让6G网络“听话”的语义通信

通俗一点说，语义通信就好像电视剧里特工密码发报一样，发很少的字节，传复杂的内容。通信双方凭借本地的语义知识库，在只传很少信息的基础上，各自分别编解码，达到传递复杂庞大信息的目的。例如在VR、AR游戏里，对一道光的渲染，原本需要传输大量的信息，但以语义通信的方式，可以在传输端发送简单的语义信息说“需要有一道光”，接收端根据语义知识库，就可以直接渲染出来，呈现出那道光。

“语义通信zui大的特点就是可以把对传输速率的要求降得非常低，但用户的体验仍然是非常的流畅，这是语义通信的明显好处。”中国移动shou席研究员刘光毅说。


以语义通信超越香农极限

语义通信的基本概念是由韦弗和香农在1948年发表的经典论文《传播的数学理论》中首次提出，随后，学术界和工业界均从不同角度开展广泛研究。

无线通信发展到今天，一直遵循的都是香农定律。香农定律是关于无线信道容量计算的经典定律，是信息论的基础。香农认为，虽然通信系统中传输的信息通常包含一定的语义信息，但是这些语义信息一般受到诸多与通信物理信道及传输技术本身无关的因素的影响。因此，为了保证信息理论的普适性，在设计和考虑通信的技术问题时，不应当考虑通信的语义问题。所以直到第五代移动通信网络，都没有语义通信。

为何在今天，进入6G的关键技术研究窗口期中，语义通信受到了更多的关注？

在今年3月初的MWC大会上，时任华为轮值董事长郭平说：“我们知道，信道容量已经接近天花板。华为持续探索新一代MIMO和无线AI等理论与技术，进一步逼近香农极限，同时研究语义通信等新理论，尝试超越香农极限，为通信打开更为广阔的发展空间。”

香农定理认为，一个信道中，也就是在某段频谱资源内，能够传送的数据量是有极限的，从di一代移动通信到第五代移动通信，信道编码的方式换了又换，目的就是提高频谱的利用效率，向香农极限靠近，现在已经十分逼近于香农曲线的极限值，产业继续发展面临理论基础的天花板。

目前业界在研究的语义通信是一种全新的通信架构，它将用户对信息的需求及语义融入通信过程。“基于人工智能技术发展的启示，我们的创新解决方案是将传统的通信转换为语义通信，传统通信是对信源内容基于符号的方式进行语法编码传输，它的重点是强调符号的无差错传输，而语义通信只是对信源内容含义的特征进行提取、编码和传输，它的重点是要保证视频内容含义的一致性。”中国移动研究院gao级研究员潘成康说。


语义通信的探索方兴未艾

目前语义通信研究比较多的是在VR、AR、元宇宙这类应用场景中的实现。因为这类应用需要非常大的带宽资源，如果语义通信能够在其中落地，具有非常现实的商业意义。

中国移动联合清华大学、北京邮电大学开发了低码率绘画、视频、通信和智简的语义通信系统。

“一个视频的语义通信基本过程是我们在发送端进行语义编码，需要对视频内容进行语义特征的提取，例如视频中一个绘画者的头部姿态和面部表情进行特征提取，从而获得头部、面部关键点的位置信息和形变信息。”潘成康说，“再将这些信息进行信道编码，通过无线信道传输到接收端，在接收端有语义解码模块，可以利用这些关键信息，结合一些先验的知识，包括关键帧信息、训练好的模型，在接收端可以理解和重构绘画者的头部姿态和面部表情，恢复视频画面。”在演示过程中，语义通信可以仅用传统通信1/16的传输速率，依然保持清晰流畅的画面。


在视频业务之外，利用语义通信实现6G网络的智能简约也是一个重点方向。

中国工程院院士、北京邮电大学教授张平团队提出一种面向6G的“一面三层”智简网络协议架构（IE-SC）。这一架构的基础是一种新的语义表征框架模型——语义基（Seb）。语义基是语义信息的基本组织单元，类比于香农语法信息论体系中的基本组织单元——比特（Bit），Bit到Seb的改变可类比为基于“砖瓦”到基于“预制板”的两种房屋建筑模式的改变。语义基是一种语义信息表示模型，以更为结构化、简约化、弹性化的方式对信息进行组织，为描述涉及网络意图的语义信息提供一个新的视角。

其中，“一面三层”分别为语义智能平面、语义物理承载层、语义网络协议层及语义应用意图层。在“三层”中，语义物理承载层是通过语义编译码、信源信道联合编译码等实现上层语义信息的物理承载与传输；语义网络协议层实现上层应用意图在网络中的智能交互；语义应用意图层通过意图挖掘、意图理解、意图分解等实现从意图到语义的分解转化。在“一面”中，语义智能平面具备语义决策推导、语义环境表征、背景知识管理能力，驱动语义信息流在三层之间的流动。

在智简语义通信系统中，基本工作过程和视频的过程是一致的，不同之处是进一步的引入了信源信道联合编码，将信道的特征纳入系统设计中，在语义特征提取的基础上，进一步考虑到信道的动态变化。

此外，西安电子科技大学教授、鹏城实验室副主任石光明等人提出了面向万物智联的语义通信网络，并提出一种基于联邦边缘智能的语义通信网络架构。与传统数据集中式的机器学习方法不同，联邦学习可保证多个数据拥有方之间在不泄露本地数据及相关信息的前提下，仅通过交换不泄露隐私的中间结果实现合作训练和建模。这种语义通信网络架构主要包括：用户、边缘计算服务器、全局知识与语义识别模型协同器，其中采用了知识图谱作为语义的表征方法。


语义通信面临的挑战

语义通信曾经面临的zui大问题是准确性低，借助人工智能水平的提升，这一点会大大改善。但同一语义带有多种含义依然是语义通信中要克服的主要困难。例如英文单词“Catch”在 作动词时可以有“理解”的含义，也可能是指“接住” 或者“赶上”。这些不同含义一般可能导致接收端用户在语义理解上出现较大偏差。

“语义通信实际上是一个非线性结构化发展的网络，其中结构化非常重要，人脑也是结构化发展的，所以语义通信要克服复杂性，要利用结构，要利用先验的结构减少不确定性。”中国科学院院士、清华大学教授陆建华说，“6G网络要做成结构化的，就要在基础理论上有创新，这个创新应该具备全局视角，包括网络和业务。”

在解决不确定性的同时，语义通信还应具备自我学习的能力。当新兴的语义知识在某个平台出现时，语义知识库需要根据情况识别和分析其可能具备的含义和使用场景，并添加到知识库里。

此外，语义通信网络安全性也是一个重要的挑战。所有上传到语义知识库的信息应当具有完善的审查机制，防止语义知识库被恶意用户篡改。随着语义通信网络发展，会有更多新兴的安全问题暴露出来。zhuan家认为，提前预测、建模和分析未来可能出现的新兴语义通信网络安全隐患对语义通信技术的发展和普及具有至关重要的意义。