1. 项目概述从“传比特”到“传意图”的范式跃迁最近和几个做通信协议和边缘计算的朋友聊天大家普遍有个感觉传统的通信系统无论是4G、5G还是正在预研的6G本质上都还是在“传比特”。发送端把数据编码成一串0和1信道负责尽可能保真地传输这些比特接收端再解码还原。这套“信源-信道分离”的香农范式统治了通信领域大半个世纪但它有个根本性的问题它不关心这些比特最终要用来“干什么”。举个例子一个智能工厂里的机械臂需要实时接收控制指令来抓取零件。传统通信系统会确保控制指令的每一个比特都准确无误地送达。但如果这个指令的最终目的是“成功抓取”那么通信系统是否有可能在指令本身有轻微失真但依然能引导机械臂完成抓取动作的情况下主动进行优化甚至牺牲一些不必要的比特精度来换取更低的时延或能耗这就是“任务导向通信”的核心思想通信的优化目标不再是比特级的保真度而是最终任务的完成度。而我们今天要深入探讨的“Agent-Native Task-Oriented Communication with Joint Token Compression Coding and Modulation (JTCM)”正是这一思想前沿的一个具体技术实现。它不再将通信系统视为一个被动的管道而是将其设计成一个主动的、具备一定认知能力的“智能体”。这个智能体能够理解它所要服务的下游任务比如目标识别、决策控制并联合优化从语义提取、压缩编码到物理层调制的全过程只为最高效地完成那个终极任务。简单说JTCM试图回答这样一个问题如果通信的双方或多个参与方都是智能体它们之间最有效的“对话”方式应该是什么这不仅仅是压缩几个比特而是重新定义通信的“语法”和“词汇”让通信本身成为智能协作的一部分。接下来我将结合自己的理解和行业观察拆解这套系统的设计思路、关键技术以及它可能带来的变革。2. 核心设计思路为何要“联合”与“原生”要理解JTCM必须抓住两个关键词“Joint联合”和“Agent-Native智能体原生”。这是它区别于以往任何渐进式改进的根本。2.1 打破“模块墙”从分离设计到端到端联合优化传统通信系统是典型的模块化设计像一条流水线信源编码如H.264压缩视频- 信道编码如LDPC码增加冗余抗干扰- 调制如QAM将比特映射到星座点- 发射。每个模块各自为政优化自己的指标压缩率、纠错能力、频谱效率。这种分离定理在理论上很美但前提是点对点、无限长的随机数据流。在现实的任务驱动、资源受限的智能体场景中这个前提常常不成立。JTCM的核心思路就是打破这些模块之间的壁垒进行端到端的联合优化。它把信源任务相关的语义信息、信道无线环境和信宿任务执行器看作一个整体。优化目标直接设定为下游任务的性能指标例如对于图像识别任务优化目标是接收端智能体的识别准确率而不是传输图像的PSNR峰值信噪比。对于自动驾驶车辆间的协同感知优化目标是多车联合感知的碰撞预测成功率而不是每辆车所传点云数据的均方误差。对于机械臂控制优化目标是抓取的成功率和时延而不是控制指令比特的错误率。为了实现这种联合优化系统需要一个能够理解“任务效用”的智能体作为核心。这个智能体需要学习哪些语义信息对任务完成至关重要必须精传哪些信息是次要的可以适度压缩甚至丢弃以及当前的无线信道状况如何影响不同信息的重要性。注意这里的“联合”不是简单地把几个算法拼在一起。它需要在统一的数学框架通常是基于深度学习的下设计一个可训练的、从语义到波形的端到端模型。梯度必须能从任务损失函数一路反向传播回调制器甚至感知模块。2.2 Agent-Native通信协议即智能体协作协议“Agent-Native”是更上层的思想。它意味着通信系统的设计从一开始就将通信双方预设为具有目标、能感知、会决策的智能体。通信不再是“A发给B一段数据”而是“A为了与B协同完成某任务而传递最必要的意图或状态信息”。这带来了几个根本性变化通信内容的变化从传输原始数据如图像帧转变为传输经过提炼的、与任务强相关的“语义令牌”或“特征”。例如在监控场景中智能摄像头可能不再传输1080p视频流而是传输“画面中央出现一个快速移动的物体类别为人坐标(x,y)速度v”这样结构化的语义信息。通信模式的变化从固定的、周期性的传输转变为事件驱动、按需触发的传输。只有当事态变化如出现异常、任务状态更新时智能体才发起通信。资源分配的变化信道资源功率、带宽、时隙的分配不再追求公平或最大吞吐量而是根据各个智能体所执行任务的紧急性和重要性进行动态调配。JTCM可以看作是实现“Agent-Native”通信的一个物理层和链路层使能技术。它提供了如何将这些抽象的“语义令牌”高效、可靠地转换为无线电波并适应复杂信道环境的具体方法。3. JTCM技术深度拆解令牌、压缩、调制的三位一体JTCM的全称是“联合令牌压缩编码与调制”。我们可以把它拆解成三个环环相扣的步骤来理解。3.1 Tokenization从数据到语义令牌的提炼第一步是“令牌化”。这借鉴了自然语言处理和大模型中的思想。原始数据图像、语音、传感器数据流经过一个编码器通常是一个神经网络被转换为一组离散的“令牌”。这个过程在做什么它是在进行特征提取和语义抽象。编码器网络被训练来抛弃与下游任务无关的冗余信息只保留对任务决策有关键影响的特征。例如对于人脸识别任务令牌可能对应五官的相对位置、轮廓特征等而背景光照、无关物体等信息则被过滤。令牌的形式这些令牌通常是一个固定维度的向量序列每个向量可以理解为某种语义概念的嵌入表示。它们比原始数据维度低得多实现了第一层压缩。关键设计点编码器的训练必须与下游任务联合进行。损失函数直接是任务性能如分类交叉熵损失这样才能确保提取的特征确实是“任务导向”的。3.2 Joint Compression and Coding为信道量身定制的有损压缩得到语义令牌后传统思路会用一个标准的信源编码器如熵编码进一步压缩然后加上信道编码。但在JTCM中压缩和信道编码是联合设计的。为什么需要联合因为无线信道是会出错的。不同的语义令牌对错误的容忍度不同。对任务至关重要的“关键令牌”需要更强的保护次要的“非关键令牌”则可以承受更高压缩率或更弱的保护。联合设计允许系统根据信道状态和令牌重要性动态分配编码冗余度。一种常见实现使用一个“条件变分自编码器”或类似的生成模型。编码器输出令牌的均值和方差参数。在传输时不仅传输令牌本身还可能传输其重要性权重。压缩策略量化比特数和信道编码的码率都根据这个权重和当前信道估计来共同决定。例如对高权重令牌使用低压缩率更多比特和低码率更多冗余的强纠错编码对低权重令牌则相反。“有损”的含义这里的压缩是有损的但“损”的是对任务无关或影响小的信息。目标是在给定信道带宽和功率约束下最大化任务效用而不是最小化数据失真。3.3 Joint Modulation将语义直接映射到波形这是最颠覆传统的一步。在JTCM中经过联合压缩编码后的比特流并不直接送入一个标准的QAM/PSK调制器。相反调制本身也是端到端优化的一部分。传统调制的局限QAM等调制方式是将比特均匀地映射到星座点它假设所有比特同等重要。但在语义通信中比特流中不同位置的重要性天差地别。JTCM的调制思路设计一个“神经调制器”。这个调制器接收联合编码后的符号序列并直接输出复基带信号I/Q两路。这个神经网络的参数是在端到端训练中与编码器、解码器一起学习得到的。学习什么神经网络会学习一种“非均匀”的星座图或者更广义地说一种信号成形技术。它可能会自动将重要的符号映射到星座图中抗干扰能力更强的位置例如距离原点更远、点间距更大的位置甚至学习适应特定信道特征的调制波形。在极端情况下它可能模糊了编码和调制的界限直接学习从语义信息到最优波形的映射函数。整个JTCM的流程可以概括为原始数据 - 任务感知的语义令牌提取 - 基于令牌重要性和信道状态的联合压缩与编码 - 神经网络实现的联合调制 - 无线信道 - 神经解调 - 联合解码与重构 - 任务执行与效用反馈。整个闭环的参数通过梯度下降以最大化任务效用为目标进行更新。4. 实操挑战与实现考量理论很美好但将JTCM落地会面临一系列严峻挑战。这部分结合一些研究原型和我的思考谈谈实操中的关键点。4.1 训练数据的获取与仿真环境构建端到端训练需要大量的“数据-信道-任务性能”三元组样本。这在现实中很难获取。解决方案高度依赖数字孪生和信道仿真。需要构建一个包含以下部分的仿真平台任务场景仿真器例如一个自动驾驶模拟器如CARLA生成视频流和对应的驾驶决策转向、油门、刹车作为标签。信道仿真器能够模拟多径、衰落、多普勒效应、噪声等真实无线信道特性的模块。需要支持与深度学习框架如PyTorch, TensorFlow的集成使得信道的影响是可微分的或至少能提供梯度估计。端到端JTCM模型包含可训练的编码器、联合编解码器、神经调制/解调器。训练流程在仿真环境中用任务数据训练整个模型。信道条件作为另一个输入或随机变量。损失函数是任务损失如自动驾驶的轨迹误差加上可能的通信开销惩罚如功率、带宽。4.2 模型复杂度与实时性神经网络的推理尤其是编码器和解码器可能带来不可忽略的时延和计算开销这与许多低时延任务如工业控制、车联网的要求相悖。模型轻量化策略知识蒸馏训练一个大的“教师模型”然后用它来指导一个结构更简单的“学生模型”训练在尽量保持性能的同时降低复杂度。神经架构搜索自动搜索适合特定任务和硬件约束的轻量级网络结构。专用硬件加速设计针对语义编码/解码的ASIC或利用NPU进行加速。分而治之并非所有模块都需要是神经网络。可以将系统设计为“语义提取神经网络 传统高效编调制”的混合模式在性能和复杂度间取得平衡。4.3 泛化能力与鲁棒性在一个仿真信道和特定任务上训练好的JTCM模型能否推广到未知的信道环境和略有差异的任务中元学习与自适应采用元学习框架让模型学会“如何快速适应”新的信道条件。在部署时模型可以根据少量实时信道探测信息进行快速微调。解耦语义与传输尝试将模型设计得更具模块化。语义编码器应尽可能学习信道无关的、鲁棒的任务特征。而联合编调制模块则专注于适应信道变化。这有助于提升泛化能力。对抗训练在训练时引入各种信道失真和噪声的扰动增强模型的鲁棒性。4.4 标准化与互操作性挑战这是产业化最大的障碍。如果每个设备厂商都用自己的JTCM模型设备之间将无法通信。可能的路径通信标准组织如3GPP未来可能会定义标准的“语义信息表示框架”和“任务效用接口”。物理层和链路层可能保留一定的灵活性但会规定语义令牌的格式、重要性标识的方法等。设备间需要交换少量的模型信息或能力描述以便在通信开始时协商共同的“语义通信协议”。5. 应用场景与未来展望JTCM这类技术不会一夜之间取代现有通信系统它更可能率先在特定垂直领域开花结果。1. 扩展现实与全息通信这是高带宽、低时延、任务导向的典型场景。传输的不是完整的3D点云或视频流而是用户注视点区域的高清语义信息如物体细节、纹理结合背景的低精度信息。JTCM可以动态分配资源保证视觉体验的核心质量。2. 大规模物联网与传感网数以亿计的传感器节点传输数据只为了一件事让云端或边缘服务器感知某个物理状态如温度超标、设备异常。JTCM可以让传感器只传输“异常”的语义特征和置信度极大节省能耗和频谱资源。3. 车联网与自动驾驶协同车辆之间需要共享感知信息以实现超视距感知。传输完整的激光雷达点云数据量巨大。通过JTCM车辆可以传输经过提炼的“风险目标”信息如位置、速度、轨迹预测甚至直接传输建议的协同驾驶策略如“我减速请你变道”。4. 工业互联网与远程控制在远程操控精密仪器或手术机器人时操作指令的语义保真度和时延至关重要。JTCM可以确保关键动作指令的绝对可靠和极低时延而次要的状态反馈信息则可以适度降低质量。未来我们可能会看到通信系统从“比特管道”演变为“任务助手”。JTCM是实现这一愿景的关键拼图之一。它要求通信工程师、AI研究员和垂直行业专家紧密合作共同定义“任务”设计“效用函数”并打造出真正智能、高效的下一代通信基础设施。这条路很长充满了挑战但毫无疑问它指向了一个更智能、更高效的互联未来。从我个人的工程视角看当前最务实的方法是先从封闭、可控的特定场景如工厂内网、无人机编队开始试点积累数据和经验逐步攻克通用化和标准化的难题。
1. 项目概述从“传比特”到“传意图”的范式跃迁最近和几个做通信协议和边缘计算的朋友聊天大家普遍有个感觉传统的通信系统无论是4G、5G还是正在预研的6G本质上都还是在“传比特”。发送端把数据编码成一串0和1信道负责尽可能保真地传输这些比特接收端再解码还原。这套“信源-信道分离”的香农范式统治了通信领域大半个世纪但它有个根本性的问题它不关心这些比特最终要用来“干什么”。举个例子一个智能工厂里的机械臂需要实时接收控制指令来抓取零件。传统通信系统会确保控制指令的每一个比特都准确无误地送达。但如果这个指令的最终目的是“成功抓取”那么通信系统是否有可能在指令本身有轻微失真但依然能引导机械臂完成抓取动作的情况下主动进行优化甚至牺牲一些不必要的比特精度来换取更低的时延或能耗这就是“任务导向通信”的核心思想通信的优化目标不再是比特级的保真度而是最终任务的完成度。而我们今天要深入探讨的“Agent-Native Task-Oriented Communication with Joint Token Compression Coding and Modulation (JTCM)”正是这一思想前沿的一个具体技术实现。它不再将通信系统视为一个被动的管道而是将其设计成一个主动的、具备一定认知能力的“智能体”。这个智能体能够理解它所要服务的下游任务比如目标识别、决策控制并联合优化从语义提取、压缩编码到物理层调制的全过程只为最高效地完成那个终极任务。简单说JTCM试图回答这样一个问题如果通信的双方或多个参与方都是智能体它们之间最有效的“对话”方式应该是什么这不仅仅是压缩几个比特而是重新定义通信的“语法”和“词汇”让通信本身成为智能协作的一部分。接下来我将结合自己的理解和行业观察拆解这套系统的设计思路、关键技术以及它可能带来的变革。2. 核心设计思路为何要“联合”与“原生”要理解JTCM必须抓住两个关键词“Joint联合”和“Agent-Native智能体原生”。这是它区别于以往任何渐进式改进的根本。2.1 打破“模块墙”从分离设计到端到端联合优化传统通信系统是典型的模块化设计像一条流水线信源编码如H.264压缩视频- 信道编码如LDPC码增加冗余抗干扰- 调制如QAM将比特映射到星座点- 发射。每个模块各自为政优化自己的指标压缩率、纠错能力、频谱效率。这种分离定理在理论上很美但前提是点对点、无限长的随机数据流。在现实的任务驱动、资源受限的智能体场景中这个前提常常不成立。JTCM的核心思路就是打破这些模块之间的壁垒进行端到端的联合优化。它把信源任务相关的语义信息、信道无线环境和信宿任务执行器看作一个整体。优化目标直接设定为下游任务的性能指标例如对于图像识别任务优化目标是接收端智能体的识别准确率而不是传输图像的PSNR峰值信噪比。对于自动驾驶车辆间的协同感知优化目标是多车联合感知的碰撞预测成功率而不是每辆车所传点云数据的均方误差。对于机械臂控制优化目标是抓取的成功率和时延而不是控制指令比特的错误率。为了实现这种联合优化系统需要一个能够理解“任务效用”的智能体作为核心。这个智能体需要学习哪些语义信息对任务完成至关重要必须精传哪些信息是次要的可以适度压缩甚至丢弃以及当前的无线信道状况如何影响不同信息的重要性。注意这里的“联合”不是简单地把几个算法拼在一起。它需要在统一的数学框架通常是基于深度学习的下设计一个可训练的、从语义到波形的端到端模型。梯度必须能从任务损失函数一路反向传播回调制器甚至感知模块。2.2 Agent-Native通信协议即智能体协作协议“Agent-Native”是更上层的思想。它意味着通信系统的设计从一开始就将通信双方预设为具有目标、能感知、会决策的智能体。通信不再是“A发给B一段数据”而是“A为了与B协同完成某任务而传递最必要的意图或状态信息”。这带来了几个根本性变化通信内容的变化从传输原始数据如图像帧转变为传输经过提炼的、与任务强相关的“语义令牌”或“特征”。例如在监控场景中智能摄像头可能不再传输1080p视频流而是传输“画面中央出现一个快速移动的物体类别为人坐标(x,y)速度v”这样结构化的语义信息。通信模式的变化从固定的、周期性的传输转变为事件驱动、按需触发的传输。只有当事态变化如出现异常、任务状态更新时智能体才发起通信。资源分配的变化信道资源功率、带宽、时隙的分配不再追求公平或最大吞吐量而是根据各个智能体所执行任务的紧急性和重要性进行动态调配。JTCM可以看作是实现“Agent-Native”通信的一个物理层和链路层使能技术。它提供了如何将这些抽象的“语义令牌”高效、可靠地转换为无线电波并适应复杂信道环境的具体方法。3. JTCM技术深度拆解令牌、压缩、调制的三位一体JTCM的全称是“联合令牌压缩编码与调制”。我们可以把它拆解成三个环环相扣的步骤来理解。3.1 Tokenization从数据到语义令牌的提炼第一步是“令牌化”。这借鉴了自然语言处理和大模型中的思想。原始数据图像、语音、传感器数据流经过一个编码器通常是一个神经网络被转换为一组离散的“令牌”。这个过程在做什么它是在进行特征提取和语义抽象。编码器网络被训练来抛弃与下游任务无关的冗余信息只保留对任务决策有关键影响的特征。例如对于人脸识别任务令牌可能对应五官的相对位置、轮廓特征等而背景光照、无关物体等信息则被过滤。令牌的形式这些令牌通常是一个固定维度的向量序列每个向量可以理解为某种语义概念的嵌入表示。它们比原始数据维度低得多实现了第一层压缩。关键设计点编码器的训练必须与下游任务联合进行。损失函数直接是任务性能如分类交叉熵损失这样才能确保提取的特征确实是“任务导向”的。3.2 Joint Compression and Coding为信道量身定制的有损压缩得到语义令牌后传统思路会用一个标准的信源编码器如熵编码进一步压缩然后加上信道编码。但在JTCM中压缩和信道编码是联合设计的。为什么需要联合因为无线信道是会出错的。不同的语义令牌对错误的容忍度不同。对任务至关重要的“关键令牌”需要更强的保护次要的“非关键令牌”则可以承受更高压缩率或更弱的保护。联合设计允许系统根据信道状态和令牌重要性动态分配编码冗余度。一种常见实现使用一个“条件变分自编码器”或类似的生成模型。编码器输出令牌的均值和方差参数。在传输时不仅传输令牌本身还可能传输其重要性权重。压缩策略量化比特数和信道编码的码率都根据这个权重和当前信道估计来共同决定。例如对高权重令牌使用低压缩率更多比特和低码率更多冗余的强纠错编码对低权重令牌则相反。“有损”的含义这里的压缩是有损的但“损”的是对任务无关或影响小的信息。目标是在给定信道带宽和功率约束下最大化任务效用而不是最小化数据失真。3.3 Joint Modulation将语义直接映射到波形这是最颠覆传统的一步。在JTCM中经过联合压缩编码后的比特流并不直接送入一个标准的QAM/PSK调制器。相反调制本身也是端到端优化的一部分。传统调制的局限QAM等调制方式是将比特均匀地映射到星座点它假设所有比特同等重要。但在语义通信中比特流中不同位置的重要性天差地别。JTCM的调制思路设计一个“神经调制器”。这个调制器接收联合编码后的符号序列并直接输出复基带信号I/Q两路。这个神经网络的参数是在端到端训练中与编码器、解码器一起学习得到的。学习什么神经网络会学习一种“非均匀”的星座图或者更广义地说一种信号成形技术。它可能会自动将重要的符号映射到星座图中抗干扰能力更强的位置例如距离原点更远、点间距更大的位置甚至学习适应特定信道特征的调制波形。在极端情况下它可能模糊了编码和调制的界限直接学习从语义信息到最优波形的映射函数。整个JTCM的流程可以概括为原始数据 - 任务感知的语义令牌提取 - 基于令牌重要性和信道状态的联合压缩与编码 - 神经网络实现的联合调制 - 无线信道 - 神经解调 - 联合解码与重构 - 任务执行与效用反馈。整个闭环的参数通过梯度下降以最大化任务效用为目标进行更新。4. 实操挑战与实现考量理论很美好但将JTCM落地会面临一系列严峻挑战。这部分结合一些研究原型和我的思考谈谈实操中的关键点。4.1 训练数据的获取与仿真环境构建端到端训练需要大量的“数据-信道-任务性能”三元组样本。这在现实中很难获取。解决方案高度依赖数字孪生和信道仿真。需要构建一个包含以下部分的仿真平台任务场景仿真器例如一个自动驾驶模拟器如CARLA生成视频流和对应的驾驶决策转向、油门、刹车作为标签。信道仿真器能够模拟多径、衰落、多普勒效应、噪声等真实无线信道特性的模块。需要支持与深度学习框架如PyTorch, TensorFlow的集成使得信道的影响是可微分的或至少能提供梯度估计。端到端JTCM模型包含可训练的编码器、联合编解码器、神经调制/解调器。训练流程在仿真环境中用任务数据训练整个模型。信道条件作为另一个输入或随机变量。损失函数是任务损失如自动驾驶的轨迹误差加上可能的通信开销惩罚如功率、带宽。4.2 模型复杂度与实时性神经网络的推理尤其是编码器和解码器可能带来不可忽略的时延和计算开销这与许多低时延任务如工业控制、车联网的要求相悖。模型轻量化策略知识蒸馏训练一个大的“教师模型”然后用它来指导一个结构更简单的“学生模型”训练在尽量保持性能的同时降低复杂度。神经架构搜索自动搜索适合特定任务和硬件约束的轻量级网络结构。专用硬件加速设计针对语义编码/解码的ASIC或利用NPU进行加速。分而治之并非所有模块都需要是神经网络。可以将系统设计为“语义提取神经网络 传统高效编调制”的混合模式在性能和复杂度间取得平衡。4.3 泛化能力与鲁棒性在一个仿真信道和特定任务上训练好的JTCM模型能否推广到未知的信道环境和略有差异的任务中元学习与自适应采用元学习框架让模型学会“如何快速适应”新的信道条件。在部署时模型可以根据少量实时信道探测信息进行快速微调。解耦语义与传输尝试将模型设计得更具模块化。语义编码器应尽可能学习信道无关的、鲁棒的任务特征。而联合编调制模块则专注于适应信道变化。这有助于提升泛化能力。对抗训练在训练时引入各种信道失真和噪声的扰动增强模型的鲁棒性。4.4 标准化与互操作性挑战这是产业化最大的障碍。如果每个设备厂商都用自己的JTCM模型设备之间将无法通信。可能的路径通信标准组织如3GPP未来可能会定义标准的“语义信息表示框架”和“任务效用接口”。物理层和链路层可能保留一定的灵活性但会规定语义令牌的格式、重要性标识的方法等。设备间需要交换少量的模型信息或能力描述以便在通信开始时协商共同的“语义通信协议”。5. 应用场景与未来展望JTCM这类技术不会一夜之间取代现有通信系统它更可能率先在特定垂直领域开花结果。1. 扩展现实与全息通信这是高带宽、低时延、任务导向的典型场景。传输的不是完整的3D点云或视频流而是用户注视点区域的高清语义信息如物体细节、纹理结合背景的低精度信息。JTCM可以动态分配资源保证视觉体验的核心质量。2. 大规模物联网与传感网数以亿计的传感器节点传输数据只为了一件事让云端或边缘服务器感知某个物理状态如温度超标、设备异常。JTCM可以让传感器只传输“异常”的语义特征和置信度极大节省能耗和频谱资源。3. 车联网与自动驾驶协同车辆之间需要共享感知信息以实现超视距感知。传输完整的激光雷达点云数据量巨大。通过JTCM车辆可以传输经过提炼的“风险目标”信息如位置、速度、轨迹预测甚至直接传输建议的协同驾驶策略如“我减速请你变道”。4. 工业互联网与远程控制在远程操控精密仪器或手术机器人时操作指令的语义保真度和时延至关重要。JTCM可以确保关键动作指令的绝对可靠和极低时延而次要的状态反馈信息则可以适度降低质量。未来我们可能会看到通信系统从“比特管道”演变为“任务助手”。JTCM是实现这一愿景的关键拼图之一。它要求通信工程师、AI研究员和垂直行业专家紧密合作共同定义“任务”设计“效用函数”并打造出真正智能、高效的下一代通信基础设施。这条路很长充满了挑战但毫无疑问它指向了一个更智能、更高效的互联未来。从我个人的工程视角看当前最务实的方法是先从封闭、可控的特定场景如工厂内网、无人机编队开始试点积累数据和经验逐步攻克通用化和标准化的难题。
