2024年GPT与通信白皮书.pdf

1/81在大数据、云计算等关键技术的共同推动下，以ChatGPT 为代表的GPT 大模型大量涌现，展现出了极富创造力的内容生成能力，提供了高度智能化的人机交互体验。一直以来，在通信方面存在许多传统方法难以精确建模或高效求解的技术难题，而GPT 展示出的潜力能够改进信息通信的服务，提升自智网络的性能。此外，GPT 的快速发展和广泛应用，也需要大带宽低时延高可靠的通信网络来支撑。因此，本白皮书从通信从业者的角度，探讨了GPT 与通信的相互关系。具体来说，首先，第1章阐述了GPT 大模型的概念、发展历程和研究现状。其次，第2章探讨了GPT 赋能通信行业的崭新应用，以及在网络智能自治中的定位。再次，第3章对通信网络如何支持GPT 泛在应用进行了研究，给出了未来网络设计的典型思路。接着，第4章对GPT 和通信从独立演进到协同发展的过程进行了全面的分析，介绍了未来能够通过“6G+GPT”加速数字化和智能化转型的 行业。随后，第5章指出了“GPT+通信”融合发展所面临的五个最显著的问题，并给出了一些解决思路。然后，第6章提出了对GPT 与通信融合发展的建议和对未来的展望。最后，第7章对本白皮书进行了总结。2/81目录.10.41.GPT 引领人工智能发展热潮.71.1.GPT 基本概念.71.1.1.生成式预训练转换器.71.1.2.大模型.81.1.3.Transformer 架构.101.2.GPT 发展历程.121.3.GPT 研究现状.141.3.1.国外研究现状.151.3.2.国内研究现状.171.3.3.国际组织.172.GPT 赋能通信行业.192.1.GPT 催生通信新应用与新改革.192.1.1.智能客服.202.1.2.自动化仿真.212.1.3.增强语义通信.222.1.4.重塑芯片设计领域.232.2.GPT 促进通信网络智能自治.242.2.1.GPT 重塑网络规划.252.2.2.GPT 增强切片部署.262.2.3.GPT 简化网络运维.272.2.4.GPT 加速网络优化.283.通信网络使能 GPT 泛在应用.313.1.通信网络保障 GPT 应用落地.313.2.未来网络技术支撑 GPT 应用.333.2.1.未来网络设计的典型思路.343.2.2.原生支撑 GPT 应用的 6G 网络.353.3.新型网络架构支持 GPT 能力下沉.363.3.1.自适应切片.373.3.2.分布式学习.383.3.3.边缘智能.394.GPT 与通信协同发展.414.1.GPT 与通信从独立演进到紧密结合.414.1.1.GPT 与通信结合趋势.414.1.2.GPT 与 5G 网络结合.424.2.GPT 与 6G 通信网络融合发展.434.2.1.GPT 支持海量数据处理.444.2.2.GPT 推动网络自服务.444.2.3.GPT 协助网络资源编排.444.2.4.GPT 构建网络内生安全.454.3.“6G+GPT”赋能行业数字化转型.454.3.1.“6G+GPT”赋能智能工业.464.3.2.“6G+GPT”赋能智慧医疗.474.3.3.“6G+GPT”赋能智能交通.474.3.4.“6G+GPT”赋能智慧农业.484.3.5.“6G+GPT”赋能智能家居.484.3.6.“6G+GPT”赋能数字娱乐.493/815.“GPT+通信”融合发展面临的问题.505.1.通信高质量训练数据稀缺，专用模型准确性和泛化性差.515.2.端侧算力及硬件资源不足，大模型轻量化部署难.535.3.云边端异构网络协同困难，大模型性能稳定性差.555.4.服务器互联存在带宽瓶颈，训练时间长推理效率低.575.5.大模型相关法律法规滞后，安全隐私与道德伦理风险高.596.发展建议与未来展望.626.1.发展建议.626.1.1.加快 AI 算力建设，提供基础设施支撑.626.1.2.加强校企联合培养，填补创新人才空缺.646.1.3.加速制定相关政策，建立平台引导发展.666.2.未来展望.686.2.1.核心技术实现突破，关键能力显著增强.686.2.2.体系建设日益完善，数字经济快速发展.696.2.3.应用场景不断拓展，循序渐进融合共生.707.结束语.72.73.79.814/810.近年来，随着人工智能（Artificial Intelligence，AI）技术的不断发展，尤其是在强化学习、大模型和内容生成等方面不断取得突破，各行各业都在积极探索人工智能技术的应用。2022 年11 月底，OpenAI 公司发布了迅速爆火的聊天机器人程序ChatGPT，它具有惊人的自然语言理解和生成能力，引起了社会的广泛关注。2023 年3 月，升级版GPT-4 多模态大模型的发布，再次引发了生成式AI的热潮，各类大模型纷纷涌现。从文字对话交互开始，GPT 在短短几年的时间内深刻影响了人们的生产和生活，带来了巨大的变化，并且许多人认为它将继续带来颠覆性的改变。比尔盖茨指出大模型是40 多年来最具革命性的技术进步；英伟达CEO 黄仁勋将大模型的出现称为AI 的“iPhone 时刻”；百度CEO 李彦宏在2023 中关村论坛上提出 大模型即将改变世界。可以看出，从ChatGPT 掀起的一片浪花，到席卷全球的 浪潮，GPT 大模型已经成为当下最受关注的话题之一，预示着生成式AI 的发展迎来重要转折，2023 年在AI 发展史上也将留下浓墨重彩的一笔。作为人与人、人与自然、人与机器之间进行信息交流和传递的行业，通信行业与大模型技术的发展息息相关。通信行业本身数字化程度较高，需要处理繁杂的数据。GPT 的引入可以简化大量工作，为通信运营商带来显著的能力提升，尤其是在网络运维和业务交付方面将更加智能化。在大模型时代，随着GPT 技术的发展，算力、数据、算法需求将呈现爆炸式增长，同样需要通信基础设施来提供支撑。未来，GPT 如何赋能通信行业，通信行业又该如何支撑GPT，是每一个通信从业者都应该认真思考的问题。因此，本白皮书以GPT 大模型的发展历程和最新研究进展为基础，一方面结合具体场景详细说明了GPT 在通信行业中的创新应用，另一方面研究了未来通信网络在架构和关键技术上对GPT 的原生支持。然后，将GPT和通信相结合，提出了二者协同发展赋能重点行业的数字化智能化转型思路，同时也指出了二者融合发展过程中存在的问题与挑战。针对上述问题，给出了相应的发展建议和对未来的展望。最后，对本白皮书的全部内容进行了总结。本白皮书的完整章节架5/81构如图0-1 所示。图0-1 白皮书章节架构图本白皮书由北京理工大学牵头组织撰写，共有18 家单位参与，包括移动、联通、电信3 大运营商，7 所一流高校，3 家知名企业，以及5 个业内领先的研究院所。从调研和跟进GPT 大模型前沿动态，到探究GPT 与通信的关系并构思白皮书的大纲，再到安排章节具体内容并分工撰写，总共历时8 个多月，有50多位专家学者深度参与，在反复讨论修改迭代了二十余个版本之后才最终完成。在此期间，部分参与单位还成功联合申请了科技部的国际合作课题“基于大模型的云算网一体化多维智能编排关键技术研究”，从而更好地支持本白皮书的完成。6/81我们认为，AI 技术仍处于飞速发展阶段，GPT 大模型与通信网络能够实现相互融合、相互支持，不断拓展创新应用场景并完善生态建设，从而共同促进科技进步和千行百业的发展。7/811.GPT 引领人工智能发展热潮引领人工智能发展热潮随着AI和深度学习等技术的发展，“大模型”这一概念进入了人们的视野，其中最引人注目的就是ChatGPT。2022 年11 月30 日，OpenAI 公司正式发布人 工智能聊天机器人 ChatGPT，作为人工智能生成内容（Artificial IntelligenceGenerated Content，AIGC）在自然语言领域的代表，它强大的功能改变了许多人的工作和生活方式，掀起了全球范围内的AI 新浪潮，也吸引了工业界和学术界的广泛关注。2023 年3 月14 日，正式发布的GPT-4 进一步升级，文字输入限制大幅度放宽，回答准确性显著提高，甚至可以直接输入图像，生成歌词、创意文本等，实现风格变化，让人们再次感受到生成式AI 带来的震撼。2023 年11 月7日，在首次开发者大会上，OpenAI 公司首席执行官Altman 向世界展示了GPT-4Turbo。作为GPT 最新版本，它在数据质量、图像处理和语音转换等方面进行了更新，为开发者和用户带来了更多的可能性和机会。那么ChatGPT 和GPT 是什么？它们经历了怎样的发展？又应该如何理解和应用呢？本章将从GPT 大模型出发，分别介绍GPT 的基本概念、发展历程和研究现状，以便读者对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.生成式预训练转换器生成式预训练转换器GPT 的全称是Generative Pre-trained Transformer，即生成式预训练转换器，源于深度学习和自然语言处理（Natural Language Processing，NLP）领域。在过去的几年里，随着计算能力的提升和大数据的出现，NLP 领域取得了突破性的进展。GPT 作为一系列NLP 技术的集大成者，正是在这样的背景下应运而生的，如图1-1所示。G：Generative。说明了GPT 的能力是自发生成内容。P：Pre-trained。说明了GPT 已经过预训练，可以直接使用。8/81T：Transformer。说明了GPT 是基于Transformer 架构的语言模型。图 1-1 GPT 的含义2017年，Google 团队首次提出基于自注意力机制（Self-AttentionMechanism，SAM）的Transformer 模型，并将其应用于NLP1。OpenAI 应用了这项技术，于2018 年发布了最早的一代大模型GPT-1，此后每一代GPT 模型的参数量都呈爆炸式增长，2019年2月发布的GPT-2参数量为15亿，而2020年5 月发布的GPT-3，参数量直接达到了1750 亿。因此，ChatGPT 的“一夜爆火”并不是偶然，它是经过了很多人的努力，以 及很长一段时间的演化得来的。要了解GPT 的发展，首先应该了解大模型的概念以及Transformer 架构。1.1.2.大模型大模型一般来说，在ChatGPT 之前，被公众关注的AI 模型主要是用于单一任务的。比如，引燃了整个人工智能市场并促使其爆发式发展的“阿尔法狗”（AlphaGo），它基于全球围棋棋谱的计算，在2016 年轰动一时的“人机大战”中击败了围棋世界冠军李世石。但是从本质上来说，这种专注于某个具体任务而建立的AI 数据模型，和ChatGPT 相比，只能叫“小模型”。9/81大模型是指具有庞大的参数规模和复杂程度的机器学习模型，我们所提到的通常是大语言模型（Large Language Model，LLM）的简称。语言模型是一种人工智能模型，它被训练后可以理解和生成人类语言，而“大”的意思是指模型的参数量非常大，是相对于“小模型”而言的。如图1-2 所示，这幅进化树图追溯了近些年大模型的发展历程，其中重点凸 显了某些最知名的模型，同一分支上的模型关系更近2。实心方块表示开源模型，空心方块则是闭源模型。非Transformer 的模型都用灰色表示，而基于Transformer的模型中，仅编码器模型是粉色分支，仅解码器模型是蓝色分支，编码器-解码器模型是绿色分支。图1-2 大模型进化树基于这幅进化树示意图，我们可以得出：仅解码器模型正逐渐成为LLM 发展的主导模型，且OpenAI 持续保持着其在LLM 方向上的领先地位。Meta 在开源和推动LLM 研究方面贡献卓越，但GPT-3 推出后LLM 开发有闭源的趋势。此外，仍有许多公司和机构在积极探索编码器-解码器模型，比如谷歌。userid:520426,docid:159946,date:2024-04-23,10/81目前，国外大模型的主要发布机构有 OpenAI、Anthropic、Google 以及Meta等，这些模型参数规模以百亿级和千亿级为主。发展至今，国外的头部GPT 大模型主要包括ChatGPT、Claude、Bard 和Llama 等。其中Bard 在谷歌发布了最新版原生多模态大模型Gemini 后，也正式更名为Gemini。在这场全球参与的竞争中，我国也紧跟步伐，开发了许多大模型。包括腾讯的“混元”、阿里的“通义千问”、华为的“盘古”以及中国移动的“九天”系 列等。数据显示，截至2023 年10 月，国内10 亿参数规模以上的大模型厂商及 高校院所共计254 家，意味着“百模大战”正从上一阶段的“生下来”走向“用起来”的新阶段。图1-3 展示了目前国内外厂商开发的一些大模型。图1-3 国内外各类大模型1.1.3.Transformer 架构架构Transformer 架构是GPT 的重要基础，是一种SAM 的神经网络架构，广泛应用于NLP 领域的大模型中。其核心部分是编码器和解码器，即Encoder 和Decoder。编码器把输入文本编码成一系列向量，解码器则将这些向量逐一解码成输出文本。在Transformer 提出之前，NLP 领域的主流模型是循环神经网络（Recurrent Neural Network，RNN），使用递归和卷积神经网络进行语言序列转换。11/812017 年 6 月，谷歌大脑团队在AI 领域的顶会NeurIPS 发表了一篇名为Attention isAll You Need 的论文，首次提出了一种新的网络架构，即 Transformer，它完全基于SAM，摒弃了循环递归和卷积。在八个P100 图形处理器（GraphicsProcessing Unit，GPU）上进行了仅仅12 个小时的训练之后，Transformer 就可以在翻译质量方面达到更高的水平1，体现了很好的并行能力，成为当时最先进的LLM。图1-4 给出了Transformer 的网络结构。Transformer 是由一系列编码器和解码器形成的，二者均由多头注意力层和全连接前馈网络组成。GPT 类似于Transformer 的Decoder 部分，是一个自回归模型。图 1-4 Transformer 网络结构图Transformer 中的核心组件是多头注意力机制模块，如图1-5 所示。它需要三个指定的输入Q（代表查询）、K（代表键）、V（代表值），然后通过公式将Q 和K 之间两两计算相似度，依据相似度对各个V 进行加权，得到注意力的计算结果。12/81图1-5 多头注意力机制模块多头注意力机制不是只计算一次注意力，而是将输入分成更小的块，然后并行计算每个子空间上的缩放点积注意力。这种结构设计能让每个注意力机制去优化每个词汇的不同特征部分，从而均衡同一种注意力机制可能产生的偏差，让模型能捕捉到不同层次的语义信息，增强模型的表达能力，提升模型效果。1.2.GPT 发展历程发展历程GPT 的发展历程主要可以分为两个阶段，在ChatGPT 之前侧重于不断增加 大模型的基础规模，并增强新能力。而ChatGPT 和GPT-4 则更侧重于增加人类反馈强化学习，理解人类意图，以提供更好的服务，如图1-6 所示。图1-6 GPT发展历程13/812018 年6 月，OpenAI 公司发表论文ImprovingLanguage Understanding byGenerative Pre-training，正式发布了GPT-13。基本思路：生成式预训练（无监督）+下游任务微调（有监督）。基于Transformer 的单向语言模型，解码器结构，共12 层。参数为1.17亿，训练数据量5GB，模型规模和能力相对有限。上下文窗口为 512 tokens。2019 年 2 月，OpenAI 发表了最新进展，一篇Language Models areUnsupervisedMultitaskLearners 的论文，提出语言模型是无监督的多任务学，GPT-2 也随之诞生4。基本思路：去掉有监督，只保留无监督学习。48层Transformer 结构。共15亿个参数，数据训练量提升至40GB。上下文窗口为 1024tokens。2020年5月，OpenAI 公司发表论文Language Models are Few-Shot Learners，构建了GPT-3 模型5。基本思路：无监督学习+in-context learning。采用了96 层的多头 Transformer。参数增大到1750亿，基于45TB 的文本数据训练。上下文窗口为 2048 tokens。2022 年3 月，OpenAI 再次发表论文Training Language Models to FollowInstructions with Human Feedback，介绍了人类反馈强化学习（ReinforcementLearning from Human Feedback，RLHF），并推出了InstructGPT 模型6。基本思路：RLHF+微调训练。14/81增强了人类对模型输出结果的调节。对结果进行了更具理解性的排序。ChatGPT 是 InstructGPT 的衍生，两者的模型结构和训练方式都一致，只是采集数据的方式有所差异，ChatGPT 更加注重以对话的形式进行交互。2023 年3 月，OpenAI 又发布了多模态预训练大模型GPT-4，再次进行了重大升级。基本思路：多模态。上下文窗口为 8195 tokens。1.8 万亿参数，13 万亿token训练数据。强大的识图能力。虽然目前GPT-4 在现实场景中的能力可能不如人类，但在各种专业和学术考试上都表现出明显超越人类水平的能力，甚至SAT 成绩（可以理解为美国高考成绩）已经超过了90%的考生，达到了考进哈佛、斯坦福等名校的水平。1.3.GPT 研究现状研究现状2023年10月12 日，分析公司 stateof.ai 发布了2023年人工智能现状报告（State of AI Report 2023）。该报告指出，Open AI的GPT-4仍然是全球最强大的LLM，生成式AI推动了生命科学的进步，并拯救了风险投资界7。大模型正不断实现技术突破，特别是在生命科学领域，在分子生物学和药物发现方面取得了有意义的进展。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，聊天机器人Chat GPT因为占领了2023年的各种新闻头条，深刻影响了科学界乃至整个社会，被破例作为第11个“非人类成员”纳入榜单，以表彰生成式人工智能给科学发展和进步带来的巨大改变。目前，国内外对GPT大模型的研究不断15/81深入，纷纷开始研发自己的大模型，且应用的场景也越来越丰富。以Chat GPT为代表的大模型，正式开启了AI 2.0时代。1.3.1.国外研究现状国外研究现状美国在美国，OpenAI、Anthropic 等初创企业和微软、Google 等科技巨头带领着美国在大模型的道路上飞速前进，同时各大公司也在不断提升自身的竞争力。Google 给Anthropic 投资3 亿美元以应对ChatGPT 的威胁，加入了AI 反馈强化学习（Reinforcement Learning fromArtificial Intelligence Feedback，RLAIF）去减少人类的反馈，并于2022 年12 月发表论文ConstitutionalAI:HarmlessnessfromAIFeedback，介绍了人工智能模型Claude；美国新媒体巨头Buzzfeed 因宣布计划采用ChatGPT 协助内容创作，股价两天涨了三倍；微软作为OpenAI 的主要投资方，也在利用ChatGPT 来增强其产品竞争力，补充专业知识、补齐数理短板。英国2023 年4 月，英国政府宣布，向负责构建英国版人工智能基础模型的团队提供1 亿英镑的起始资金，以助英国加速发展人工智能技术。英国政府表示，该投资将用于资助由政府和行业共建的新团队，以确保英国的人工智能“主权能力”。这一举措的目标是推广应用安全可靠的基础模型，并争取在2030 年将英国建设 成为科技“超级大国”。且针对GPT 等大模型应用在人工智能伦理方面的争议，英国还发布了监管措施白皮书，并表示接下来监管机构将向各个组织发布使用指南和风险评估模板等其他工具及资源，来制定行业内的具体实施原则。欧洲芬兰的Flowrite，是一个基于AI 的写作工具，可以通过输入关键词生成邮件、消息等内容。荷兰的全渠道通信平台 MessageBird 推出了自己的 AI 平台MessageBird AI，可以理解客户信息的含义并做出相应的响应。这两者都是在 GPT-3 的基础上运行的。德国在大模型的研发上也不断追赶。比如，谷歌 2023年 3 月 7 日推出16/81的多模态大模型 PaLM-E，就由柏林工业大学和谷歌共同打造。2024 年 2 月，欧洲生成式 AI 独角兽 Mistral AI 发布了最新大模型 Mistral Large。该模型上下文窗口为 32K tokens，支持英语、法语、西班牙语、德语和 意大利语。作为新推出的旗舰模型，本次发布的 Mistral Large 在常识推理和知识问答上均表现出色，综合评分超过了 Gemini Pro 及 Claude 2，仅次于 GPT-4。韩国韩国也是最早加入大模型研发的国家之一。目前，韩国在大模型领域的代表有NAVER、Kakao、KT、SKT 以及LG。韩国在半导体芯片方面的积累使其在大模型方面具有优势。目前韩国半导体企业正在积极结盟，以应对大模型发展带来的算力挑战。2022 年年底，NAVER 就开始和三星电子合作开发下一代人工智能芯片解决方案，即基于NAVER 推出的大模型HyperCLOVA 进行优化。此外，韩国在大模型的垂直应用上已经有比较多的探索，比如KoGPT 在医疗保健方面的应用、Exaone 在生物医药和智能制造方面的应用等。日本作为一个小语种国家，日语面临缺乏语料的问题。日本最早公开上线的NLP大模型是2020 年发布的NTELLILINK Back Office，当时它能实现文档分类、知识阅读理解、自动总结等功能，是在谷歌BERT 基础上开发的应用。更有日本血统的生成式AI 其实是HyperCLOVA、Rinna 和ELYZA Pencil，但其中HyperCLOVA 和Rinna 也都有外国基因。HyperCLOVA 最早是韩国搜索巨头NAVER 在2021 年推出的，但HyperCLOVA 确实是第一个专门针对日语的大模型，它曾在2021 年举行的对话系统现场比赛中获得了所有赛道的第一名。ELYZA Pencil 则是由东京大学松尾研究所的AI 初创公司推出的大模型，算是真正意义上日本首次公开发布的生成式AI 产品。17/811.3.2.国国内研究现状内研究现状许多人可能会认为，中国的大模型是从“文心一言”开始的，但“文心一言”其实只是一个对话工具，背后驱动它的还是大模型，而文心大模型早在2019年就在国内率先发布。这一年，大模型已经广泛应用于药品研发领域，各大科技企业也开始了对大模型产业的布局，并先后公布了各自的大模型项目。2021 年3 月智源研究院发布了我国首个超大规模智能模型系统“悟道1.0”。同年4 月，阿里巴巴发布了中文社区最大规模的预训练语言模型PLUG，在当时有不少人将其称为“中文版GPT-3”。近年来，国内在大模型领域取得了显著进展。从科研机构到企业，都加大了对大模型的投入力度，在算法、算力、数据等方面取得了重要突破。国内已经出现了一批具有国际竞争力的大模型，并在多个领域得到了广泛应用。2023 年3 月16 日，基于文心大模型，百度发布了“文心一言”，成为中国 第一个类ChatGPT 产品。科大讯飞于2023 年5 月6 号发布中国版ChatGPT“讯飞星火认知大模型”，具有文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力和多模态能力七大核心能力。1.3.3.国际组织国际组织如今国际标准化组织（International Organization for Standardization，ISO）、国际电工委员会（International Electrotechnical Commission，IEC）等组织都已围绕关键术语等开展标准研究。2023 年3 月，欧洲电信标准化组织（EuropeanTelecommunication Standards Institute，ETSI）亦提出了有关人工智能透明度和可解释性的标准规范，旨在生成更多可解释的模型，同时保持高水平的模型性能。第三代合作伙伴计划（3rd Generation Partnership Project，3GPP）规范包括了AI 在网络架构中的部署和使用，涵盖了AI 算法和架构的规范，还涉及了AI数据的处理和管理标准。目前，3GPP 有四个工作组在进行AI/机器学习（MachineLearning，ML）标准化方面的研究工作，分别包括AI/MLforAirInterface、AI/MLfor RAN、AI/ML for 5GS 以及AI/ML for OAM。18/812023 年11 月，在由上海人工智能实验室与商汤科技联合主办的电气电子工程师学会（Institute of Electrical and Electronics Engineers，IEEE）“人工智能大模型”标准大会上，中国电子技术标准化研究院、上海人工智能实验室和华为云等11 家单位共同发起成立了IEEE 大模型标准工作组。该工作组将协同国内外大模型产业力量，制定大模型技术规范、测评方法、安全可信、可靠决策等领域国际先进标准，为全球大模型产业技术创新和发展提供更好的支撑。19/812.GPT 赋能通信行业赋能通信行业第1 章中我们介绍了GPT 的概念、发展历程和研究现状等内容，可以看出，GPT 已被应用于众多领域，成为经济社会发展中重要的变革技术与关键力量，GPT 将为全球产业带来巨大飞跃和突破式发展。当前，GPT 已经实现了人与机器之间以多种形式进行“communication”的功能，接近甚至超越了人与人之间 以文本方式聊天的体验，这与通信行业支撑人们进行多种多样交流的作用相似。AI 应用在通信行业的落地，为信息通信基础设施的建设和运营开拓了新方案。作为AI 发展的新高度，GPT 引发的AI 即服务拥有更大的业务空间，能为通信行业的创新提供广阔的舞台。GPT 如何赋能通信行业应用，通信行业如何保障GPT 落地，这是通信从业者必须思考和回答的问题。本章将重点介绍GPT 在通信行业的创新应用，彰显GPT 对通信细分领域的改革与推进作用。通过研究GPT 促进通信网络智能自治的方法，我们从网络规划、切片部署、网络运维和网络优化的角度对GPT 大模型如何赋能通信网络进行了分析。我们期待GPT 的飞速发展能够促进人工智能与通信产业的深度融合，加速构建下一代信息基础设施，助力经济社会的数字化转型。2.1.GPT 催生通信新应用与新改革催生通信新应用与新改革GPT 百花齐放的崭新应用，为千行百业的发展带来了新的想象空间，也给通信行业带来新的机遇和挑战。GPT 的出现改变了传统的通信模式和应用场景，它突破了人与机器交互的界限，能提供更加智能、便利和个性化的通信体验，极大地提高了信息交互能力和行业应用能力。GPT 大模型可作为工具来改进信息通信服务能力。首先，它在自然语言上的强大能力可用于提升智能客服、智慧运营和欺诈监测等运营服务功能，通信网络的巨量数据可用来训练通信网络大模型。其次，GPT 在自然语言上的成功，促进了语音、视觉等多模态数据技术的发展，这将为通信领域千行百业的数字化20/81转型赋能提供重要工具。最后，GPT 类大模型的运行和服务对算力和网络有着较高的要求，这会在一定程度上促进算网融合的建设，为更多大模型服务在通信行业落地和普及创造条件。通过迭代训练海量数据，GPT 具备不断提升的上下文语义理解与交互能力，在众多应用场景中展现出无限潜力。目前，GPT 的应用主要集中在文本、图片、音频、视频以及多模态内容的生成上，在摄影、游戏和传媒等领域的应用，通常 是在这些基本的应用的基础上，再进行定制化的开发或训练。例如，文本生成和分析8、软件测试910、领域专业聊天机器人11等，如图2-1 所示。图2-1 GPT在通信领域的崭新应用2.1.1.智能客服智能客服智能客服系统旨在为通信运营商的客户提供一种高效、灵活、可定制的解决方案，用于管理、维护运营商与客户之间的交互。将智能客服系统和GPT 结合，21/81可以发挥两者的技术优势，在智能语音助手、智能推荐、自助服务、社交媒体管理、个性化服务等多个方面，提高客户服务的质量和效率，满足客户日益增长的个性化需求，从而帮助企业更好地服务客户，提高竞争力和盈利能力。1）增强智能客服的语义理解、情感识别GPT 的自然语言处理能力，弥补了智能客服系统许多不足之处。GPT 准确地识别用户提问的主题和关键词，帮助智能客服系统更好地理解用户的需求，并识别用户的情感状态，从而提供更准确、更个性化的服务。2）实现智能服务监管GPT 可用于自动检测客服对话内容，识别潜在的违规行为或不当语言，例如侮辱、歧视、欺诈等，并预先筛选潜在问题对话，只将有可能违规的对话内容提交给人工审核，一定程度上减轻了审核人员的工作量。通过对GPT 模型的输出进行数据分析，快速了解和识别各类违规行为的趋势和模式，监管部门能够改进监管策略并及时采取相应的措施。2.1.2.自动化仿真自动化仿真GPT 可以重构实验流程，为实现自动化仿真创造条件。GPT 是在大量文本上预先训练的，并且可以根据上下文提示进一步泛化。与传统的工作流程不同，它不需要每次改变模拟设置参数、底层机器学习算法或数据格式，用户只需要提供与预定义架构相关的参数，在对创建的模型进行解析后将其插入GPT 准备好的模板中，最后通过GPT 实现自动化仿真。在仿真设计阶段，GPT 可以帮助设计师快速设计原型，从而使开发团队和相关人员更好地理解系统的工作流程和功能，提前发现问题和改进需求。基于GPT，设计师可以将自然语言描述作为输入，生成相应的交互原型，避免了手动构建的繁琐，提高原型的质量和准确性。此外，GPT 不仅可以辅助开发者完成常规的代码编写工作，还可以通过机器学习和自然语言处理技术，实现智能编程。通过理解开发者的意图，根据自然语言描述生成代码，并实现更加高级和复杂的功能。22/81Dragana Krstic 等人12提出了一种基于ChatGPT 的框架，可用于移动网络中的信道容量计算，实现自动化无线网络规划中的仿真过程，如图2-2 所示。在该框架中，ChatGPT 基于对话Agent 和Neo4j 图数据库的模型驱动方法，帮助进行自动化数据导入、图构建和机器学习相关的查询等多个步骤。其中，Neo4j 是一 种高性能和可扩展的图数据库管理系统，其基于图理论的数据库，专注于存储和 处理图结构的数据。结果显示，基于 ChatGPT 的服务质量（Quality ofService，QoS）估计方法在准确性和训练速度方面比基于深度神经网络的解决方案更优。此外，与传统基于手动生成代码的仿真流程相比，利用ChatGPT 自动化生成代码可以缩短仿真时间。图2-2 GPT帮助进行信道容量分析实验2.1.3.增强语义通信增强语义通信随着第六代移动通信系统（The Sixth Generation，6G）和物联网等新型网络技术的发展，万物智能互联成为时代所趋，语义通信有望成为未来通信网络的核心范式。然而，现有的语义通信受到缺乏上下文推理能力和背景知识的限制，同时，语义模型训练及语义知识图谱的构建将消耗巨大的时间与计算资源。因此，提升模型的训练效率，降低模型的训练成本，实现模型在网络中高效传输和部署，是语义通信的重要基础，也是所面临的关键挑战。引入GPT 相关技术，可以对输入进行语义理解和表示学习，并进行语义匹配任务。文献13中提出了一种新的AI 辅助SemCom 网络框架，通过采用全局和局部GPT 模型，在基于GPT 的增强语义通信系统中，收发端分别部署语义编码模块和译码模块，模块对应的语义模型分别用于提取和恢复语义信息。通过在服务器中基于GPT 生成语义模型，并根据收发端的请求，动态部署适配的语义模型。同时，收发端将语义模型存储在各自的语义模型库中。发送端将原始信息输入语23/81义提取与表征模块，得到语义信息，并通过联合的语义编码和信道编码将语义信息转化为比特数据，再进行传输。接收端对接收到的比特数据进行联合信道译码、语义译码，以及语义信息恢复重建，恢复出原始信息。上下文、通信环境等背景因素会影响语义信息的恢复，语义译码模块对背景因素带来的误差可进行补偿。这种方法实现多模态语义内容理解、语义级联合信源信道编码，一定程度上提高了语义推理的可靠性和资源利用率，减少了传输流量和降低延迟，实现了更有效的语义传递，如图2-3 所示。图2-3 增强语义通信2.1.4.重塑芯片设计领域重塑芯片设计领域在通信领域，芯片设计起着至关重要的作用，可以说是通信技术发展的关键驱动力。芯片设计可以实现对各种通信协议的支持，例如以太网、无线通信、蓝牙、长期演进技术（Long Term Evolution，LTE）等，从而支持设备之间的通信和数据传输；芯片设计可以提供专门的硬件加速器、编解码器和信号处理器等，以支持高效的多媒体数据处理和传输。无线通信芯片拥有射频前端、调制解调器、功率放大器等功能，用于实现无线信号的收发和调制解调；芯片设计可以提供硬件安全功能，用于数据加密、身份认证和安全通信等，保护通信系统免受恶意攻击和数据泄露。24/81GPT 可以大大提高芯片设计的效率，缩短设计周期，并使设计过程更加自动化，进一步提高设计的效率和质量。GPT-4 可以降低芯片设计的门槛，使更多的人可以参与到芯片设计中来，这可能会带来更多的创新。2023 年9 月，纽约大学Tandon 工程学院的研究人员14利用OpenAI 的GPT-4模型，成功设计出了一个芯片，如图2-4 所示，这标志着AI 在硬件设计领域的重大突破。GPT-4 通过简单的英语对话，生成了可行的硬件描述语言（HardwareDescription Language，HDL）代码，然后将基准测试和处理器发送到Skywater130nm 穿梭机上成功流片。可以说GPT-4 在芯片设计中的应用，是AI 在硬件设计领域的一次重大突破，我们有理由相信，AI 将在未来的芯片设计领域发挥更大的作用，为我们带来更高效、更创新的芯片设计方案。图2-4 GPT在芯片设计中的应用2.2.GPT 促进通信网络智能自治促进通信网络智能自治AI 赋能的自治网络是第五代移动通信系统（The Fifth Generation，5G）和后5G 网络发展的重要趋势，将为移动网络带来根本性变革。网络将由当前以人工干预为主的被动管理模式，逐步向网络自我驱动为主的自治管理模式转变。未来，智能化网络将通过业务数据、用户数据、网络状态数据等多维数据感知，基于AI 的智能分析，提供更加灵活高效的网络策略，从而实现网络高度自治，大幅提升移动网络全生命周期效率，降低网络运营成本。自智网络15的核心理念在于通过AI 等技术的引入推动新一代通信网络向自配置、自治愈、自优化、自演进的方向发展。“AI+通信”已成为ITU 定义的6G 中六大场景之一16，包括辅助自动驾驶、设备间自主协作、辅助医疗应用、基于数字孪生的事件预测等新功能。目前，AI 已经初步实现了在网络智能自治领域的应用，全球多家运营商、设备商和第三方厂商已经开始了对网络智能自治的研25/81究，如图2-5所示，包括网络规划、切片部署、网络运维和网络优化等应用案例。图2-5 GPT促进通信网络智能自治2.2.1.GPT 重塑网络规划重塑网络规划由于预计未来几年无线接入设备数量将呈指数级增长，运营商需要扩大网络 基础设施的部署规模，以