助理，“靈”可以準確地識別物理通信對象的通信意圖，并基于知識經驗和交互場景協助完成復雜的信息處理過程。此外，通過整合提取有價值的信息，“靈”可以實現通信對象間高效且直接面向意圖的交互。表1列出了各類通信對象的特點。

表1　人-機-物-靈架構——融合物理和數字世界

API: application programming interface.

Ubiquitous-X 6G網絡的發展仍然面臨一些挑戰，例如，連接數量爆炸性增長、傳統分層網絡協議靈活性降低、具有差異化服務需求的新興應用不斷涌現等。舉例而言，考慮多個通信智能體通過交互和協作完成特定任務的場景，智能體之間需要展開實時的感知數據交換、信息融合和協作決策，涉及復雜的交互。其中，海量連接間的大規模數據交換可能導致網絡復雜度的迅速提升，信令成本和協議開銷方面急速增長。為了應對上述挑戰，我們期望通信智能體可以充分利用智能來識別與任務相關的關鍵信息并展開針對性處理，從而使智能體之間的交互變得簡約而高效。如圖1所示，4類通信對象間基于語義通信實現智能互連，通過傳輸關鍵的語義元素提高了傳統基于0~1比特流的交互效率；在這個過程中，通信對象具有相關背景知識和場景覺知能力，可以根據通信意圖提取語義元素，以此提高傳輸效率。

圖1. 面向智能連接的人、機、物、靈語義互連。

關于語義通信的研究，已有相當數量的文獻報道過。自1948年克勞德·艾爾伍德·香農的開創性工作發表，70多年以來，通信信道的香農極限一直在通信系統設計中發揮著指導作用。近年來，具備語義覺知能力的智能通信新技術不斷涌現。例如，基于自然語言處理（natural language processing, NLP）和計算機視覺的最新進展，有學者提出了語義增強的物理層編碼策略和端到端的語義傳輸方案，提升了多種類型信源信息的傳輸質量。在媒體訪問控制/鏈路/網絡等協議層中，通過引入語義過濾機制可以減少面向特定任務的分層協議冗余。在應用層中，基于語義的用戶意圖識別可以實現網絡配置的自動化和網絡管理的精簡化。從現有文獻報道中可見，基于人工智能、具備語義覺知能力的通信技術在網絡的各個協議層中均取得了一定的進展，但智能語義通信尚缺乏系統的框架性設計。因此，亟需構建一個內嵌語義智能（semantic intelligence, SI）并貫穿至各協議層的新型語義通信架構。

基于上述討論，為了邁向“智慧演化和原生簡約”的“智簡”網絡（wisdom-evolutionary and primitive-concise Network, WePCN），我們引入了一個智能高效的語義通信（IE-SC）網絡架構以提高網絡的智能水平，使網絡變得更加高效和簡約。傳統的網絡設計理念主要是通過資源堆疊來提升網絡能力，如更多的頻譜資源及計算資源、更密集的接入點和更大規模的天線等。這種堆疊式網絡性能提升的代價是網絡復雜度的極速提高。與傳統設計理念不同，我們期望通過源于網絡原生智慧累積的簡約通信來提升網絡能力。具體而言，IE-SC架構的核心是SI平面，它實現了語義環境表征、背景知識管理、語義推理和決策等。此外，我們設計了三個語義賦能的全新抽象協議層——語義賦能的物理承載（semantic-empowered physical-bearing, S-PB）層、語義賦能的網絡協議（semantic-empowered network protocol, S-NP）層和語義賦能的應用意圖（semantic-empowered application-intent, S-AI）層，它們能夠重塑現有的網絡協議層。SI平面通過語義信息流（semantic information flow , S-IF）協調這三個語義協議層，其中S-IF承載著應用意圖和語義信息在全網流轉。在收到S-IF后，S-NP層可以編排與意圖相關的語義，產生靈活而簡約的協議。S-PB層采用合適的語義-語法聯合編碼策略來承接S-NP層，提高物理資源利用率及意圖達成效率。通過IE-SC架構，Ubiquitous-X 6G網絡所面臨的高復雜度問題有望得到解決。不僅如此，IE-SC架構還有望全面提升網絡能力以實現WePCN愿景——構建有序、高效、智能的Ubiquitous-X網絡以支持未來應用和服務。

本文的組織結構如下：第2節討論語義信息和通信的相關工作；第3節介紹IE-SC框架和S-PB層的技術內容以及初步的仿真結果，同時構思了S-NP層和S-AI層的概念和設計；第4節進一步介紹IE-SC的三個潛在應用場景；第5節指出一系列未來研究挑戰及思路；第6節給出本文的結論。

二、語義信息和語義通信的研究進展

語義信息的概念自提出以來一直在不斷發展和完善。語義通信的早期工作主要基于香農概率信息論發展而來，以信息熵為基礎，輔以邏輯推論與模糊轉換。近年來，隨著人工智能技術與應用的繁榮發展，語義通信呈現出新的發展契機。在本節中，我們將簡要回顧語義信息概念的發展歷程和語義通信技術的研究進展。

（一）語義信息

語義信息論的發展大致分為兩個主要階段。經典語義信息論起源于前香農時代，主要與信息度量以及針對自然語言的分析相關；現代語義信息論主要興起于最近十年，在語義信息的本質方面進行了更深入的思考與探索。

1. 經典語義信息論

語義學的概念最初是由Morris提出的，他在符號論（theory of signs）中提出了符號的語法-語義-語用三元概念。Weaver提出了通信的三個層級，即語法、語義與語用通信，并對三層通信各自的特征進行了闡釋。Carnap與Bar-Hillel從命題邏輯的角度對語義信息論進行了概述，并基于概率的方法嘗試對語義信息量進行度量。Barwise與Perry將語義信息論擴展到情景邏輯領域，Floridi解決了矛盾信息的語義無法被正確度量的問題，D'Alfonso基于真理相似性（truth-likeness）概念量化語義信息，擴展了語義信息概念的應用范圍。

2. 現代語義信息論

在近十年中，語義信息論的概念發展超越了Carnap所提出的框架。Zhong提出一種語義信息理論，指出語義-語法-語用信息的三位一體性，并證明了語義信息具備唯一表征信息三位一體的能力。Kolchinsky和Wolpert將語義信息定義為描述系統與其所處環境之間關系的語法信息，從物理角度看，語義信息對系統的持續存在有因果作用。Kountouris與Pappas對通信系統不同層次的語義信息給出了一個多粒度的定義，并使用Rényi熵對語義信息進行度量。Juang等指出語義覺知能力的缺乏導致了當前通信系統的諸多局限，并進一步指出人工智能可以促進語義信息技術的發展。基于上述工作可知，現代語義信息理論對語義信息概念展開了更全面的描述，展示了在人工智能技術的賦能下，語義通信系統發展的巨大潛力。

（二）語義通信

語義通信的核心是確保成功傳遞信息的意義。由于語義信息的概念寬泛，具體的語義通信技術往往涉及通信網絡中多個協議層的聯合設計。下文中將會簡要介紹相關工作的進展。

1. 基于語義的物理層傳輸

在香農提出的經典通信模型中，信源編碼與信道編碼的目的是使接收方能夠準確恢復語法信息，即確保信源符號的傳輸準確性。相比之下，語義通信旨在準確地傳輸與重建語義信息，其關注點是符號之上的信息內涵，因此語義通信系統的編碼模塊具備新的結構特征。現有工作在一些代表性場景中證實：引入語義編碼和譯碼可以提高物理層的傳輸效率。由于語義通信理論仍缺乏全面、統一的數學表述，現有的語義編碼和譯碼模塊主要是基于無模型（model-free）的機器學習方法來實現。這些基于機器學習的解決方案可以大致分為兩類：模塊化設計與一體化設計。模塊化設計將語義編碼和譯碼作為獨立模塊引入現有通信系統，語義編碼和譯碼模塊實現了語法和語義信息之間的相互轉換，提升了文本、語音、圖像傳輸的效率。例如，文獻[4]將基于上下文的譯碼器整合到傳統通信系統中，以減少文本的譯碼開銷。文獻[20]使用長短期記憶（long short-term memory, LSTM）網絡提取文本含義以實現語義編/譯碼，從而提高了文本傳輸的性能。一體化設計采用基于語義增強的信源-信道聯合編碼思路，語義編/譯碼模塊與信源-信道編碼模塊聯合設計，實現端到端傳輸優化。在文獻[21]中作者提出了一個端到端語義通信架構，將語義推理與物理層通信結合，從而實現語義層面的糾錯。在文獻中作者提出了一種基于自編碼器架構的信源-信道聯合編碼方法，利用卷積神經網絡取代傳統的信源-信道編碼模塊，取得了良好的性能。文獻[5-6]提出了輕量型語義通信系統，該系統將信源-信道聯合編碼與剪枝策略相結合，實現了物聯網（IoT）網絡中高效的圖像/文本傳輸與分類。有研究者提出了用于文本/語音傳輸的端到端語義通信方法，在典型信道條件下表現出顯著的性能改善。

2. 具備應用覺知能力的通信協議

現有底層通信協議為支持上層不同類型的應用而設計，所承載的功能相對寬泛，而與單一具體應用不直接相關。近年來出現了一些具備應用覺知能力的新協議設計，能減少物理層資源消耗，提高了通信目標達成的效率。這些新協議大多采用了跨層協議設計思路。例如，文獻[24]和[25]分別提出了高效的路由協議來解決無人機自組網與車輛自組網中高移動性和動態拓撲變化的挑戰；作者通過跨層協議設計，將底層協議中的關鍵信息直接整合到路由協議設計中，以減少端到端的時延。文獻[7]提出了具備應用覺知的跨層協議框架并設計了語義過濾機制，以支持靈活的協議功能融合，減少冗余度。具備應用覺知能力的協議設計體系還可應用于多智能體間通信（multi-agent communication），這為未來智能移動通信網絡的新型協議設計提供了啟示。例如，Sukhbaatar等提出了一種基于機器學習的多智能體通信方案，該方案采用神經網絡自主決策的交互策略。這種“擬人”（human-like）通信協議可視為智能體的自主通信協議雛形，可以有效減少物理層資源開銷。

3. 基于語義的意圖驅動網絡

目前的網絡管理和控制策略尚不能自主辨識用戶的業務意圖并迅速生成網絡以滿足用戶細粒度的體驗要求。語義相關技術是實現意圖驅動智能網絡的關鍵，網絡利用語義智能可以辨識用戶意圖，確保意圖在網絡中貫徹實施。具體而言，得益于人工智能和自然語言處理領域的發展，精準的意圖識別和理解已成為可能。例如，文獻[8,27]提出了一系列上下文口語理解的方法，可以通過捕捉語境語義來同時識別意圖和有用信息槽。文獻[28]提出了基于意圖的云服務管理框架，可以理解用戶自然語言所包含的意圖并將其翻譯成網絡的資源管理指令語言。文獻[29]綜述了意圖驅動網絡的新架構和相關賦能技術，指出通過特定領域的語言和與之適配的人機接口可以捕獲用戶的應用意圖。上述研究表明，設計并實施語義賦能的意圖驅動網絡具有巨大的潛力，發展先進的語義信息處理技術將有助實現一般場景下準確的意圖識別、分解和表征。更進一步，意圖驅動的設計應在網絡協議層中全面貫徹，將所有意圖相關元素有機結合，形成完整而敏捷的意圖驅動網絡。

三、IE-SC架構

當前在語義信息理論和通信技術方面的進展相對分散，在不同網絡層中的語義應用研究相對獨立，缺乏系統化的設計。在本節中，我們將進一步深化Ubiquitous-X 6G的技術內涵，提出其向WePCN演進的IE-SC網絡架構。對此，首先構思出語義基（Seb）概念并提出語義智能增強的Ubiquitous-X 6G新架構。之后，在新架構中引入了先進的語義通信和信息處理技術、基礎設施和模塊，增強網絡能力并重新定義網絡協議層。最后，為Ubiquitous-X 6G中各種通信對象引入了智能通信的新機制。

（一）語義基

香農經典信息理論提出了“Bit”的概念，它不僅僅是一個信息度量單位，更代表著一個關于信息熵的表征和度量框架。根據這一觀點，我們提出了“Seb”的概念，作為語義信息的一個表征框架。Seb提供了一種模塊化和高度抽象化的方法來表示語義信息，從而使語義通信更加有效。在圖2中，通過類比建造建筑物的過程，可更直觀地闡明Seb和Bit之間的區別。可以視信源發送的消息為建筑的外形，而通信系統利用其預先定義的信息表征框架來實現信息傳遞。可將傳統的通信系統比擬為在接收機處以逐磚壘砌的方式建造建筑物或恢復信息；將Bit視為磚，給出了原始信息的細粒度精確表示。相比之下，語義通信系統使用Seb，這類似于使用預制板/集成窗或門來重構建筑或信息。在Seb表征框架或材料構成倉庫支持下，信息重構或建筑過程是高度集成的。因此，當收發端具備材料倉庫和建筑結構/分解類似的共同知識時，信息傳遞的效率有望得到大大提升。

圖2. 傳統通信系統和語義通信系統的表征方式對比。

Seb為描述復雜的語義信息提供了新的視角，能更好地刻畫信息的應用意圖和不同模態。從抽象的角度來看，Seb可以作為一個信息表征框架，它能夠提取多模態信息的語義特征，并經由多層次的變換最終映射到語義基中的語義元素。具體來說，Seb可以包含與用戶意圖相關的背景知識、意圖-知識的映射機制、語義元素的提取和表達；Seb的輸入可以是通信的意圖，其輸出可以是承載意圖相關的語義元素的比特序列。在Seb中與意圖相關的背景知識可以是具體的知識圖譜或其他有結構組織的知識表示。以知識圖譜為例，每個頂點代表一個語義元素，每條邊代表兩個語義元素之間的關聯關系。語義元素的提取意味著在知識圖譜中找尋與意圖達成過程相對應的所有可能路徑。最后，語義元素可以由恰當的比特序列來表示，該序列可以唯一地辨識面向意圖的語義信息。

此外，與Bit具備信息表征和度量的能力相似，Seb也可進一步發展為語義信息度量的框架。Seb有望將基于Bit的信息度量框架囊括其中，額外提供針對語義信息的多視角度量。例如，當從信息的物理模態或語法角度看時，Seb可以度量攜帶信息所需的比特數；當從信息的應用意圖或語義角度看時，可以從Seb中獲得對應的語義元素。因此，Seb可望成為一個包容信息多模態和多角度特征的表征及度量框架。當然，Seb的基本原理和機制還需要進一步研究，這在未來的工作中是有重要意義的。

（二）IE-SC架構

1. 架構設計

本小節將詳細闡述所提出的IE-SC架構。如圖3所示，IE-SC架構具有“一面-三層”的結構。其中，SI負責語義表征、知識管理、語義決策和推理等功能，統領協調以下三個語義賦能的抽象協議層：

· S-AI層，辨識和分解用戶的意圖；

· S-NP層，實現語義賦能的智能網絡交互協議；

· S-PB層，實現語義賦能的物理層信息傳輸。

圖3. 智能語義通信賦能的Ubiquitous-X 6G框架，其中包括SI平面，S-AI層、S-NP層和S-PB層，以及S-IF。

S-IF是環境信息和網絡內部信息的高層抽象表示，其中環境信息包括物理環境、頻譜環境、電磁環境等方面的信息，網絡內部信息包括網絡層信息、決策信息和其他相關的智能信息。SI平面和三個語義賦能的抽象協議層通過一系列S-IF相互作用。表2給出了IE-SC架構和傳統語法通信架構的簡要比較。值得指出的是，現有網絡的瓶頸主要源于通信鏈路和數據的爆炸式增長，IE-SC為解決這一挑戰提供了新的途徑。為了提升網絡的信息傳輸效率、管控效率和意圖達成效率，IE-SC架構需要修改、增強或替換現有網絡中的相關網元或模塊。未來，隨著語義通信專用芯片及硬件模組的技術發展，通信收發端將具備語義意識及語義通信能力，可望在保障通信意圖達成的同時有效減少傳輸數據比特開銷，顯著提高通信效率。

表2　語義通信架構和語法通信架構對比

2. SI平面

SI平面貫穿了IE-SC網絡架構中的所有層，具有以下主要功能：

（1）語義環境表征。通過過濾和語義提取處理內部和外部環境信息；環境信息在SI平面進行匯聚，經過語義分類后，形成環境表征。隨后，語義信息被嵌入到S-IF中，并經SI平面和不同層的接口在網絡中流動。

（2）背景知識管理。網元和協議層中的背景知識，如上下文知識和環境信息等，會影響S-AI、S-NP和S-PB層的性能；因此，SI平面需負責協調背景知識交換。具體而言，SI平面可以在語義提取后對知識進行分類、整合和存儲，再通過S-IF分享知識。

（3）語義決策和推理。SI平面能夠評估網絡性能并綜合用戶的不同意圖。具體而言，S-AI層通過S-IF將分解后的用戶意圖反饋給SI平面。然后，SI平面綜合這些意圖和網絡功能以評估網絡可達的性能，據此展開網絡各層運轉的決策。最后，這些決策信息被傳送到控制平面，以實現意圖驅動的語義信息傳輸和網絡管理。

3. S-PB

層語義通信的目的與傳統數據通信不同，語義通信旨在傳遞信息的含義，為了實現這一目標，S-PB層需要用物理信號承載來自上層的語義信息。S-PB層主要包含下列模塊：

（1）語義編/譯碼。根據模塊化設計方法，信息的編碼和譯碼過程是在語義層面實現的，與系統中的其他模塊（如信道編碼）無關。

（2）語義覺知的信源-信道聯合編/譯碼。根據聯合設計方法，信源編/譯碼和信道編/譯碼可以聯合設計以支持語義編/譯碼。

（3）信道信息的語義提取/利用。提取和整合信道狀態/語義信息，如衰落、干擾和信噪比（SNR）等，促進語義信息的傳輸。

語義通信鏈路架構如圖4所示。值得注意的是，信源和信宿的背景知識可能普遍不同；因此，信宿可能會以不同的方式理解信源提取的語義信息，這是語義通信面臨的潛在挑戰。接下來，將討論S-PB層中語義通信的三個案例，其中假設信源-信宿背景知識完全同步。我們還將結合案例討論語義編/譯碼和語義覺知的信源-信道聯合編/譯碼的具體解決方案。我們主要考慮數據驅動的方法，模型驅動的語義編/譯碼和語義覺知的信源-信道聯合編/譯碼留待今后研究。

圖4. S-PB層中的語義通信。

案例1：基于上下文的文本語義編/譯碼方法

參考圖4，采用模塊化思想設計了基于上下文的語義編/譯碼方法，通過詞性標記、計算語義相似性和對上下文建模，構建收發端的背景知識輔助傳輸。該方法不僅考慮了每個單詞的概率分布，還將不同詞性的詞（如名詞、動詞等）分配給同一碼字，以此減少傳輸比特數。譯碼則根據上下文信息來區分具有相同編碼碼字但語義相差較大的單詞。以谷歌的Brown語料庫為例，編碼過程可以描述為4個步驟。

在基于上下文的譯碼方法中，序列s可表示為(s1,s2,...,sn )，

其中是序列s的長度。以馬爾可夫鏈對序列s做概率建模，以狀態轉換概率描述上下文間關系。譯碼過程就是在s的候選集中找到出現概率最大的序列。采用N-gram模型和動態規劃算法來求解，其中S是包含s候選項的集合，是上下文窗口的大小。利用連續詞袋模型（CBOW）來提取與相關的上下文語境，其中涉及提取上下文特征的特征窗口大小，用f進行表示。將CBOW與LSTM相結合來提取上下文特征，進一步提高了譯碼性能。

圖5（a）顯示，對比標準Huffman編碼，基于詞性的語義編碼可以達到更短的動態平均碼長。這表明所提出的編碼方法可減少傳輸比特數。在圖5（b）中，當特征窗口的大小f為4時，用于評價發送信息和恢復信息間語義相似度的4個評價分值都隨上下文窗口大小N的增大而提升。此外，當N不小于f時，基于上下文的譯碼方法可得到較高的語義相似度分值。

圖5. （a）動態平均碼字長度；（b）語義相似度得分，特征窗口大小f為4。METEOR：針對具有明確排序翻譯的評估指標；word2vec：word to vector，詞向量。

案例2：工業場景下圖像信源的語義編碼

在本案例中，我們提出了針對特定工業場景的語義圖像編碼方案。如圖6所示，輸入圖像x先被語義信源編碼器gE (x; θE )壓縮為語義向量w。這里θE 為信源編碼器gE (·)的參數集。然后，語義向量w 被量化為w? 后進行編碼調制，產生用于傳輸的數字調制符號。信道譯碼器和語義信源譯碼器用參數為θG 的函數gG (w? ; θG ) 表示。在接收端，經過解調、信道譯碼后，恢復的語義特征被語義編碼器用于重建圖像x?。信源編碼器/譯碼器的參數優化目標為

其中，H (· )表示香農熵，d ( · )是失真函數，Q(· )是均勻量化函數，E x( · )表示求x 的期望。我們使用一個超參數λ > 0 對失真和信息熵進行權衡。常用的失真度量有時并不能準確地描述人類的語義/感知失真。因此，除了使用均方誤差（MSE）來度量語法失真外，我們還使用一個預訓練的鑒別器來學習語義失真，其失真損失被定義為

，其中α 和β 是平衡兩種不同失真的影響因子，gD (x? ; θD ) 是一個鑒別器，其參數為θD。這個鑒別器與編碼器gE (x; θE )一起形成了一個生成對抗網絡（GAN）結構。

圖6. 面向工業圖像的語義編/譯碼神經網絡。：輸入圖像；：語義向量；：量化后的；：重建后的圖像；LDPC：low density parity check code，低密度奇偶校驗碼；LeakyReLu：leaky rectified linear unit，帶泄露線性整流函數；Conv：convolution，卷積；Decov：deconvolution，反卷積。

模型的訓練集由大量從傳感器采集的圖像構成。該模型在分辨率為256 × 256的圖像上進行訓練，用分辨率為1920 × 1080的圖像進行細調（分辨率表示圖像具有h像素高度和w像素寬度）。模型參數的更新采用Adam優化器，學習率為0.0002，共500 000次迭代。表3給出了詳細的仿真配置。

表3　工業場景下圖像語義編碼的仿真配置。

fps: frame per second; dB: decibel; AWGNC: additive white Guassian noise channel; LDPC: low density parity check code; Mbps: megabit per second; LPIPS: learned perceptual image patch similarity.為公平比較，在仿真中將H.264編碼設為逐幀編碼模式。由于峰值信噪比（PSNR）或結構相似性（SSIM）等像素化指標有時與人類的視覺感知相差甚遠，因此采用LPIPS（Learned Perceptual Image Patch Similarity，學習感知圖像塊相似度）指標[35]對圖像的失真進行評估，其中LPIPS損失越低代表圖像質量越高。圖7展示了一組工業場景下的仿真結果，體現了所提語義圖像傳輸方法在特定工業場景中的優勢。對于通用場景及更一般的圖像信源的編碼傳輸，我們將進一步展開研究。

圖7. （a）原始圖像（i）、語義編碼方法（ii）和H.264編碼（iii）的視覺比較。（b）帶有差錯傳播的原始圖像（i）、語義編碼方法（ii）和H.264編碼（iii）的視覺比較。

案例3：基于深度學習的端到端語義編碼/解碼

與模塊化設計不同，一體化設計思路中信源編碼和信道編碼可以由神經網絡聯合設計、表征。在這種情況下，語義收發端可視為一個端到端通信系統。如圖4中的虛線框所示，其中典型的通信模塊被融為一體，用于表示和傳輸語義信息。最近有學者提出了深度學習賦能的語義通信系統（DeepSC）及其變體L-DeepSC、DeepSC-S，分別用于文本和語音傳輸。語義發送端直接將信源信息映射為傳輸符號，該發送端由語義編碼器和信道編碼器組成，均由神經網絡實現。在接收端，含噪信息由語義接收端恢復。具體地，可利用Transformer提取語義信息，信道編碼功能則由一個全連接層實現。

以文本為例，神經網絡的輸入是一個句子；將訓練整個神經網絡的總損失函數定義為交叉熵（CE）與估計互信息（MI）的加權和，如此設計有助于恢復所傳語句的語義并使通信速率盡可能大。此外，在訓練階段利用去噪神經網絡來展開信道狀態信息估計。由于發送端直接將原始語句映射到發送符號上，神經網絡學習得到的星座圖將有別于傳統的規則稀疏星座圖，可能給硬件實現帶來額外的負擔。針對該問題，受網絡量化方法啟發，可以對訓練好的模型進行量化，進而壓縮學習得到的星座點。壓縮后的星座點只需要少量比特進行量化且不會降低通信性能。由此，神經網絡的規模可被降低，輕量化的語義通信系統能更好地適應物聯網場景需求。

圖8比較了所提出的DeepSC和以下基準方法的性能，包括：①傳統通信鏈路，其中信源編碼、信道編碼、調制分別采用Huffman編碼、(5,7) Reed-Solomon（RS）編碼及64正交振幅調制（QAM）；②傳統通信鏈路，其中信源編碼、信道編碼、調制分別采用5-bit定長編碼、(7,9)RS編碼及64正交振幅調制；③深度學習賦能的信源-信道聯合編碼。采用雙語評估替補（BLEU）得分來衡量句子的相似性，該指標是機器翻譯中常用的指標。如圖8所示，所提出的DeepSC方法的性能優于基準方法，特別是在低信噪比的情況下性能提升顯著。

圖8. 在傳輸符號總數相同時，基準方法和所提出的DeepSC方法在加性白高斯噪聲（AWGN）信道下的雙語評估替補（BLEU）得分與信噪比之間的關系，其中N-gram (N=1,2,3,4)的結果分別對應1字節片段（a）、2字節片段（b）、3字節片段（c）、4字節片段（d）。RS：Reed-Solomon，里德-所羅門碼；dB：decibel，分貝。

4. S-NP層

S-NP層的主要功能是利用智能網絡協議有效地服務上層的應用意圖。應用意圖與通信的目的密切相關。例如，終端和監控器之間進行實時交互的目的是檢測異常情況，所以交互的目的是 “告知”異常情況或 “查詢”異常參數；再比如，工業網絡中的兩個設備之間的通信目的是協作完成一項特定的任務，所以交互的目的是 “交換”數據或“確認”相關事實。因此，S-NP層的設計主要集中在語義交互機制和策略上。

具體而言，S-NP層包括以下幾個關鍵模塊。

· 語義信息計算：該模塊從S-IF中提取意圖信息，并從相關模塊處獲取知識。

· 語義協議解析：該模塊分析當前協議的可用功能。

· 語義協議形成：該模塊優化原始協議或形成一個新的協議以滿足應用意圖。

· 語義信息轉換：該模塊根據生成的協議對語義信息進行封裝或轉化。

由于網絡的智能性會面向6G不斷發展并增強，6G網絡中各網元/終端之間的交互協議將產生語義智能。以路由方案為例，SI平面決定了具有高級語義智能的路由策略，可更直接地實現用戶業務意圖。此外，具有語義智能的路由策略將具有動態性和自主性，不像傳統路由方案那樣完全由網絡管理員預先設定。

多智能體通信的最新進展為未來網絡的自主協議提供了新的啟發。文獻[26]中提出了一個基于深度學習的多智能體通信方案，其中包括基于學習的交互策略。所涉及的智能交互可以視為建立在現有協議層之上的語義應用層協議。針對這個方向，文獻[40]提出了目標驅動的參考表達式生成方法，研究了達成應用意圖的智能高效交互方案。基于交互式對話線索，智能體利用機器學習模型來生成參考表達式，大大提升了目標達成的效率。文獻[40]中的方案為設計“靈”之間以意圖為基礎的語義交互提供了重要啟發。圖9概述了上述語義交互方法的思路，包含三個主要步驟。

· 復雜的交互和學習：在本步驟中，兩個“靈”通過多輪對話學習辨識對方的意圖，為更有效地溝通積累經驗。

· 新知識更新：在本步驟中，“靈”會更新關于通信意圖的認知并積累交互策略的相關知識。

· 簡化的語義交互：在本步驟中，“靈”可以在知識積累后細化并優化交互策略，實現高效的語義交互。

圖9. 在多智能體交互對話過程中，“靈”逐步積累背景知識，按需組織協議以支持特定交互意圖達成。

設計下層網絡協議以支持高效的語義交互極具挑戰。針對該目標，我們設計了一條在IE-SC架構中構建S-NP層的線路圖。一般而言，可以根據交互意圖來修改現有的分層協議以使其具備語義覺知能力；然后，逐步將這些協議整合成一個新的自主協議。具體而言，在特定意圖的指導下，Ubiquitous-X 6G框架中的“靈”，可以使用語義信息計算和協議解析模塊來感知和過濾與意圖相關的協議功能，減少與意圖無關的協議冗余。然后，“靈”可以基于意圖相關的協議功能，針對特定意圖以適當的優先級重新編排協議功能。語義協議生成模塊可以產生具有明確語義意識的增強協議。具有強大智能的“靈”可以學習并積累各種增強協議的策略，利用學習到的策略、經驗，新的意圖可以被快速辨識并與S-NP層中合適的語義覺知協議相匹配。最后，得益于人工智能技術，通過不斷累積的知識，可望形成能夠支持一般性意圖的綜合、自主協議。

5. S-AI層

從廣義上講，每個通信用戶或對象都有一個與特定網絡服務有關的意圖。用戶的意圖通常被分解并轉化為網絡的具體部署、配置或控制策略等，語義在用戶意圖的表達和網絡對該意圖的理解兩方面均扮演著重要角色。在提出的架構中，S-AI層可以挖掘、理解和分解意圖，并通過S-IF將子意圖集合轉移到SI平面以驅動智能網絡管理。如圖10所示，S-AI層有三個主要功能。

· 意圖挖掘：在收到來自用戶/應用的原始意圖表達后，S-AI層提取、分析、聚合和綜合這些意圖，以便進一步處理。

· 意圖分解：提取的意圖被分解為一組子意圖，用以指導每層功能的執行。

· 語義表示：S-AI層對子意圖集進行語義表示，促進SI平面的決策。

圖10. 通用意圖解析過程。首先，S-AI層通過語義分析、匯聚和綜合來挖掘意圖；然后，將挖掘出來的意圖分解成多個子意圖；最后，這些子意圖通過語義嵌入與承載進行表達。

基于來自S-AI層的意圖信息，SI平面生成相應的語義指令，并將其映射到S-NP層和S-PB層的功能中；據此，可將語義智能嵌入網絡。

由于意圖的多樣性和復雜性，真正實現意圖驅動的網絡仍然面臨諸多挑戰，特別是在理解意圖和跨層實施意圖方面。首先，意圖的理解與復雜的語義處理有關。以自然語言為例，用戶可能在一段話中明確表述多個意圖，或者將意圖不明晰地嵌入話語。為了應對這些挑戰，通常利用統計工具和機器學習工具來推斷意圖。此外，需要在跨層、跨域的協議中貫徹意圖方能充分體現語義通信的潛力。為了實現該目標，我們擴展了早期工作，構思了S-IF概念；在智能語義通信的整個框架中，S-IF可以跨層流動，促進意圖的跨層貫徹實施。例如，S-IF可以告知S-PB層采用可擴展語義編碼，以滿足達成具有不同信息粒度的特定應用意圖，信息粒度可以細至具有豐富細節的高清視頻，或者粗至只需少量特征的自主機器人協作。此外，S-IF可以促進異構網絡節點之間的高效互聯互通。

四、語義通信網絡的潛在應用場景

在本節中，將概述IE-SC賦能Ubiquitous-X 6G網絡的三個代表性應用場景。如圖11所示，包括空-天-地-海一體化網絡（air-space-ground-ocean integrated network, ASGO-IN）、工業物聯網（Industrial Internet of Things, I-IoT）和智能無人機器網絡（intelligent unmanned machine network, IUMN）。這些應用場景都是Ubiquitous-X 6G邁向WePCN愿景的重要構成部分。

圖11. （a）語義賦能的ASGO-IN；（b）語義驅動的I-IoT；（c）基于語義的IUMN。

（一）空-天-地-海一體化網絡

如圖11（a）所示，ASGO-IN將地面網絡與衛星、海洋和空中網絡融為一體。ASGO-IN是實現6G全球覆蓋和按需服務的公認候選方案。實現ASGO-IN的關鍵技術挑戰是大時空跨度異構網絡之間如何進行靈活有效的互連互通。目前，一般利用網關來連接不同網絡，通常需要煩瑣的協議轉換。我們提出的IE-SC架構為支撐ASGO-IN提供了一種靈活而簡約的解決方案：ASGO-IN中異構節點的S-AI層可以辨識異構網絡融合的意圖，通過利用預先存儲的公共知識，SI平面協調S-NP層對與意圖相關的語義元素進行編排，從而可以形成面向網絡融合的簡約協議，用于異構節點之間的高效互連互通。因此，在沒有額外網關的情況下，通過語義編排和協議重塑，不同節點可以基于S-PB層中統一空口直接互通而實現網絡融合。

（二）工業物聯網

如圖11（b）所示，I-IoT引入了先進的信息和通信技術，將人、機、物等各種元素連接起來，以協作和互操作的方式為工業制造服務。然而，現有的數據通信網絡不能有效地將制造意圖整合到人、機、物的交互中，導致協作效率低，信令開銷大。通過本文提出的IE-SC架構，S-AI層可以識別制造意圖，并生成面向協作和互操作的語義通信策略。此外，通過在S-PB層使用高效的語義-信源-信道聯合編碼，可以實現意圖相關語義信息的高度壓縮和可靠傳輸。因此，基于IE-SC架構，I-IoT的整體效率將得到顯著提升，實現面向意圖的組網和協作，高效支撐智能制造。

（三）智能無人機器網絡

如圖11（c）所示，IUMN包括自主車輛、機器人和無人機群等不同類型節點，需要實現從數據為中心的傳統通信到以機器為中心的控制和協作的網絡功能拓展。IUMN中，每個智能無人機器（IUM）均配備先進的傳感和通信模塊，可以感知環境并與其他機器交互，以完成特定任務。本文提出的IE-SC架構可以支持IUM之間自主和任務驅動的高效組網：S-AI層可以全面分析傳感數據，提取與任務相關的語義信息，然后將其匯入SI平面，生成基于語義的、以完成任務為目的的行動準則和網絡策略；根據這些準則和策略，S-NP層可以動態地控制鏈路配置、網絡拓撲結構和路由機制等，實現魯棒而靈活的任務驅動IUMN。

五、挑戰和未來方向

（1）基于Seb的語義信息表征。通信智能體對信息背后的確切內涵會有自己不同的理解。甚至，不同的智能體對相同的信息內涵可能有不同的語法表現形式，就如自然語言中存在同義詞或多語言現象。因此，需要深入研究Seb框架的理論及技術內涵，實現針對多模態信息統一而通用的語義信息提取和表征。需要注意的是，目前的語義信息提取/表征依賴于人工智能和神經網絡技術，其中涉及大量的計算。因此，Seb有望整合語義通信和語義計算，并成為未來通用語義信息處理框架中的基礎性構件。

（2）語義通信的基本性能界限。在物理層中，語義通信的設計目標是利用相關背景知識在不同類型的信道上優化語義信息傳輸。因此，語義通信的基本性能界限是由物理環境和信息情境共同約束決定。此外，通信智能體間相互理解的程度可能決定了語義通信的交互及傳遞策略，甚至決定了通信的數據量。因此，首先需要建立一個合理的意圖達成效率的度量，進而才能回答“什么是達成意圖的最有效的語義通信策略”。一般而言，語義通信的普適度量框架抽象而且復雜，因為語義通信策略可能涉及語義相關的高層信息處理和物理層中的語義覺知聯合信源-通道編碼等龐雜內容。鑒于此，可以首先建立一些理論方法和編碼技術來逐步具化度量框架的內涵，先期得到有關語義通信的部分可達性能界限，進而成體系構建出語義通信的基本性能界限。

（3）基于語義的通用意圖驅動網絡。目前，意圖驅動網絡主要針對以人為中心的網絡配置和管理。其中，自然語言作為人類意圖的載體，自然語言處理模塊作為中間件將人類的意圖轉化為預定義的網絡配置策略。然而，在不以人為唯一中心的人-機-物-靈的新網絡時代，自然語言未必是表達意圖的最佳工具。此外，意圖驅動網絡的概念內涵將可能超越傳統的信息通信技術數據網絡，適用于各種新興的功能性網絡，包括軍事和生產制造網絡等。為此，應該建立一個基于語義的通用意圖驅動網絡，其中基于Seb的編碼和交互可能取代自然語言，有望實現高效的跨對象語義通信，而意圖驅動的組網能力將成為數據和功能性網絡的內生能力。

六、結論

本文針對語義通信網絡展開了系統性設計，以支持Ubiquitous-X 6G網絡中各種通信對象之間的智能交互。首先構思了Seb概念用以表征語義信息；在此基礎上，進一步提出了IE-SC網絡架構，它包含SI平面、S-PB層、S-NP層、S-AI層和用于語義信息交互的S-IF。此外，還給出了初步仿真結果，驗證了語義通信可使信息傳輸效率得到很大提升，并討論了語義通信極具潛力的應用場景和未來研究方向。希望本文能激發研究者共同致力于語義通信的研究工作，賦能WePCN愿景的最終實現。