本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术，为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案，并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。

Nov, 2021

论文探讨利用人工智能为 6G 设计部分新的空中界面，来使得其能够为任意硬件、无线环境和应用程序实现优化的通信方案。

Dec, 2020

本文提出了一种基于联邦学习的网络架构，旨在通过分布式人工智能解决 6G 中的一些新挑战，包括应用 AI 于无线网络的困难，以及跨异构设备实现分布式 AI 的困难。

Apr, 2020

这篇文章提出了一种基于人工智能的 6G 网络智能架构，用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用，并详细阐述了如何利用 AI 技术有效地优化网络性能，包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外，作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案，包括算法鲁棒性、计算效率、硬件开发和能源管理等。

Dec, 2019

本文旨在探讨 6G 边缘本地人工智能网络中的关键需求和挑战，并介绍了一种基于自我监督生成对抗网络的自学习体系结构，可以在网络边缘实现自动数据学习和合成，实现较大的性能提升。最后，讨论了自学习可实现的未来趋势和关键研究问题。

Oct, 2020

本文讨论了 6G 的潜在技术以支持移动人工智能应用，并探讨了能够设计和优化 6G 架构、协议和运营的 AI 启用方法。

Apr, 2019

6G 体系结构中人工智能和大型语言模型（LLMs）以及预训练的广义变压器（GPT）的无缝集成将在 AI 中心化操作和下一代通信范式中起到关键作用。

Nov, 2023

人工智能在下一代无线系统（如第六代（6G）移动网络）中发挥重要作用，但在训练 AI 模型和从分布式设备中获取智能和知识时，需要解决的关键挑战包括大量的数据、能源消耗、训练复杂性和敏感数据保护。联邦学习作为最近出现的框架，为多个学习代理构建准确而稳健的机器学习模型提供了有希望的方法，同时不共享原始数据。联邦学习通过允许移动设备协同学习全局模型而不显式共享训练数据，展示了高隐私性和高效的频谱利用。本文的主要目标是全面介绍联邦学习的可用性，以提高移动服务的质量，并支持支持新的用例。本文通过检查在协议堆栈的各个级别上实施联邦学习的附加价值，展示了联邦学习在改进协议堆栈和无线操作方面的重要性。此外，它给出了重要的联邦学习应用，讨论了热门话题，并为未来的研究和发展提供了宝贵的见解和指导。我们的结论旨在发挥联邦学习和未来 6G 之间的协同作用，同时强调联邦学习在颠覆无线行业和支持前沿移动服务发展中的潜力。

Dec, 2023

在 6G 网络中，我们引入了一种新颖的平台架构，通过基于区块链的智能系统部署零触碰的 PAI 作为服务（PAIaaS），旨在在架构的各个层面上标准化普适的人工智能，并统一接口，以便跨应用程序和基础设施领域轻松部署服务，解决用户在成本、安全和资源分配方面的担忧，并同时遵守 6G 严格的性能要求。作为概念验证，我们展示了联邦学习作为服务的用例，通过评估我们所提出的系统自我优化和自适应于 6G 网络的动态，并最大程度地减少用户的感知成本。

Jul, 2023

将生成式人工智能（GAI）与边缘计算网络结合，提出了生成式移动边缘网络的概念，并概述了广泛采用的 GAI 技术及其在移动边缘网络中的应用。在资源受限场景下，通过设计资源高效的方法、制定适当的激励机制以及利用生成扩散模型（GDMs）找到最优的激励机制解决方案，解决了生成式移动边缘网络面临的挑战。通过案例研究提出了一种模型分区的方法以实现智能任务卸载，并提出了基于 GDM 的 Stackelberg 模型来激励边缘设备为移动边缘智能提供计算资源。最后，提出了几个能够促进生成式移动边缘网络未来发展的方向。

Dec, 2023