僅由人設計電信系統(tǒng)的時代即將結(jié)束。從現(xiàn)在開始，人工智能（AI）將在這些系統(tǒng)的設計和運行中扮演關(guān)鍵角色。原因很簡單：迅猛升級的復雜性。

每一代通信系統(tǒng)都致力于改善覆蓋范圍、比特率、用戶數(shù)量和功耗。但與此同時，工程方面的挑戰(zhàn)也變得愈加艱難。為了保持創(chuàng)新，工程師們不得不在日益復雜的技術(shù)權(quán)衡網(wǎng)絡中摸索。 在電信領域，復雜性的一個主要來源就是我們所說的損耗。損耗包括能夠惡化或干擾通信系統(tǒng)將信息從A點傳送到B點的能力的任何因素。例如，無線電硬件本身在發(fā)送或接收信號時會增加噪聲，從而損耗信號。信號傳遞到目的地的路徑或信道也會損耗信號。有線信道是這樣，比如附近的電力線會造成嚴重的干擾；無線信道也是如此，例如，信號在城區(qū)建筑物周圍的反射會產(chǎn)生嘈雜、扭曲的環(huán)境。 這些都不是新問題。事實上，從最早的廣播時代開始就存在這樣的問題。與以往不同的是，物聯(lián)網(wǎng)的日益興起推動著無線通信呈爆炸式增長。結(jié)果便是，正當對高比特率和低遲延的需求激增時，所有這些損耗帶來的綜合影響變得更加嚴重。 有辦法突出重圍嗎？我們相信有，答案就是機器學習。AI在總體上的突破，以及機器學習在一些特定領域的突破，使得工程師能夠在涉及大量數(shù)據(jù)的復雜情況下不斷提升性能而不會被數(shù)據(jù)淹沒。這些進展提出了一個不容忽視的問題：如果有足夠的數(shù)據(jù)，神經(jīng)網(wǎng)絡（一種機器學習模型）真的能設計出比人類設計的更好的通信信號嗎？換句話說，一臺機器能學習如何與另一臺機器進行無線通信，并比人設計的通信信號效果更好嗎？ 根據(jù)我們在NASA空間通信系統(tǒng)方面所做的工作，我們確信答案是肯定的。自2018年起，我們開始利用NASA跟蹤和數(shù)據(jù)中繼衛(wèi)星系統(tǒng)（TDRSS）——又稱空間網(wǎng)絡（Space Network）——進行試驗。在該系統(tǒng)中，我們應用機器學習實現(xiàn)極其復雜環(huán)境中的無線通信。這些試驗的成功預示著一個可能的未來，即通信工程師將不再專注于開發(fā)無線信號，而是更專注于構(gòu)建設計這些信號的機器學習系統(tǒng)。 多年以來，通信工程師們發(fā)明出數(shù)不清的技術(shù)來減少信號在無線通信中的損耗。例如，其中一個辦法是通過多個通道發(fā)送信號，當任何一個通道受干擾時，都可復原信號。另一種辦法是利用多個天線，當信號在環(huán)境中被障礙物反射時，天線可以接收不同路徑的信號。這使得信號到達時間不同，避免短促的意外干擾。但這些技術(shù)也使無線設備本身更加復雜。 完全地解釋損耗從來都是不切實際的，因為造成損耗的無線電系統(tǒng)和環(huán)境非常復雜。為此，通信工程師開發(fā)了各類統(tǒng)計模型，可以近似估算信道損耗所帶來的影響。這些統(tǒng)計模型為通信工程師提供了不錯的想法，幫助它們解決如何為特定無線系統(tǒng)設計和制造設備，盡可能減少損耗的問題。 然而，使用統(tǒng)計模型來指導通信信號的設計并不能一勞永逸地解決問題。如今最新的電信系統(tǒng)，例如5G蜂窩網(wǎng)絡，已經(jīng)面臨著新的問題。這些系統(tǒng)太復雜，連接設備的數(shù)量太多。為了滿足當前和未來幾代無線系統(tǒng)的需求，通信工程急需找到一種類似AI的新方法。 準確地說，在通信系統(tǒng)中應用AI并不是一個新的概念。自適應無線設備、智能無線設備和認知無線設備越來越多地應用在軍事和其他領域，它們都利用AI挑戰(zhàn)環(huán)境問題，提高性能。 但是現(xiàn)有的這些技術(shù)都圍繞著如何調(diào)整無線通信系統(tǒng)的行為。例如，4G LTE無線網(wǎng)絡采用了AI技術(shù)，當發(fā)射端和接收端連接的性能下降時，會降低數(shù)據(jù)速率。較低的數(shù)據(jù)速率可以避免低帶寬信道超載，導致數(shù)據(jù)丟失。再比如，如果出現(xiàn)干擾，藍牙系統(tǒng)中的AI技術(shù)可改變信號的頻率，避免干擾。 這里的重點是，AI在過去曾被用來修改通信系統(tǒng)中的設置。但之前未用AI設計信號本身。 本文作者之一蒂姆?奧謝亞（Tim O’shea）于2013年至2018年在弗吉尼亞理工大學攻讀博士期間，研究了如何將深度學習應用于無線信號處理。2016年底，奧謝亞與資深工程師兼企業(yè)家吉姆?謝亞（Jim Shea）共同創(chuàng)立了DeepSig公司，以其研究成果為基礎，創(chuàng)建技術(shù)原型。這家位于弗吉尼亞州阿靈頓的公司的目標是，識別在通信系統(tǒng)中哪些人類設計達到了極限，以及研究神經(jīng)網(wǎng)絡如何工作，幫助人類突破這一極限（后面會詳細介紹）。 在進一步深入之前，先了解一下通信工程師是如何設計無線設備的物理組件的，這些組件負責創(chuàng)建要傳輸?shù)男盘?。傳統(tǒng)的方法是從一個統(tǒng)計模型開始，該模型與要構(gòu)建的實際信道相似。例如，如果設計一個用于密集城區(qū)的手機信號塔，你可選擇一個解釋信號如何在有很多建筑物環(huán)境中傳播的模型。 該模型支持信道探測，信道探測是在真實環(huán)境中使用測試信號進行的實際物理測量。接下來工程師設計一個無線調(diào)制解調(diào)器，對無線信號進行調(diào)制和解調(diào)，進而對二進制代碼的1和0進行編碼，這在該類模型中性能良好。所有設計都必須進行模擬和真實的試驗測試，然后進行調(diào)整和重新測試，直到其達到預期效果。這是一個緩慢而費力的過程，它經(jīng)常導致無線設備設計的妥協(xié)，比如濾波器的質(zhì)量。一般來說，在窄頻帶工作的無線設備可以很好地濾除噪聲，但寬頻帶無線設備的濾波效果則較差。

通過努力，DeepSig實現(xiàn)了一種可以創(chuàng)建信號的新技術(shù)，我們稱之為信道自動編碼器。它的工作原理是訓練兩個串聯(lián)起來的深度神經(jīng)網(wǎng)絡，一個編碼器和一個解碼器，一起有效地作為信道的調(diào)制解調(diào)器。編碼器將需要傳送的數(shù)據(jù)轉(zhuǎn)換成無線信號，而在信道的另一端（即受到損耗的一端），解碼器從接收到的無線信號中重建被傳送數(shù)據(jù)的最佳估值。

這里我們花點時間，一步一步地講解信道自動編碼器的工作原理。自動編碼器的核心是兩個神經(jīng)網(wǎng)絡。你可能聽說過用于圖像識別的神經(jīng)網(wǎng)絡。一個簡單的例子，研究人員可能會向神經(jīng)網(wǎng)絡“展示”數(shù)千張狗和其他動物/物體的圖像。然后，該網(wǎng)絡的算法可以區(qū)分“狗”和“非狗”，并優(yōu)化識別未來出現(xiàn)的狗的圖像，即使這些圖像對該網(wǎng)絡是新奇的。在這個例子中，“狗”就是訓練神經(jīng)網(wǎng)絡識別的圖像。 在這個應用中，研究人員訓練神經(jīng)網(wǎng)絡識別與圖像對應的輸入數(shù)據(jù)的特征。當一個新的圖像出現(xiàn)時，如果輸入數(shù)據(jù)有相似的特征，便會產(chǎn)生相似的輸出。所謂“特征”，是指數(shù)據(jù)中存在的一種模式。在圖像識別中，它可能是所見圖像的一個局部。在語音識別中，它可能是音頻中一種特定的聲音。在自然語言處理中，它可能是一個片段所體現(xiàn)的情感。

你可能記得我們說過，信道自動編碼器會使用深度神經(jīng)網(wǎng)絡。這意味著每一個神經(jīng)網(wǎng)絡都由許多層組成（通常有數(shù)百個），它能夠?qū)斎霐?shù)據(jù)做出比簡單神經(jīng)網(wǎng)絡更為詳細的決策。每一層都使用前一層的結(jié)果，獲取越來越復雜的見解。例如，在計算機視覺中，一個簡單的神經(jīng)網(wǎng)絡可以告訴你一個圖像是否是一只狗，而一個深度神經(jīng)網(wǎng)絡可以告訴你有多少只狗或者它們在圖像中的位置。

您還需要知道什么是自動編碼器。自動編碼器最早在1986年由機器學習的先驅(qū)杰弗里?辛頓（Geoffrey Hinton）為解決數(shù)據(jù)壓縮的一些問題而發(fā)明的。自動編碼器應用中有兩個神經(jīng)網(wǎng)絡，一個是壓縮器，另一個是解壓器。顧名思義，壓縮器根據(jù)數(shù)據(jù)類型學習如何有效地壓縮數(shù)據(jù)，例如壓縮PDF與壓縮JPG的方式會有所不同。解壓器的作用則相反。關(guān)鍵是壓縮器和解壓器都無法單獨工作，它們需要共同實現(xiàn)自動編碼器的功能。 現(xiàn)在把這些內(nèi)容都放到無線信號的背景下。信道自動編碼器的功能與傳統(tǒng)自動編碼器相同，但不是針對不同類型的數(shù)據(jù)進行優(yōu)化，而是針對不同的無線信道進行優(yōu)化。自動編碼器由兩個深度神經(jīng)網(wǎng)絡組成，分別位于信道的兩側(cè)，學習如何調(diào)制和解調(diào)無線信號類型，共同構(gòu)成調(diào)制解調(diào)器。其要點是，與通常用于通信的那些一碼通用的一般信號不同，信道自動編碼器可以為無線信道創(chuàng)建更好的信號。 我們之前提到過信道探測，它們通過無線信道發(fā)送測試信號，用于測量干擾和失真。這些探測是信道自動編碼器的關(guān)鍵，因為它們能讓我們了解信號在穿過信道時會遇到哪些障礙。例如，若2.4千兆赫頻段非?；钴S，表明附近有一個Wi-Fi網(wǎng)絡；如果無線設備接收到測試信號的許多回聲，那么環(huán)境中很可能充滿了許多反射面。 當探測完成后，深度神經(jīng)網(wǎng)絡就可以開始工作了。首先，編碼器利用從探測中收集到的信息進行編碼，將數(shù)據(jù)調(diào)制成無線信號。這意味著在這一側(cè)，神經(jīng)網(wǎng)絡考慮到了無線設備自身的模數(shù)轉(zhuǎn)換器和功率放大器的影響，以及已知的反射面和探測中的其他損耗。在此過程中，編碼器產(chǎn)生的無線信號能夠抵抗信道中的干擾和失真，開發(fā)出傳統(tǒng)方法難以得到的復雜方案。 在信道的另一側(cè)，作為解碼器的神經(jīng)網(wǎng)絡進行同樣的工作，只是過程相反。當它接收到信號時，會利用它學習到的信道信息來消除干擾的影響。在這種情況下，網(wǎng)絡將通過逆向失真和反射以及編碼冗余估算被傳送的比特序列。糾錯技術(shù)也可以發(fā)揮作用，幫助清理信號。在該過程結(jié)束時，解碼器就恢復了原始信息。 在訓練過程中，神經(jīng)網(wǎng)絡根據(jù)工程師想要優(yōu)化的指標（無論是重建數(shù)據(jù)的錯誤率、無線系統(tǒng)的功耗還是其他指標）獲得當前性能的反饋。在沒有人工直接干預的情況下，神經(jīng)網(wǎng)絡利用反饋來提高針對這些指標的性能。 信道自動編碼器的優(yōu)勢之一是它能以相同的方式處理所有的損耗，不管它們的來源是什么，也不管這種損耗是來自附近無線設備內(nèi)部的硬件失真，還是來自另一個無線設備的空中干擾。這說明神經(jīng)網(wǎng)絡可以同時考慮所有的損耗，并產(chǎn)生對特定信道最有效的信號。 DeepSig的團隊相信，通過訓練神經(jīng)網(wǎng)絡來管理一對調(diào)制解調(diào)器的信號處理將是通信系統(tǒng)設計方式的一個巨大轉(zhuǎn)變。我們清楚，如果要證明這種轉(zhuǎn)變不僅是可能的，而且是值得的，那我們就必須對這個系統(tǒng)進行完全的測試。

所幸的是，在NASA，本文作者之一喬?唐尼（Joe Downey）和他的同事亞倫?史密斯（Aaron Smith）已經(jīng)注意到DeepSig的想法，正在考慮這樣一個測試。

自20世紀80年代早期以來，NASA的TDRSS一直為近地衛(wèi)星提供通信和跟蹤服務。TDRSS本身包括地面站和衛(wèi)星群，并與地球軌道衛(wèi)星和國際空間站保持持續(xù)連接。TDRSS衛(wèi)星作為中繼，在全球其他衛(wèi)星和地面站天線之間傳輸信號。這個系統(tǒng)不需要建立更多的地面站來保證與衛(wèi)星保持聯(lián)系。如今，共有10顆TDRSS衛(wèi)星為國際空間站、商業(yè)補給任務以及NASA的空間和地球科學任務提供服務。 當TDRSS首次上線時，航天器使用低數(shù)據(jù)速率信號，這些信號具有很強的魯棒性和抗噪能力。然而，最近的科學和載人航天任務需要更高的數(shù)據(jù)吞吐量。為了滿足需求，TDRSS的信號在相同的帶寬內(nèi)塞入了更多的信息，代價是這類的信號對損耗更為敏感。到2010年左右，NASA對TDRSS的需求變得巨大，以至在不斷增長的損耗之中很難設計出良好的信號。我們希望神經(jīng)網(wǎng)絡可不那么困難地獨自處理這個問題。 對我們來說，TDRSS的一個關(guān)鍵特點是它的衛(wèi)星不進行任何信號處理，只是簡單地從地面站或另一個衛(wèi)星接收信號，放大信號，然后重新發(fā)送至目的地。這意味著通過TDRSS傳輸?shù)男盘柕闹饕獡p耗來自無線設備自身的放大器和濾波器，另外還有同步信號間的干擾所造成的失真。你可能還記得，我們的神經(jīng)網(wǎng)絡并不會區(qū)分各種形式的干擾，而是把它們都當作信號必須經(jīng)過的外部信道的一部分。 TDRSS提供了一個理想的場景，用來測試在復雜的現(xiàn)實環(huán)境中AI開發(fā)信號的能力。通過TDRSS與衛(wèi)星進行通信充滿了干擾，但這是一個全面的測試系統(tǒng)。這意味著我們可以很好地理解目前的信號表現(xiàn)如何，也可以比較方便地檢查我們的系統(tǒng)效果如何。更好的是，測試完全不需要修改現(xiàn)有的TDRSS設備。信道自動編碼器已經(jīng)包括了調(diào)制解調(diào)器，插入TDRSS設備就可進行傳輸。 2018年7月下旬，經(jīng)過數(shù)月的準備，DeepSig團隊前往位于克利夫蘭的格倫研究中心的NASA認知無線電實驗室。在那里，他們在一個實時的無線通信實驗中使用神經(jīng)網(wǎng)絡產(chǎn)生的信號來測試調(diào)制解調(diào)器。測試的目的是將TDRSS系統(tǒng)使用的信號調(diào)制與我們的信道自動編碼器系統(tǒng)同時運行，使我們能夠直接比較它們在現(xiàn)實信道中的性能。 在格倫研究中心，DeepSig團隊與NASA的研究科學家和工程師們一起，在俄亥俄州和新墨西哥州的NASA地面站，將經(jīng)過驗證的、人工設計的調(diào)制解調(diào)器替換為使用信道自動編碼器創(chuàng)建的神經(jīng)網(wǎng)絡。在測試期間，傳統(tǒng)的TDRSS信號以及我們的自動編碼器產(chǎn)生的信號，將從一個地面站傳送到一顆衛(wèi)星上，然后返回到第二個地面站。由于我們使用的帶寬和頻率相同，因此現(xiàn)有的TDRSS系統(tǒng)和信道自動編碼器所面對的環(huán)境也是完全相同的。 當測試結(jié)束時，我們發(fā)現(xiàn)傳統(tǒng)TDRSS系統(tǒng)的誤碼率略高于5%，這意味著大約每20比特信息中就有1比特由于中途損耗而無法正確到達。而信道自動編碼器的誤碼率則略低于3%。值得一提的是，為了方便進行直接比較，這些測試并沒有包括標準的事后糾錯。通常，這兩個系統(tǒng)的誤碼率都會更低。然而，僅在這一項測試中，信道自動編碼器就將TDRSS的誤碼率降低了42%。 這項TDRSS測試是該技術(shù)的早期演示，但它是使用機器學習算法設計無線電信號的重要驗證。這些信號一定能在具有挑戰(zhàn)性的環(huán)境中發(fā)揮作用。最令人興奮的是，神經(jīng)網(wǎng)絡能夠產(chǎn)生人們用傳統(tǒng)方法無法輕易或明顯想象出的信號。這意味著這些信號可能不同于無線通信中使用的任何標準信號調(diào)制。這主要是因為，針對有問題的信道，自動編碼器從頭開始構(gòu)建信號，包括頻率、調(diào)制、數(shù)據(jù)速率等各個方面。 還記得我們曾說過今天的信號創(chuàng)建和處理技術(shù)是一把雙刃劍嗎？隨著系統(tǒng)可用數(shù)據(jù)的增加，傳統(tǒng)的信號調(diào)制方法會變得越來越復雜。但隨著數(shù)據(jù)更加充裕，機器學習方法反而愈加茁壯，這種方法不受復雜無線電設備的妨礙，這說明“雙刃劍”的問題已經(jīng)解決了。 最重要的是：出現(xiàn)了一個新的通信信道后，機器學習系統(tǒng)能夠在短短幾秒鐘內(nèi)訓練該信道的自動編碼器。相比之下，開發(fā)一個新的通信系統(tǒng)通常需要一個經(jīng)驗豐富的專家團隊花上幾個月的時間。 很顯然，機器學習不是不需要通信工程師對無線通信和信號處理的理解，而是引入了一種新的方法來設計未來的通信系統(tǒng)。這種方法非常強大和有效，不應該排除在未來系統(tǒng)之外。 隨著TDRSS實驗和隨后研究的開展，我們看到了對于信道自動編碼器的研究熱情越發(fā)高漲，應用前景越發(fā)光明，特別是在信道建模困難的領域。在Asilomar、GNU無線電會議和IEEE全球通信會議等主要無線通信會議上，利用AI設計通信系統(tǒng)已成為一個熱門話題。 未來的通信工程師們將不再是單純的信號處理和無線工程師。相反，他們的技能需要跨界無線工程和數(shù)據(jù)科學。包括得克薩斯大學奧斯汀分校和弗吉尼亞理工學院在內(nèi)的一些大學，已經(jīng)開始將數(shù)據(jù)科學和機器學習引入無線工程研究生和本科生課程。 信道自動編碼器還不是一種即插即用的技術(shù)。要進一步實現(xiàn)技術(shù)開發(fā)和完善底層計算機架構(gòu)，還有很多工作要做。信道自動編碼器如果要成為現(xiàn)有廣泛使用的無線系統(tǒng)的一部分，必須經(jīng)過嚴格的標準化過程，還需要專門設計的計算機架構(gòu)來最大限度地提高其性能。 TDRSS的損耗是很難優(yōu)化的。這就引出了最后一個問題：如果信道自動編碼器能夠很好地用于TDRSS，那是不是也可以用于其他無線系統(tǒng)呢？我們的答案是，沒有理由認為不能。