这篇论文介绍了语义路由，以实现在 LLM 辅助下的 5G 核心网络的基于意图的管理和编排，通过建立一个端到端的意图提取框架，并提供一个多样化的样本用户意图数据集以及对编码器和量化对系统整体性能的影响的全面分析，结果显示使用语义路由器相较于独立的 LLMs 与提示架构相比，能提高 LLM 部署的准确性和效率。

Apr, 2024

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

介绍引导性人工智能在电信领域中，为无线网络提供新机遇与应用的可能性，借助大型语言模型技术，实现具有人工智能的无线通信新领域的发展。

Jun, 2023

通过将大型语言模型（LLMs）与机器学习（ML）模型相结合，我们提出了 “生成式 AI 在环” 的概念，利用 LLMs 的语义理解、上下文感知和推理能力来辅助人类处理移动通信网络中的复杂或意外情况，并通过合成数据来增强基于 ML 的网络入侵检测，这进一步展示出我们提出的想法的优势。

Jun, 2024

本文研究了如何利用人工智能（AI）和机器学习（ML）技术来设计和运营 B5G 无线网络，包括对最近的进展和未来挑战的综述，以及对 ML 算法和应用的回顾，并总结了将 AI/ML 算法应用于 B5G 网络的标准发展。

Jan, 2020

利用大语言模型从自然语言查询生成任务特定代码的一种新方法，解决了网络管理中的可解释性、可扩展性和隐私问题，并且展示了高准确性、成本效益和进一步增强的潜力。

Aug, 2023

利用移动设备和边缘服务器之间的协作，我们提出了一个用于 6G 网络中的 LLM 代理的分裂学习系统，其中具有不同角色的多个 LLM 代理分布在移动设备和边缘服务器上以协同执行用户代理交互任务。此外，我们引入了一种新颖的模型缓存算法，以提高上下文中的模型利用率，从而降低协作移动和边缘 LLM 代理的网络成本。

Jan, 2024

本文概述了人工智能在 5G 及以后无线网络中的应用，包括网络智能类型、机器学习以及应用案例，重点介绍了物理层、移动性管理、无线安全和定位方面的应用。

Nov, 2019

提出了一种以 GPT 为基础的光网络框架，通过部署在控制层的智能代理实现对物理层的智能控制和与应用层的高效交互。框架通过用户输入和精心制作的提示来从光网络专业领域的全面资源库中提取领域知识，并生成控制指令和结果表示，以实现在光网络的自主运行和维护。研究还详细描述了进行提示工程、建立领域知识库和执行复杂任务的方法，然后在网络告警分析和网络性能优化这两个典型任务上对所提出的框架进行了验证，2,400 个测试情境的响应准确率和语义相似性显示了 GPT 在光网络中巨大的潜力。

May, 2024

本文将探讨机器学习、自动化、人工智能和大数据分析对于提高下一代无线网络的能力和效率的作用，发现这些新技术将有助于使下一代无线网络实现自适应、自我感知、预测和主动性，最终得出未来的无线网络运营商不能脱离人工智能和机器学习技术转变其操作框架的结论。

Dec, 2021