面向6G的去中心化的人工智能理论与技术
（1）海量、异构的终端设备通信
随着太空、深海等领域的快速发展，人类活动范围逐渐扩大，包括极地、沙漠、无人岛屿等极端环境。未来6G网络设计中，人机物的通信交互无论是空间范围还是交互方式上都会向更深层次扩展。海量的智能终端设备将会部署在各种复杂的地理环境和空间中，极大扩展了通信接入的地理空间，包括空、天、陆、海中具有多种传感、计算、通信、控制融为一体的智能设备。此外，部署应用于不同空间领域的终端设备在系统架构、通信接入和通信协议上存在较大的差异。因此，完成海量、异构终端设备的智能连接、深入连接、泛在连接和全地形、全空间立体覆盖连接，是6G移动通信网络的关键技术。
（2）节点高度自治
在未来6G网络设计中，节点都将是一个个智能体，每个智能体不仅能提供服务、存储数据、节点路由和感知计算等，同时多智能体之间可以进行信息的无缝流动和计算的分布式协作。这些智能体节点部署的终端设备类型、任务类型、通信协议和网络条件、计算能力和系统架构都存在较大差异。一方面，智能体节点具有独立的数据采集、处理和响应能力；另一方面，高度自治的智能体节点能够实现与其他智能体之间的实时通信、协作，从而有效完成6G天、空、陆、地等各种环境下的海量异构终端互联、管理和协作。
（3）动态、自适应协作
6G愿景下网络和用户将统一为整体，各种垂直多样化的需求和用户的个性化服务特点要求智能体节点能够动态自适应不同网络环境、应用场景和服务需求。随着大数据、深度学习等AI技术的不断发展，AI赋能6G的同时，更重要的是智能自适应算法能够融合异构智能体的计算能力，发挥出不同智能体节点的计算特性，利用无缝、稳定的通信网络和网络节点的高度动态自组织特性，实时地感知环境，动态、协作地完成用户个性化的任务计算。
（4）数据、计算共享
精准、高效的AI算法离不开高质量的训练数据集，而用户数据隐私和数据安全一定程度上阻碍了AI的进一步发展。利用去中心化特点的AI联邦学习，能够保障大数据交换时的数据安全，保护终端用户的数据隐私。同时，在多计算节点之间共享数据、共享计算，完成高效率的机器学习。这种去中心化的数据、计算共享能够保证参与计算节点的独立性和数据隐私，完成数据、模型参数的更新。6G去中心化计算是区块链应用的典型特征，去中心化/共享控制能促进数据共享，这反过来又带来更好的模型、更高的利润和更低的成本等。
2未来去中心化AI的相关理论与技术
随着区块链技术的快速发展，通过密码学加密技术、分布式账本和智能合约等技术给AI带来更为广阔的数据市场和AI计算资源。同时，去中心化的AI也让去中心化应用（如区块链应用）变得更加的安全、高效、智能。如图1所示，未来去中心AI的理论与技术可能包括以下三方面，即基于区块链技术的去中心化AI技术、基于隐私保护的去中心化AI技术和面向模型生命周期的去中心化AI技术。
（1）基于区块链技术的去中心化AI技术
去中心化区块链应用促进了数据市场向公平、高效、高质量方向发展，区块链的激励机制使得数据、计算共享成为可能。基于区块链技术的分布式AI，实现了AI不同功能体之间的协作与相互调用，进一步加快了AI的发展，拓宽了AI的应用领域。此外，通过利用区块链的去中心化天然属性，实现AI数据、算法和模型的自由流动。一方面，利用区块链的底层通信、加密和计算架构，能够实现去中心化AI不同功能模块之间的相互调用，进一步加速了去中心AI的发展。另一方面，基于区块链技术的去中心化AI打破了传统AI模型的开发模式、促进了AI数据、模型和计算的共享，有效解决了AI模型数据孤岛问题。
（2）基于隐私保护的去中心化AI技术
用户数据隐私保护是未来去中心化AI的关键技术之一。高效、可靠的数据加密及隐私保护技术是促进用户、企业积极参与去中心化AI的计算的基石。尽管同态加密和安全多方计算等技术允许去中心化AI体系架构中的节点在加密的数据集上执行模型，无需解密数据再进行推理，并且能够使得机器模型能够在安全的数据集中训练，获得更为精准、有效的数据集和模型，同时保护了数据的隐私与安全性。然而，未来去中心化AI计算中除了传统的密码学技术，对智能化的加密技术需求更高。例如生成对抗神经网络（GAN）加密技术是一种基于深度学习的智能加密技术，能够在各参与方之间进行安全的通信，有助于获得大量的真实数据[7]。对于研发AI模型人员来说，能够更方便地处理数据、更高效地比较和评估模型，从而得出正确的解决方案，应对不同的场景与服务。面向去中心化AI的解决方案中，GAN加密技术允许去中心网络中的计算节点交换信息，无需信任既定的加密方案。从概念上来说，GAN加密技术推动了不同公司、企业之间共享数据集，而无需担心披露用户隐私等敏感数据，也进一步推动了AI的发展。此外，企业也受益于GAN加密技术带来的用户信任，减少了法务危机，同时互联网企业对于用户隐私应当持有尊重的态度以及合理地使用。
（3）面向模型生命周期的去中心化AI技术
未来去中心化AI计算不仅需要考虑底层的通信、计算、系统架构和隐私保护等关键技术，还要结合AI模型在不同生命周期的特点，提供高效自治的智能AI管理。例如，在去中心化AI模型训练阶段，谷歌提出的联邦学习本质上是一种分布式机器学习框架，其目标是在保证数据隐私安全及合乎法律法规的基础上，实现多方的共同学习、建模，从而达到提升AI模型的效果，拓展AI应用场景。在去中心化AI模型的部署推理阶段，通过异构通信架构和D2D通信等技术有效利用闲置终端设备和计算节点的资源，设计去中心化的协作式AI模型推理，有效解决了单一终端设备计算资源有限、能量消耗大、推理时延高等问题，加速终端侧AI向中心化和分布式协作式AI演进。
3去中心化AI的技术挑战和研究方向
3.1去中心化AI面临的技术挑战
联邦学习、区块链和加密计算等技术的出现为创建去中心化AI应用提供了可行的技术路径。然而，目前大多数去中心化技术和应用仍处于理论研究阶段，在实际应用中仍面临着诸多挑战。
（1）算力挑战
区块链利用分布式账本和智能合约等技术在执行机器学习（例如深度学习）这类计算密集型的任务时，需要付出昂贵的代价，且性能有限。尽管去中心化AI促进了参与者之间的数据共享，增强了参与者间的信任，提升了机器学习模型的精度和质量，然而，昂贵的计算成本和较低的计算效率阻碍了去中心化AI应用部署于真实场景中。因此，在未来6G去中心化AI研究中，如何有效提升去中心化AI网络中机器学习等复杂模型的推理、执行效率，降低计算成本是推动去中心化AI进一步发展的挑战之一，这也是大多数企业在基础设施上面临的挑战。
（2）激励机制挑战
去中心化AI的架构需要依靠一定的激励机制来驱动不同的网络节点参与到数据共享、计算共享中来。尤其是涉及到价值大的数据或计算时，通常需要较为可观的投资回报和稳定的激励机制来维持去中心化AI网络的健壮运行。除此之外，存在漏洞的激励机制可能会引起操纵去中心化网络行为的恶意攻击，导致参与者的信息泄漏、利益受损等后果，用户将逐渐脱离去中心化AI网络中。因此，安全、可靠的激励机制时保障去中心化网络的重要基础。
（3）异构终端通信挑战
未来6G去中心化网络中泛在互联的终端设备类型多种多样，不同的计算架构、终端类型、通信协议和网络条件要求去中心化网络具备低时延和高可靠通信条件。此外，6G去中心化网络将会在网络节点间频繁地传输数据，通信链路的质量和时延是保障去中心化计算结果一致性和确定性的重要基础。因此，异构终端设备间的高可靠通信对6G去中心化网络互联带来了挑战。
（4）自适应协作计算挑战
去中心化计算的特点要求在节点间能够根据设备之间的差异和计算任务的特点动态地提供自适应协作机制。通常，单一的设备需要耗费大量时间和能量完成较大的计算任务，无法满足用户的需求。去中心化的自适应协作机制能够提供在多设备之间动态卸载计算，根据设备特性和任务特点动态分配任务，协作完成任务计算。因此，如何在多终端设备或网络节点间提供自适应协作计算机制，将是6G去中心化AI的挑战之一。
3.2未来去中心化AI的研究方向
6G去中心化AI未来将成为工业自动化、智慧生活、大规模物联网等应用的关键技术，未来不应将去中心化AI应用看作一个整体，而是根据AI应用所处的生命周期，例如去中心化AI数据共享、训练、推理以及去中心化AI模型等方面。因此，未来去中心化AI可能的研究方向主要包括以下几方面：
（1）去中心化的数据分享
去中心化的网络结构和激励机制有效驱动了参与者发布和共享数据，从而使得参与者仅通过共享数据也可以获得更为精准的AI模型。然而，针对去中心化的数据共享协议的研究还尚未成熟。海洋协议（OceanProtocol）是目前广泛支持使用的一种去中心化通信架构，但是在计算密集的深度学习数据上的共享使用还需要深入的研究。
（2）去中心化AI模型训练与预测
基于去中心化数据共享的基础上，通常下一步是利用去中心化网络完成AI模型的训练，并利用新增的数据不断地改进、提升AI模型的精度。最后，将已训练、可用的AI模型结果发布，从而对外提供预测。因此，如何提出高效、安全的去中心化AI模型训练方法也是未来的研究方向之一。
（3）去中心化AI模型
严格来说，目前大多数AI模型和应用主要针对传统的集中式AI应用场景。在去中心计算下，如何使得AI服务在其所有的生命周期内都能够去中心化的执行，无论是数据还是AI模型本身均更符合去中心化网络的计算特征，能够提升去中心化AI的效率与精度，从而推动去中心化AI的不断发展。
4结束语
随着全球5G商用部署进入关键阶段，对下一代移动通信系统（6G）的探索已经进入初期阶段。本文主要讨论了6G网络中去中心化AI的现状、挑战和未来发展趋势，从海量、异构的终端设备通信、节点高度自治、数据共享和动态自适应协作角度分析了去中心化计算的关键特征，讨论了未来去中心化AI的理论与技术，并提出了去中心化AI的技术挑战和研究方向。
doi:10.3969/j.issn.1006-1010.2020.06.018
中图分类号：TP393文献标志码：A
文章编号：1006-1010(2020)06-0121-05
引用格式：乔秀全,黄亚坤.面向6G的去中心化的人工智能理论与技术[J].移动通信,2020,44(6):121-125.
作者简介
黄亚坤：北京邮电大学网络与交换技术国家重点实验室在读博士研究生，主要研究方向为边缘计算、5G创新应用、6G网络基础理论和关键技术。返回搜狐，查看更多