当AI走向物理世界,通信为什么越来越重要?

通信是一个对大多数人来说既熟悉又陌生的领域。

从手机通话、视频会议到移动支付,我们几乎每天都在使用通信技术,却很少关注支撑这些应用的网络究竟如何运行,以及通信领域的科学家们正在研究什么。

过去几十年,移动通信技术从 1G 发展到 5G。对于普通用户而言,最直观的变化是网速越来越快、时延越来越低,网络能够连接的设备也越来越多。

但近年来,人工智能的发展开始给通信领域带来一些新的变化。

随着 AI 逐渐进入手机、汽车、智能眼镜和机器人,越来越多的设备开始具备感知、计算和决策能力。它们之间需要交换的,除了文字、声音和图像,还可能是模型参数、环境信息和控制指令。通信网络也开始承担起支持 AI 模型训练、推理以及多设备协作的任务。

例如,多台设备能否通过无线网络共同训练一个 AI 模型?当无人机信号变弱、无法完整传回图像时,能否只传输少量关键信息,让接收端利用 AI 重建画面?如果未来数十台机器人需要共同完成一项任务,网络又该如何协调它们之间的信息交换与计算资源?

这些问题正在成为下一代移动通信技术的重要研究方向。对于 6G 而言,除了进一步提高传输速度、降低时延,如何让通信网络更有效地支持人工智能,也成为研究者关注的重点。

浙江大学信息与电子工程学院研究员杨照辉,就是其中一位。2026 年 9 月,杨照辉入选《麻省理工科技评论》“35 岁以下科技创新 35 人”(TR35)亚太区榜单。目前,他是浙江大学信息与电子工程学院百人计划研究员、博士生导师,长期从事智能通信计算融合系统研究。

从最早研究 4G 基站选址,到 5G 时代的分布式资源分配,再到如今面向 6G 的无线联邦学习、语义通信和通算智融合,他始终关注如何让大规模网络中的不同设备更有效地协同工作。

在无线联邦学习领域,他和团队建立了无线传输误差与分布式学习收敛之间的理论关系,并提出通信与计算协同调度方法。在相关实验条件下,系统时延降低 67%,相同时延约束下的 AI 准确率提升 10%。

如今,杨照辉开始将这些研究进一步延伸到具身智能领域,探索如何让分散在不同设备上的计算资源协同起来,支持多个机器人在真实环境中共同完成任务。

近日,DeepTech 与杨照辉进行了对话。他谈到了自己的研究经历,以及 AI 给通信领域带来的新问题,并分享了对 6G、语义通信和具身智能网络未来发展的判断。

从 4G 到 6G,通信研究的问题变了

DeepTech:你最早为什么选择通信专业?从 4G 研究到今天的通信与 AI 融合,你的研究方向是怎样一步步变化的?

杨照辉:最初选择通信专业,源于高中时的一次大学宣讲。2010 年,东南大学的学长学姐来到学校,介绍通信专业及其在 4G 手机研发中的应用。当时智能手机正处于快速发展阶段,我对这项与日常生活密切相关的前沿技术很感兴趣,因此选择了通信专业。

大二时,我加入东南大学移动通信国家重点实验室陈明教授的团队,参与华为相关项目,研究 LTE 基站的站址规划。基站的部署位置直接影响区域内的网络质量,我们希望通过数学分布式组合优化方法,找到更合理的布局方案。

随着通信技术向 5G 演进,网络规模不断扩大,资源配置和设备协同的问题日益复杂。博士期间,我开始研究大规模无线网络中的分布式资源分配。

2018 年博士毕业后,我前往英国从事博士后研究。当时,联邦学习在计算机领域受到广泛关注,我与合作者开始探索将其引入无线网络,逐渐转向通信与分布式人工智能的交叉研究。

回顾这些年的研究经历,方向的变化主要受到技术发展的推动。从 4G 基站优化、5G 分布式资源分配,到面向 6G 的通信与 AI 融合,贯穿其中的核心问题始终是如何实现大规模网络的高效协同。

DeepTech:从 1G 发展到 5G,普通用户最直观的感受是网速越来越快、时延越来越低。到了 6G 时代,通信领域最需要解决的问题是什么?

杨照辉:过去几代移动通信技术,主要沿着香农信息论建立的理论框架发展,希望传输速度更快、时延更低,同时支持更多用户接入网络。

经过这么多年的研究,我们在一些传统通信指标上已经取得很大进展。继续提高性能当然还有空间,但越接近现有理论和技术条件下的性能极限,进一步提升所付出的代价就可能越大,边际收益也会下降。

从用户需求来看,4G 已经能够支持在线观看视频。5G 虽然进一步提高了网速,但普通用户未必能在所有场景中感受到同样明显的变化。如果未来出现全息视频、沉浸式交互等新的应用,对网络能力的要求又会不同。

因此,我认为通信领域需要寻找新的研究方向,其中很重要的一条,就是通信与人工智能的融合。

过去,我们更多把通信网络理解成信息传输的管道,主要考虑怎样把数据准确、快速地送到接收端。未来,网络可能还要参与计算、感知和决策。特别是当 AI 进入大量终端设备之后,通信系统需要与这些设备所执行的智能任务共同设计。

相应地,评价一个网络的性能,除了看传输速率和时延,还要考虑 AI 任务能否顺利完成、模型准确率有多高,以及整个系统消耗了多少资源。

这也是我认为 6G 值得探索的方向。我们希望通过通信与其他技术的交叉融合,进一步提高整个系统的效率。

图|基于四足机器人的具身智能通信计算融合平台(来源:杨照辉研究员课题组)

当 AI 分布在不同设备上,怎样让它们共同学习?

DeepTech:你很早就开始研究无线联邦学习。能否通过一个具体例子,解释为什么多个设备需要通过无线网络共同训练 AI 模型?

杨照辉:可以用大家熟悉的输入法来解释。我们输入几个字时,输入法会根据使用习惯预测后面的内容。如果能够利用大量用户的使用行为进行学习,预测结果可能更加准确。但每个人输入的内容可能包含个人隐私,我们又不希望把所有原始数据都集中上传到服务器。

联邦学习提供了一种解决思路:数据保留在本地设备,各个设备利用自己的数据训练模型,再把模型更新信息传给服务器进行整合。这样既可以利用分散的数据共同训练模型,也能够减少直接共享原始数据的需求。当然,模型更新信息本身仍然可能泄露隐私,实际应用中还需要配合其他隐私保护机制。

比如,你可能从来没有输入过某部电影的名字,但其他用户已经输入过很多次。如果模型能够从这些分散的数据中学习,就有机会更准确地预测你接下来想输入的内容。

不过,当我们把联邦学习放到无线网络中,问题就复杂了。计算机领域的一些早期研究,会将设备之间的通信看成一个相对稳定的过程。但无线网络具有随机性,用户一边移动,信道质量就可能不断变化。

举个例子,我们三个人共同训练一个模型,其中一个人的信号突然变差,传输速度明显下降。如果另外两个人必须一直等他完成传输,整个训练过程就会被拖慢。

我们当时觉得,这里面存在一个很有价值的交叉研究方向:能否把无线通信的不确定性引入分布式学习的理论模型,再根据网络的实际情况设计通信和计算资源的分配方式?这也是我们最早开始研究无线联邦学习的原因。

图|面向 6G 网络的联邦学习系统示意(来源:Yang et al., Engineering, 2022)

DeepTech:具体到技术层面,你和团队是怎样解决这些问题、提高 AI 训练效率的?

杨照辉:一个重要问题是,通信和计算的资源需要相互配合。

比如,一台设备正在传输模型参数,另一台设备可能要等全部数据接收完成后,才能开始计算。如果系统中的很多设备都采用这种方式,就会产生大量等待时间。

我们希望通过通信与计算的协同调度,让不同设备更合理地安排传输和计算过程。在任务允许的情况下,可以让部分传输和计算并行进行,减少设备之间不必要的等待。

我们团队的相关研究建立了无线传输误差与分布式学习收敛之间的理论关系,并在此基础上设计资源调度机制。在特定实验条件下,系统时延降低了 67%,相同时延约束下的 AI 准确率提升了 10%。

这些结果说明,AI 的学习效率与底层通信方式有很大关系。除了改进模型算法,我们还可以通过优化通信网络和资源调度,提高整个系统的运行效率。

后来,我们又把这类思路应用到大模型的分布式训练和微调中。比如,一家企业已经在本地部署了大模型,使用一段时间后,需要根据新的业务数据进行更新。如果每次都重新训练全部参数,计算和通信成本会非常高。

我们研究的方法,是让多个设备利用各自的计算资源协同完成模型更新,同时只调整少量参数,使模型适应新的任务。

大模型发展得很快,具体的模型架构也在不断变化。我们希望建立一种具有一定通用性的分布式训练和微调框架,让不同类型的大模型都能够利用这些分散的计算资源。

这样一来,一些计算资源有限的企业,也有机会利用现有设备完成部分大模型训练和更新工作,降低应用大模型的成本。

从传输数据,到传递 AI 真正需要的信息

DeepTech:除了分布式学习,你近年来还在研究语义通信。传统通信已经能够准确传输文字、图片和视频,为什么还需要进一步考虑信息的含义?

杨照辉:可以先想一个问题:如果我希望让你理解一篇文章,是否一定需要把文章里的每一个字都传过去?

传统通信系统主要关注信息能否准确传输。例如,发送端传输一张图片,接收端希望尽可能完整地还原图片中的内容。我们可以把它理解为,将一份信息从一个地方复制到另一个地方。

但在一些实际任务中,接收端可能只需要知道图片里有什么,或者接下来应该执行什么操作。这时,完整传输所有数据就可能产生不必要的开销。

比如朱自清的《背影》,很多人读过这篇文章,多年以后可能已经记不住具体文字,却仍然记得其中表达的父子情感。如果交流的目的只是传达这层含义,就可以用很少的文字来概括。

语义通信研究的就是这类问题。我们希望根据具体任务,提取和传输其中最重要的信息,让接收端能够利用这些信息完成任务。

这与人工智能的发展有很大关系。过去,通信系统很难判断一段信息中哪些内容更重要。但随着 AI 对文字、图像等信息的理解和处理能力提高,我们有机会利用模型提取任务相关的特征,再通过无线网络进行传输。

未来,大量智能设备之间的通信可能都是为了完成某项任务。它们需要交换的信息,也许只是环境中的关键特征、模型结果或者控制指令。

比如,我告诉你今天气温很高,如果只是传递信息,你需要先理解这句话,再决定要做什么。但对于一个智能设备,我们可能直接发送打开空调的指令,让它完成相应操作。

从传输原始数据,到传输信息的含义,再到面向具体任务的指令,这是我们希望继续探索的方向。

图|原始图像与基于语义信息重建图像的比较(来源:Zhu et al., arXiv, 2025)

DeepTech:听起来,语义通信可以明显减少需要传输的数据。你和团队有没有做过一些实际实验,验证这种方式的效果?

杨照辉:我们做过一个无人机图像传输的演示系统。无人机距离接收端比较近时,可以正常传输拍摄的画面。但随着飞行距离增加,无线信号逐渐变弱,完整图像就可能无法稳定传回来。

这时,如果仍然要求接收端准确获取所有图像数据,就会受到无线信道传输能力的限制。

我们尝试利用语义通信解决这个问题。在信号条件较差时,先从图像中提取重要的语义信息,以较少的数据量传输给接收端,再利用接收端已有的知识和生成模型重建画面。在我们的演示中,即使传统图像传输已经出现明显困难,接收端仍然能够利用收到的语义信息生成反映场景主要内容的图像。

这里需要区分两个目标。传统图像传输希望尽可能准确地恢复原始画面,而语义通信更加关注任务所需要的信息。生成模型重建的画面可能保留了主要场景和物体,但某些细节未必与原始图像完全一致。

所以,具体哪些信息可以压缩、哪些必须保留,还要取决于应用场景。如果任务需要精确测量或者识别特定细节,就必须考虑相应的准确性要求。未来随着机器人等智能终端不断增加,我认为这种面向任务的通信方式会有很大的研究空间。

当机器人开始协作,网络需要怎样改变?

DeepTech:如果未来的手机、智能眼镜、汽车和机器人都具备 AI 能力,6G 网络需要作出哪些改变?普通用户可能感受到什么不同?

杨照辉: 我认为首先会发生变化的是通信的内容和方式。

过去,我们主要通过网络传输语音、文字和视频。未来,很多通信需求可能直接来自 AI 任务。

比如,你只需要输入一句话,让 AI 帮你生成一段视频。发送端传输的文字很少,但接收端返回的视频可能包含大量数据。AI 任务还经常需要多轮交互,用户会根据生成结果不断修改要求。

这意味着通信流量的结构正在变化。对于网络来说,除了传输数据,还需要更好地适应不同任务的需求,合理分配资源。

另一个变化是网络本身会更加智能。现在,一些通信参数的调整仍然需要依靠人工经验。未来,我们可以利用 AI 管理网络资源,根据不同智能任务的需求动态调整通信和计算资源,提高网络运行效率。

与此同时,6G 还有一个重要的研究方向,就是通感智一体化。传统无线网络主要负责传输信息,但无线信号在传播过程中,也会受到周围物体和环境变化的影响。我们可以基于 AI 分析这些信号,获取物体位置、运动状态等相关信息。

这样,通信网络在传输数据的同时,也能够承担一定的环境感知任务,并与摄像头、雷达等设备形成互补。

从用户体验来看,未来还有可能出现更加丰富的沉浸式交互。

现在我们远程交流,主要依靠声音和画面。未来配合智能眼镜等新的终端设备,还可能传递动作、体感和周围环境的信息,让远程交流更加接近真实的互动。

当然,这些应用仍然需要相应的终端设备、网络架构和技术支持。但从研究方向来看,6G 所承担的功能正在变得更加丰富。

图|移动具身智能体网络的通信系统模型(来源:Ding, Wang, Zhao, Yang, et al., arXiv, 2026)

DeepTech:如果进一步发展到多机器人协作,通信网络会面临哪些新的问题?这也是你接下来准备重点研究的方向吗?

杨照辉:是的。我们现在很关注具身智能体网络,希望把过去在分布式通信和分布式 AI 方面的研究继续向前推进。

以多台机器人协作完成任务为例,它们首先需要感知周围环境,再交换信息、进行计算和任务分配,最后把控制指令传给相应设备,让机器人真正执行动作。

这就涉及通信、感知、计算和控制之间的协同。我们希望将这些环节结合起来,让多个机器人能够在同一个网络中高效协作。但目前一个比较现实的问题是,机器人的本地计算能力有限,很难独立运行所有复杂的 AI 模型。

因此,我们需要考虑怎样在云端、边缘节点和终端设备之间分配计算任务。比如,把较大的模型部署在云端,把需要快速响应的小模型放在机器人本地,部分计算任务则交给附近的边缘服务器或者基站。

另一个重要问题是,机器人之间究竟应该传递什么信息。现在很多智能体仍然使用自然语言,或者类似文本的形式进行交流。但对于机器人来说,它们未必需要像人类一样,完整描述自己看到的环境。

比如,两台机器人需要共同搬运一个物体,它们可能只需要交换物体的位置、运动状态以及下一步的控制信息。只要能够理解彼此的任务目标,就可以用更简洁的方式进行通信。

我们希望探索更适合机器人协作的通信方式,让它们用更少的信息完成任务,同时保证必要的可靠性。

目前,我们已经在机器狗等设备上开展相关验证,将通信设备与机器人平台结合起来,希望进一步研究多智能体之间的协同感知、通信与控制。

回头看,我的研究一直有两条主线。一条是分布式协同,研究怎样让大规模网络中的不同设备共同工作;另一条是无线通信的随机性,研究怎样在信号不断变化的情况下,保证整个系统的运行效率和可靠性。

最早研究的是很多基站如何协作,后来是多个设备怎样共同训练 AI 模型,再后来是怎样利用分散的计算资源支持大模型。下一步,我们希望让这些分布式智能体真正动起来,在物理环境中协作完成任务。

对未来的通信网络而言,研究目标也会随之变化。除了让信号传得更快,我们还需要考虑,怎样让大量智能设备在复杂环境中稳定地学习、判断和行动。

运营/排版:何晨龙

注:封面/首图由 AI 辅助生成

内容来自 MIT 科技评论 - 本周热榜,版权归原作者所有。

阅读原文 ↗

用 HomepageTab 新标签页关注 RSS,打开浏览器就能看到更新。

安装 HomepageTab