5G合體AI促成三大創新　手機內機器學習實現個人化

2020-04-21

5G及AI兩大技術使人們的生活產生不同面貌。而面對逐漸從雲端轉往邊緣處理資料的趨勢，將裝置結合兩者優勢並以新運算模式—分散式學習執行，可望在提升系統執行效能的同時，亦能保障個人隱私。

5G和AI是全球數十年來最具顛覆性的兩大技術。儘管兩項技術已分別帶動許多產業的革新，實現新的體驗，但真正將改變一切的是5G和AI的結合。事實上，兩者結合是智慧無線邊緣願景的基石，智慧無線邊緣中的裝置內建處理、邊緣雲端和5G能共同創造由智慧型裝置和服務組成的全面聯網基礎。

不論是透過裝置內建的AI處理，還是以低延遲5G用邊緣雲端額外處理，未來將有大量資料在距離其來源更近的地方進行處理。透過裝置內建AI在距離來源更近的地方處理資料非常重要，因為這樣能提供隱私、個人化、可靠性等重要優勢，還能協助擴展智慧。

智慧無線邊緣不僅能強化現有的使用場景，還能實現全新的使用案例和垂直產業。本文將一窺AI如何讓5G更好、5G如何使AI驅動的體驗更完善，以及如何以無線技術實現分散式學習。

AI最佳化5G網路及裝置系統效能

在5G網路和裝置上應用AI能提升無線通訊的效率、延長電池續航力、強化使用者體驗。駕馭AI這項強大工具以改善無線技術的關鍵，是專注在傳統方式難以解決，且適合機器學習的無線技術重要挑戰，必須深入瞭解無線領域知識，才能知道要在何處使用AI功能。有廠商如高通(Qualcomm)長期投入無線技術和AI的研究，因此對無線領域有所瞭解。

無線產業長久以來關注的是AI如何讓5G網路更好，AI顯然將深深影響5G網路管理的多項關鍵領域，如強化服務品質、簡化部署、提高網路效率與增強網路安全性。如AI能偵測異常頻譜使用，找出網路流量中的氾濫式攻擊或冒名等異常頻譜使用(圖1)。

較少受到關注的是裝置內建AI如何改善5G端對端系統。無線電感知是AI如何改善5G的核心，因為機器學習有別於人工建置的演算法，是解讀裝置四周複雜射頻訊號的良好工具。提升無線電感知可達到多項改進，如強化裝置體驗、提升系統效能與更佳的無線電安全(圖2)。

5G完善AI驅動體驗

5G的低延遲和高容量也能將AI處理分散到裝置、邊緣雲端和中央雲端，推動彈性系統解決方案提供多種全新和強化體驗。此無線邊緣架構具有適應性，能依據每一個使用場景適當權衡。如效能和功耗的權衡或許有助於判斷如何分散工作負載，以達到特定應用要求的延遲率或運算需求。

目前5G正在改善許多場景中藉AI強化的體驗，如透過無限延展實境(XR)提供的個人化銷售、以大幅改善語音使用者介面，實現直覺式虛擬助理，以及適應最佳化的可重新配置未來工廠。

不妨想像一下購物和零售未來可能的樣貌，有了無限延展實境、繪圖渲染和AI處理的工作負載可以透過低延遲5G連結分配給裝置和邊緣雲端。在購物時(圖3)，人們所預想的是更加個人化的購物體驗，消費者見到的一切都和自身相關。不論是看見符合自身品味的服飾、自己有興趣的特定促銷，還是為了即將到來的生日禮物，都能讓消費者的購物體驗更有吸引力、生產力、也更有效率。

無線技術推進分散式學習運算模式

為了延展和解讀數位化世界，人們的觀念需要超越以雲端為中心的AI。現今部分分散式AI源自功耗表現優異，裝置內建AI推論的普及化，而推論則讓裝置能先精細處理資料，再傳送到雲端進行聚集分析。裝置內建AI的下一步是跨越推論，在裝置上執行訓練。未來，人們將看見完全分散式AI搭配終身裝置內建的機器學習，帶來更高水準的個人化以及隱私，但要如何實現這個願景？

以5G執行分散式學習是跨越雲端延展訓練之道，以下將說明如何在高層級運作。首先，使中央雲端或邊緣雲端傳送先進的全域AI模型到數個裝置上；再者，各個裝置收集個人資料並在裝置上執行訓練(圖4)。大規模訓練的運算密集程度非常高，正因如此，過去才一直在雲端環境中執行。以較小資料集執行數個小規模訓練後，工作負載就變得較容易管理。此外，裝置內建AI的功能已呈現指數成長，演算法和軟體也不斷改進。裝置內訓練則具備三大重要優勢，可迎來AI的廣泛採用。

1. 規模：將運算處理分散到數百萬支智慧手機等眾多裝置上後，就能利用龐大的運算能力。

2. 個人化：使用者的資料用於裝置訓練後，AI模型學習等於經過客製化。

3. 隱私：原始資料永遠不會從使用者的裝置送至雲端。以資料進行裝置上訓練後，使用者就能取得資料價值並保有隱私。

後續步驟是反覆改善先進的全域AI模型。既然原始資料不會傳送至雲端，問題便在於人們如何於改善全域AI模型的同時持續維護隱私？答案是為AI模型的參數增加雜訊以混淆資料、壓縮參數、加密壓縮過的模型，最後再傳送更新檔至雲端；雲端接著根據所有裝置的輸入檔更新AI模型，再傳送改善過的AI模型到各裝置上(圖5)。此迴圈重複進行後，可讓AI模型不斷進步。