CN120050666A

CN120050666A - 一种通信方法及相关设备

Info

Publication number: CN120050666A
Application number: CN202311594529.6A
Authority: CN
Inventors: 杨璐; 刘哲; 卢嘉勋; 彭程晖; 王君
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2023-11-24
Filing date: 2023-11-24
Publication date: 2025-05-27
Also published as: WO2025107649A1

Abstract

本申请公开了一种通信方法及相关设备，方法包括：生成第一人工智能AI模型；向第二通信装置发送第一信息，所述第一信息用于确定所述第一AI模型。第一通信装置生成第一AI模型之后，通过向接收方发送用于确定第一AI模型的第一信息，以将第一AI模型部署于接收方，实现AI模型的部署、模型的运行、生成或更新等功能。

Description

一种通信方法及相关设备

技术领域

本申请涉及通信技术领域，尤其涉及一种通信方法及相关设备。

背景技术

无线通信，可以是两个或两个以上的通信节点间不经由导体或缆线传播而进行的传输通讯，该通信节点一般包括网络设备和终端设备。

目前，随着通信技术的发展以及人工智能(artificial intelligence，AI)技术的日益成熟，在无线通信系统中，AI逐渐成为通信系统中不可或缺的部分，未来无线网络架构需要支撑大量的AI功能。因此，如何在无线网络中支撑模型的部署是一个亟需解决的问题。

在相关标准中，存在无线网络与AI结合的方案，但是，上述方案均处于对无线网络与AI结合的初级讨论阶段，并不足以支撑AI的部署。

发明内容

本申请提供了一种通信方法及相关设备，能够实现AI模型的部署及实现模型的运行。

本申请第一方面提供了一种通信方法，该方法由第一通信装置执行，该第一通信装置可以是通信设备(如网络设备)，或者，该第一通信装置可以是通信设备中的部分组件(例如处理器、芯片或芯片系统等)，或者该第一通信装置还可以是能实现全部或部分通信设备功能的逻辑模块或软件。在该方法中，第一通信装置生成第一人工智能AI模型，并发送第一信息，该第一信息用于确定第一AI模型。

基于上述技术方案，第一通信装置生成或更新了第一AI模型之后，通过向接收方发送用于确定第一AI模型的第一信息，以将第一AI模型部署于接收方，实现AI模型的部署、模型的运行、生成或更新等功能。

可选地，更新，可以替换为其它术语，例如修改、迭代、优化、处理或者从其他设备处接收等。

本申请中，AI模型、神经网络模型、AI神经网络模型、机器学习模型、AI处理模型等术语可以相互替换。

应理解，第一AI模型组包括第一AI模型和第二AI模型，可以理解为，该第一AI模型组的功能至少通过该第一AI模型的模型处理和第二AI模型的模型处理实现。换言之，第一通信装置接收第二信息之后，该第一通信装置可以通过第二信息包含的第一AI模型组的模型参数或第一AI模型的模型参数将第一AI模型部署于该第一通信装置，并对第一AI模型进行模型处理；相应的，第二通信装置可以对部署于第二通信装置的第二AI模型进行模型处理。可选地，该模型处理可以包括模型的更新处理，模型的训练处理，模型的推理处理中的一项或多项。

可以理解的是，第二通信装置可以有多种实现。

例如，该第二通信装置可以为终端设备，相应的，第一通信装置和第二通信装置可以在侧行链路(sidelink，SL)上进行通信。在这种情况下，第一AI模型和第二AI模型可以称为端端模型，或端端协同模型等。

又如，该第二通信装置可以为网络设备(例如接入网设备)，相应的，第一通信装置和第二通信装置可以在上下行通信链路上进行通信。在这种情况下，第一AI模型和第二AI模型可以称为边端模型，边端协同模型，端边模型，端边协同模型等。

可选地，在第一AI模型组视为一个AI模型的情况下，第一AI模型和第二AI模型可以理解为该一个AI模型中的两个AI子模型。

本申请中，一个AI模型部署于一个通信装置(例如第一AI模型部署于第一通信装置，第二AI模型部署于第二通信装置等)，可以理解为，该一个通信装置获得该一个AI模型的模型参数之后，基于该一个AI模型的模型参数获得/生成/构造该一个AI模型，后续该一个通信装置可以在对该一个AI模型进行模型处理。

可选地，模型参数可以包括模型的超参、模型的数据集(包括模型的输入数据以及与输入数据对应的标签数据)、模型的结构参数中的一项或多项。

可选地，一个AI模型组可以包括两个或以上的AI模型，例如，第一AI模型组除了包括第一AI模型和第二AI模型之外，还可以包括其它AI模型，该其他AI模型可以部署于不同于第一通信装置和第二通信装置的其它通信装置，此处不做限定。

应理解，不同通信装置(例如第一通信装置和第二通信装置)之间可以传输无线通信信号(例如通信资源的配置信息的收发，参考信号的收发等)。

可选地，本申请涉及的AI模型(例如第一AI模型、第二AI模型等)可以用于对该无线通信信号进行管理(包括配置、更新、优化中的至少一项)，例如该AI模型可以包括用于调制和/或解调的AI模型、用于信道预测的AI模型、用于波束管理的AI模型、用于辅助定位的AI模型，用于信道压缩的AI模型，用于资源调度的AI模型，用于替换发射机和/或接收机中一个或者多个模块的AI模型中的一项或多项。或者，本申请涉及的AI模型也可以是用于其它AI任务的AI模型，例如用于图像识别的AI模型、用于自然语言处理的AI模型、用于计算机视觉的AI模型等。

在第一方面的一种可能的实现方式中，第一通信装置为用于生成第一AI模型的功能实体。

基于上述技术方案，第一通信装置可以用于生成/获得/确定/更新一个或多个AI模型。

在第一方面的一种可能的实现方式中，该第一通信装置为用于生成第一AI模型，并通过第一信息将第一AI模型部署于第二通信装置的功能实体。

基于上述技术方案，第一通信装置可以与一个或多个第二通信装置通信，并且，第一通信装置可以向第二通信装置发送一个或多个第一通信装置的信息(例如一个或多个第一信息)，以在一个或多个第二通信装置部署第一AI模型。

在第一方面的一种可能的实现方式中，第一AI模型为专用AI模型。

基于上述技术方案，第二通信装置可以为终端设备，为此，部署于该终端设备的AI模型可以为专用AI模型，并且，第一通信装置向第二通信装置发送的第一信息可以用于确定该专用AI模型。由于不同的终端设备可能具备不同的端侧特性(例如不同的本地数据不同，不同的本地算力，不同的信道特性等)，通过在终端设备中部署专用AI模型的方式，使得在终端设备部署的AI模型能够适应于终端设备的端侧特性，以期提升AI模型的模型处理性能。另外，相比于大模型，在第二通信装置部署专用AI模型可以有效提高个性化场景的模型精度。

应理解，通用AI模型可以称为基础模型、大模型或L0模型。专用AI模型可以称为小模型，L1模型，L2模型等。

以大模型为例，大模型可以是指具有大量参数和复杂结构的机器学习模型，能够处理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。

可选地，大模型通常由深度神经网络构建而成，拥有数十亿甚至数千亿个参数。

可选地，大模型的设计目的可以是为了提高模型的表达能力和预测性能，能够处理更加复杂的任务和数据。

可选地，大模型可以通过训练海量数据来学习复杂的模式和特征，具有更强大的泛化能力，可以对未处理过的数据做出准确的预测。

与之相对的，小模型可以是指参数较少、层数较浅的模型。一般地，相比小模型，大模型通常参数较多、层数较深，具有更强的表达能力和更高的准确度，但也需要更多的计算资源和时间来训练和推理，适用于数据量较大、计算资源充足的场景，例如云端计算、高性能计算、人工智能等。

可选地，小模型具有轻量级、高效率、易于部署等优点，适用于数据量较小、计算资源有限的场景，例如移动端应用、嵌入式设备、物联网等。

在第一方面的一种可能的实现方式中，第一通信装置在生成第一AI模型之前，包括：第一通信装置接收来自第二通信装置的第二信息；第一通信装置生成第一AI模型，包括：第一通信装置根据第二信息生成第一AI模型。

基于上述技术方案，第一通信装置可以接收来自于一个或多个第二通信装置的信息(例如第二信息)，并根据该一个或多个第二通信装置的信息生成/获得/确定/更新一个或多个专用AI模型。其中，可选的，该第二通信装置的信息可以用于指示用户的需求信息、用户数据信息、信道状态信息等，以使得第一通信装置基于该第二通信装置的信息生成/获得/确定/更新专用AI模型，从而有效提高个性化场景的模型精度。

在第一方面的一种可能的实现方式中，第二信息包括以下至少一项：第一通信装置与第二通信装置之间的信道状态信息，第二通信装置的本地算力状态。

基于上述技术方案，在第一通信装置和第二通信装置之间的通信带宽一定的情况下，第一通信装置可以根据第一通信装置与第二通信装置之间的信道状态信息和/或第二通信装置的本地算力状态，生成/获得/确定/更新一个或多个专用AI模型，从而结合实际场景需求生成专用AI模型，提升个性化场景下的模型精度。

可选地，信道状态信息可以包括第一通信装置与第二通信装置之间的信道信息，和/或，第二通信装置与第一通信装置之间的信道信息。其中，在第一通信装置为终端设备且第二通信装置为网络设备的情况下，第一通信装置与第二通信装置之间的信道信息可以理解为上行信道信息，第二通信装置与第一通信装置之间的信道信息可以理解为下行信道信息。

可选地，第一通信装置与第二通信装置之间的信道状态信息可以是基于参考信号得到的。

例如，第一通信装置和第二通信装置之间通过上下行链路进行通信的情况下，该参考信号可以包括信道状态信息参考信号(channel state information referencesignal，CSI-RS)，探测参考信号(sounding reference signal，SRS)等。

又如，第一通信装置和第二通信装置之间通过侧行链路进行通信的情况下，该参考信号可以包括侧行链路-同步信号/物理广播信道块(sidelink synchronizationsignal/physical broadcast channel block，sidelink SSB，SL-SSB，或S-SS/PSBCHblock)、侧行链路-信道状态信息参考信号(sidelink channel state informationreference signal，SL-CSI-RS)等。

在第一方面的一种可能的实现方式中，第二信息还可包括以下至少一项：第二通信装置的位置信息，第二通信装置的行为信息，第二通信装置的本地数据信息及标签信息。

基于上述技术方案，第二信息可以包括上述至少一项，换言之，第一通信装置可以基于上述至少一项信息确定第一AI模型组，以提升方案实现的灵活性。

在第一方面的一种可能的实现方式中，方法还包括：第一通信装置接收来自第三通信装置的第三信息；第一通信装置向第二通信装置发送第三信息，第三信息用于确定第三AI模型，第三AI模型为通用AI模型。

基于上述技术方案，由于通用AI模型主要用于保障大多数场景下的模型精度基本需求，而专用AI模型主要用于保障个性化场景下的模型精度，第二通信装置在部署专用AI模型的之前或者之后，基于第一通信装置的第三信息部署通用AI模型，可以实现将第二通信装置上部署的专用AI模型切换为通用AI模型，或者将通用AI模型切换为专用AI模型，从而实现专用AI模型与通用AI模型的协同部署，即第一通信装置可以结合自身、第二通信装置或者其他通信装置反馈的信息生成或者更新匹配的AI模型，结合实际场景在自身、第二通信装置或者其他通信装置上部署满足场景需求的AI模型，实现专用AI模型和通用AI模型的联合部署，有效降低模型的应用成本，提升个性化场景下的模型精度。

在第一方面的一种可能的实现方式中，在第一通信装置向第二通信装置发送第一信息之后，方法还包括：第一通信装置接收来自第二通信装置的第四信息，第四信息用于指示一个或多个AI模型的列表中的其中一个AI模型。

基于上述技术方案，在第二通信装置部署了专用AI模型的基础上，第二通信装置可以向第一通信装置发送第四信息，以反馈建议的AI模型。

可选地，AI模型列表可以包括一个或多个AI模型，每个AI模型可以包括两个或两个以上的AI模型。如前文所述，AI模型组与AI模型之间的关系，也可以理解为AI模型与AI子模型之间的关系。为此，AI模型列表也可以替换为AI模型组列表，即该AI模型组列表可以包括一个或多个AI模型。

可选地，列表可以替换为其它术语，例如集合、字典、组合、空间等。

在第一方面的一种可能的实现方式中，一个或多个AI模型的列表包括一个或多个专用AI模型的列表和/或通用AI模型的列表。

基于上述技术方案，一个或多个AI模型的列表包含不同AI模型的列表信息，以使得第一通信装置和/或第二通信装置可以结合实际需求选择匹配的AI模型，满足不同场景的精度需求。

在第一方面的一种可能的实现方式中，第一AI模型为通用AI模型。

基于上述技术方案，第一AI模型既可以为专用AI模型，也可以为通用AI模型，以适应不同场景的精度需求。

在第一方面的一种可能的实现方式中，第一通信装置生成第一AI模型，包括：第一通信装置接收来自第三通信装置的第五信息，第五信息用于确定第一AI模型，第一AI模型部署于第一通信装置和第二通信装置，或第一AI模型部署于第二通信装置。

基于上述技术方案，第一通信装置可以通过来自一个或多个第三通信装置的信息(例如一个或多个第五信息)生成或更新第一AI模型，后续多个第一通信装置以及与各个第一通信装置连接的第二通信装置均可以部署泛化性较高的、通用性较好的通用AI模型。

在第一方面的一种可能的实现方式中，第二通信装置在接收来自第一通信装置的第一信息之前，方法还包括：第一通信装置向第二通信装置发送第一消息，该第一消息用于告知第二通信装置使用第一AI模型。

基于上述技术方案，第一通信装置在接收到第五信息之后，可以基于第五信息生成或者更新第一AI模型，而在第一通信装置向第二通信装置发送第一信息之前，第一通信装置可以向第二通信装置发送第一消息，以告知第二通信装置可以使用该第一AI模型(通用AI模型)。应理解，第一消息还可以用于告知第二通信装置不使用第一AI模型。

可选地，第一消息可以为广播、单播或者组播消息。

第一通信装置以广播、单播或者组播的方式向一个或多个第二通信装置发送第一消息，可以使得一个或多个第二通信装置均能够通过广播、单播或组播的方式获得该第一消息，从而节省了信令开销。

本申请第二方面提供了一种通信方法，该方法由第二通信装置执行，该第二通信装置可以是通信设备(如网络设备或终端设备)，或者，该第二通信装置可以是通信设备中的部分组件(例如处理器、芯片或芯片系统等)，或者该第二通信装置还可以是能实现全部或部分通信设备功能的逻辑模块或软件。在该方法中，第二通信装置接收来自第一通信装置的第一信息；该第二通信装置根据第一信息确定第一AI模型。

基于上述技术方案，第二通信装置接收第一信息之后，该第二通信装置可以基于该第一信息确定第一AI模型。换言之，第二通信装置作为第一信息的接收方，该第二通信装置可以基于来自第一通信装置中的第一信息确定第一AI模型，以部署该第一AI模型，从而支撑模型的部署及实现模型的运行。

在第二方面的在一种可能的实现方式中，第一AI模型为专用AI模型。

在第二方面的在一种可能的实现方式中，第二通信装置在接收来自第一通信装置的第一信息之前，方法还包括：第二通信装置向第一通信装置发送第二信息，第二信息用于生成第一AI模型。

在第二方面的在一种可能的实现方式中，第二信息包括以下至少一项：第一通信装置与第二通信装置之间的信道状态信息，第二通信装置的本地算力状态。

在第二方面的在一种可能的实现方式中，第二信息还包括以下至少一项：第二通信装置的位置信息，第二通信装置的行为信息，第二通信装置的本地数据信息及标签信息。

在第二方面的在一种可能的实现方式中，方法还包括：第二通信装置接收来自第一通信装置的第三信息，第三信息用于确定第三AI模型，第三AI模型为通用AI模型。

在第二方面的在一种可能的实现方式中，在第二通信装置根据第一信息确定第一AI模型之后，方法还包括：第二通信装置向第一通信装置发送第四信息，第四信息用于指示一个或多个AI模型的列表中的其中一个AI模型。

在第二方面的在一种可能的实现方式中，一个或多个AI模型的列表包括一个或多个专用AI模型的列表和/或通用AI模型的列表。

在第二方面的在一种可能的实现方式中，第一AI模型为通用AI模型。

在第二方面的在一种可能的实现方式中，方法还包括：第二通信装置接收来自第一通信装置的第五信息，第五信息用于确定第一AI模型，第一AI模型部署于第一通信装置和第二通信装置，或第一AI模型部署于第二通信装置。

在第二方面的在一种可能的实现方式中，在第二通信装置接收来自第一通信装置的第一信息之前，方法还包括：第二通信装置接收来自第一通信装置的第一消息，第一消息用于告知第二通信装置使用第一AI模型。

可选地，第一消息可以为广播、单播或者组播消息。对于本申请实施例第二方面的各种可能的实现方式的描述，均可以参考第一方面中各种可能的实现方式中的描述，此处不再一一赘述。

在第一方面或第二方面的在一种可能的实现方式中，第一信息用于确定第二通信装置所属的类别。

基于上述技术方案，第一通信装置在接收来自一个或多个第二通信装置的第二信息之后，可以基于第二信息对一个或多个第二通信装置进行分类，并将类别的相关信息包含于第一信息中，以根据类别确定每个类别对应的AI模型。随后，第一通信装置会向一个或多个第二通信装置分别发送第一信息，在一个或多个第二通信装置接收到来自第一通信装置的第一信息后，每个第二通信装置可以根据第一信息确定该第二通信装置所属的类别，并根据所属的类别从第一信息中筛选出该类别对应的AI模型，从而在第二通信装置中实现AI模型的部署及实现模型的运行。在第一方面或第二方面的在一种可能的实现方式中，第一AI模型包含于第一AI模型组，第一AI模型组还包括第二AI模型，第一AI模型部署于第一通信装置，第二AI模型部署于第二通信装置；其中，第二AI模型的输入包括第一AI模型的输出，或，第一AI模型的输入包括第二AI模型的输出。

基于上述技术方案，第一通信装置可以为网络设备，第二通信装置可以为终端设备。由于不同的终端设备可能具备不同的端侧特性(例如不同的本地数据不同，不同的本地算力，不同的信道特性等)，不同的网络设备可能具备不同的边侧特性，通过在终端设备中部署第二AI模型，在网络设备部署第一AI模型，能够使得终端设备部署的第二AI模型能够适应于终端设备的端侧特性，使得网络设备部署的第一AI模型能够适应于网络设备的边侧特性，以期提升AI模型的模型处理性能。

可以理解的是，第二通信装置可以有多种实现。

云可以理解为传统云计算的中心节点，是边缘计算的管控端。边可以理解为云计算的边缘侧，分为基础设施边缘和设备边缘，在无线网络中指代边缘服务器或基站。端可以理解为终端设备，如手机、平板、传感器等各类终端。

在第一方面或第二方面的在一种可能的实现方式中，第一信息还用于确定第一AI模型组中的第二AI模型。

基于上述技术方案，在第一AI模型部署于第一通信装置，第二AI模型部署于第二通信装置的前提下，第二通信装置通过接收来自于第一通信装置的第一信息，以确定分别部署于不同设备的AI模型。

在第一方面或第二方面的在一种可能的实现方式中，第一信息包括第一AI模型的标识，标识用于在包含一个或多个专用AI模型的列表中确定第一AI模型。

基于上述技术方案，第一通信装置可以向第二通信装置发送第一AI模型的标识，以确定部署于第二通信装置的第一AI模型，从而减少第一通信装置与第二通信装置之间的数据传输量。

在第一方面或第二方面的在一种可能的实现方式中，在向第二通信装置发送第一信息之前，方法还包括：第一通信装置向第二通信装置发送一个或多个专用AI模型的列表。

基于上述技术方案，第一通信装置下发第一AI模型的标识的前提是第二通信装置已经存储有一个或多个专用AI模型的列表，第一通信装置通过向第二通信装置提前发送一个或多个专用AI模型的列表，以使得在后续需要变更模型的类型时，可以下发模型的标识，从而减少数据传输量。

在第一方面或第二方面的在一种可能的实现方式中，第一信息包括第一AI模型的模型参数和/或模型结构信息。

在第一方面或第二方面的在一种可能的实现方式中，第一信息还包括第一AI模型的标识。

基于上述技术方案，在第一信息包括第一AI模型的模型参数和/或模型结构信息的基础上，还可以包括第一AI模型的标识，以使得第二通信装置根据该标识确定部署的AI模型。

在第一方面或第二方面的在一种可能的实现方式中，第一信息为周期发送的信息。

基于上述技术方案，第一信息可以为AI模型的确定依据之一，第一通信装置和第二通信装置之间通过周期发送第一信息的方式，能够实现AI模型的周期性确定，以通过周期性的过程实现AI模型的多次迭代更新。

本申请第三方面提供了一种通信方法，该方法由第三通信装置执行，该第三通信装置可以是网络设备(如接入网设备、核心网设备设备、云服务器等)，或者，该第三通信装置可以是网络设备中的部分组件(例如处理器、芯片或芯片系统等)，或者该第三通信装置还可以是能实现全部或部分通信设备功能的逻辑模块或软件。在该方法中，第三通信装置接收来自于第一通信装置的第六信息；第三通信装置根据第六信息生成第五信息；第三通信装置向第一通信装置发送第五信息，第五信息用于确定通用AI模型，通用AI模型部署于第一通信装置和第二通信装置，或通用AI模型部署于第二通信装置。

基于上述技术方案，第三通信装置可以基于来自第一通信装置的第六信息生成通用AI模型，并向第一通信装置发送第五信息，以将通用AI模型部署于第一通信装置。另外，通用AI模型还可以部署于第二通信装置，从而在第一通信装置和第二通信装置处均实现支撑通用AI模型的部署及实现模型的运行的功能。

可选地，第六信息包括第二信息。

可选地，第六信息基于处理后的第二信息确定。

在第三方面的在一种可能的实现方式中，第六信息包括以下至少一项：

第一通信装置与第二通信装置之间的信道状态信息，第二通信装置的本地算力状态。

在第三方面的在一种可能的实现方式中，第六信息还包括以下至少一项：

第二通信装置的位置信息，第二通信装置的行为信息，第二通信装置的本地数据信息及标签信息。

对于本申请实施例第三方面的各种可能的实现方式的描述，均可以参考第一方面以及第二方面中各种可能的实现方式中的描述，此处不再一一赘述。

本申请第四方面提供了一种通信装置，该装置为第一通信装置，该装置包括处理单元和收发单元；该处理单元用于生成第一人工智能AI模型；该收发单元用于发送第一信息，该第一信息用于确定第一AI模型。

本申请第四方面中，通信装置的组成模块还可以用于执行第一方面的各个可能实现方式中所执行的步骤，并实现相应的技术效果，具体均可以参阅第一方面，此处不再赘述。

本申请第五方面提供了一种通信装置，该装置为第二通信装置，该装置包括收发单元和处理单元，该收发单元用于接收来自第一通信装置的第一信息；该处理单元用于根据第一信息确定第一AI模型。

本申请第五方面中，通信装置的组成模块还可以用于执行第二方面的各个可能实现方式中所执行的步骤，并实现相应的技术效果，具体均可以参阅第二方面，此处不再赘述。

本申请第六方面提供了一种通信装置，该装置为第三通信装置，该装置包括收发单元和处理单元；该收发单元用于接收来自于第一通信装置的第六信息；该处理单元用于根据第六信息生成第五信息；该收发单元用于向第一通信装置发送第五信息，第五信息用于确定通用AI模型，通用AI模型部署于第一通信装置和第二通信装置，或通用AI模型部署于第二通信装置。

本申请第六方面中，通信装置的组成模块还可以用于执行第三方面的各个可能实现方式中所执行的步骤，并实现相应的技术效果，具体均可以参阅第三方面，此处不再赘述。

本申请第七方面提供了一种通信装置，包括至少一个处理器，至少一个处理器与存储器耦合；该存储器用于存储程序或指令；该至少一个处理器用于执行该程序或指令，以使该装置实现前述第一方面至第三方面任一方面中的任意一种可能的实现方式的方法。

一种可能的实现方式中，该通信装置还包括存储器。可选地，处理器和存储器集成在一起。

本申请第八方面提供了一种通信装置，包括至少一个逻辑电路和输入输出接口；该逻辑电路用于执行如前述第一方面至第三方面任一方面中的任意一种可能的实现方式的方法。

本申请第九方面提供了一种通信系统，该通信系统包括上述第一通信装置以及第二通信装置。或者，该通信系统包括上述第一通信装置、第二通信装置以及第三通信装置。

本申请第十方面提供一种计算机可读存储介质，该存储介质用于存储一个或多个计算机执行指令，当计算机执行指令被处理器执行时，该处理器执行如上述第一方面至第三方面中任一方面的任意一种可能的实现方式的方法。

本申请第十一方面提供一种计算机程序产品(或称计算机程序)，当计算机程序产品中的计算机程序被该处理器执行时，该处理器执行上述第一方面至第三方面中任一方面的任意一种可能的实现方式的方法。

本申请第十二方面提供了一种芯片系统，该芯片系统包括至少一个处理器，用于支持通信装置实现上述第一方面至第三方面中任一方面的任意一种可能的实现方式的方法。

在一种可能的设计中，该芯片系统还可以包括存储器，存储器，用于保存该通信装置必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。可选的，芯片系统还包括接口电路，接口电路为至少一个处理器提供程序指令和/或数据。

其中，第四方面至第十二方面中任一种设计方式所带来的技术效果可参见上述第一方面至第三方面中不同设计方式所带来的技术效果，在此不再赘述。

附图说明

图1a至图1d为本申请提供的通信系统的示意图；

图2a至图2g为本申请涉及的AI处理过程的示意图；

图3为本申请实施例提供的通信方法的一种实现示意图；

图4为本申请实施例提供的通信方法的另一种实现示意图；

图5a至图5b为本申请提供的通信方法的交互示意图；

图6a为本申请实施例提供的专用AI模型与通用AI模型协同部署的一种示意图；

图6b至图6d为本申请实施例提供的通信方法的另一种实现示意图；

图7至图11为本申请提供的通信装置的示意图。

具体实施方式

首先，对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。

(1)终端设备：可以是能够接收网络设备调度和指示信息的无线终端设备，无线终端设备可以是指向用户提供语音和/或数据连通性的设备，或具有无线连接功能的手持式设备，或连接到无线调制解调器的其他处理设备。

终端设备可以经无线接入网(radio access network，RAN)与一个或多个核心网或者互联网进行通信，终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话，手机(mobile phone))、计算机和数据卡，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务(personal communication service，PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、平板电脑(Pad)、带无线收发功能的电脑等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobile station)、移动台(mobile station，MS)、远程站(remote station)、接入点(access point，AP)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(userterminal)、用户代理(user agent)、用户站(subscriber station，SS)、用户端设备(customer premises equipment，CPE)、终端(terminal)、用户设备(user equipment，UE)、移动终端(mobile terminal，MT)等。

作为示例而非限定，在本申请实施例中，该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备或智能穿戴式设备等，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能头盔、智能首饰等。

终端还可以是无人机、机器人、设备到设备通信(device-to-device，D2D)中的终端、车到一切(vehicle to everything，V2X)中的终端、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。

此外，终端设备也可以是第五代(5th generation，5G)通信系统之后演进的通信系统(例如第六代(6th generation，6G)通信系统等)中的终端设备或者未来演进的公共陆地移动网络(public land mobile network，PLMN)中的终端设备等。示例性的，6G网络可以进一步扩展5G通信终端的形态和功能，6G终端包括但不限于车、蜂窝网络终端(融合卫星终端功能)、无人机、物联网(internet of things，IoT)设备。

在本申请实施例中，上述终端设备还可以获得网络设备提供的AI服务。可选地，终端设备还可以具有AI处理能力。

(2)网络设备：可以是无线网络中的设备，例如网络设备可以为将终端设备接入到无线网络的RAN节点(或设备)，又可以称为基站。目前，一些RAN设备的举例为：基站(basestation)、演进型基站(evolved NodeB，eNodeB)、5G通信系统中的基站gNB(gNodeB)、传输接收点(transmission reception point，TRP)、演进型节点B(evolved Node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(Node B，NB)、家庭基站(例如，homeevolved Node B，或home Node B，HNB)、基带单元(base band unit，BBU)，或无线保真(wireless fidelity，Wi-Fi)接入点AP等。另外，在一种网络结构中，网络设备可以包括集中单元(centralized unit，CU)节点、或分布单元(distributed unit，DU)节点、或包括CU节点和DU节点的RAN设备。

可选的，RAN节点还可以是宏基站、微基站或室内站、中继节点或施主节点、或者是云无线接入网络(cloud radio access network，CRAN)场景下的无线控制器。RAN节点还可以是服务器，可穿戴设备，车辆或车载设备等。例如，车辆外联(vehicle to everything，V2X)技术中的接入网设备可以为路侧单元(road side unit，RSU)。

在另一种可能的场景中，由多个RAN节点协作协助终端实现无线接入，不同RAN节点分别实现基站的部分功能。例如，RAN节点可以是集中式单元(central unit，CU)，分布式单元(distributed unit，DU)，CU-控制面(control plane，CP)，CU-用户面(user plane，UP)，或者无线单元(radio unit，RU)等。CU和DU可以是单独设置，或者也可以包括在同一个网元中，例如基带单元(baseband unit，BBU)中。RU可以包括在射频设备或者射频单元中，例如包括在射频拉远单元(remote radio unit，RRU)、有源天线处理单元(active antennaunit，AAU)或远程射频头(remote radio head，RRH)中。

在不同系统中，CU(或CU-CP和CU-UP)、DU或RU也可以有不同的名称，但是本领域的技术人员可以理解其含义。例如，在开放式接入网(open RAN，O-RAN或ORAN)系统中，CU也可以称为O-CU(开放式CU)，DU也可以称为O-DU，CU-CP也可以称为O-CU-CP，CU-UP也可以称为O-CU-UP，RU也可以称为O-RU。为描述方便，本申请中以CU，CU-CP，CU-UP、DU和RU为例进行描述。本申请中的CU(或CU-CP、CU-UP)、DU和RU中的任一单元，可以是通过软件模块、硬件模块、或者软件模块与硬件模块结合来实现。

接入网设备和终端设备之间的通信遵循一定的协议层结构。该协议层可以包括控制面协议层和用户面协议层。控制面协议层可以包括以下至少一项：无线资源控制(radioresource control，RRC)层、分组数据汇聚层协议(packet data convergence protocol，PDCP)层、无线链路控制(radio link control，RLC)层、媒体接入控制(media accesscontrol，MAC)层、或物理(physical，PHY)层等。用户面协议层可以包括以下至少一项：业务数据适配协议(service data adaptation protocol，SDAP)层、PDCP层、RLC层、MAC层、或物理层等。

对于ORAN系统中的网元及其可实现的协议层功能对应关系，可参照下表1。

表1

ORAN网元	3GPP的协议层功能
		O-CU-CP	RRC+PCDP-控制面(PDCP-C)
O-CU-UP	SDAP+PCDP-用户面(PDCP-U)
		O-DU	RLC+MAC+PHY-high
O-RU	PHY-low

网络设备可以是其它为终端设备提供无线通信功能的装置。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。为方便描述，本申请实施例并不限定。

网络设备还可以包括核心网设备，核心网设备例如包括第四代(4th generation，4G)网络中的移动性管理实体(mobility management entity，MME)，归属用户服务器(homesubscriber server，HSS)，服务网关(serving gateway，S-GW)，策略和计费规则功能(policy and charging rules function，PCRF)，公共数据网网关(public data networkgateway，PDN gateway，P-GW)；5G网络中的访问和移动管理功能(access and mobilitymanagement function，AMF)、用户面功能(user plane function，UPF)或会话管理功能(session management function，SMF)等网元。此外，该核心网设备还可以包括5G网络以及5G网络的下一代网络中的其他核心网设备。

本申请实施例中，上述网络设备还可以具有AI能力的网络节点，可以为终端或其他网络设备提供AI服务，例如，可以为网络侧(接入网或核心网)的AI节点、算力节点、具有AI能力的RAN节点、具有AI能力的核心网网元等。

本申请实施例中，用于实现网络设备的功能的装置可以是网络设备，也可以是能够支持网络设备实现该功能的装置，例如芯片系统，该装置可以被安装在网络设备中。在本申请实施例提供的技术方案中，以用于实现网络设备的功能的装置是网络设备为例，描述本申请实施例提供的技术方案。

(3)配置与预配置：在本申请中，会同时用到配置与预配置。其中，配置是指网络设备/服务器通过消息或信令将一些参数的配置信息或参数的取值发送给终端，以便终端根据这些取值或信息来确定通信的参数或传输时的资源。预配置与配置类似，可以是网络设备/服务器预先与终端设备协商好的参数信息或参数值，也可以是标准协议规定的基站/网络设备或终端设备采用的参数信息或参数值，还可以是预先存储在基站/服务器或终端设备的参数信息或参数值。本申请对此不做限定。

进一步地，这些取值和参数，是可以变化或更新的。

(4)本申请实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、同时存在A和B、单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如“A，B和C中的至少一项”包括A，B，C，AB，AC，BC或ABC。以及，除非有特别说明，本申请实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。

(5)本申请实施例中的“发送”和“接收”，表示信号传递的走向。例如，“向XX发送信息”可以理解为该信息的目的端是XX，可以包括通过空口直接发送，也包括其他单元或模块通过空口间接发送。“接收来自YY的信息”可以理解为该信息的源端是YY，可以包括通过空口直接从YY接收，也可以包括通过空口从其他单元或模块间接地从YY接收。“发送”也可以理解为芯片接口的“输出”，“接收”也可以理解为芯片接口的“输入”。

换言之，发送和接收可以是在设备之间进行的，例如，网络设备和终端设备之间进行的，也可以是在设备内进行的，例如，通过总线、走线或接口在设备内的部件之间、模组之间、芯片之间、软件模块或者硬件模块之间发送或接收。

可以理解的是，信息在信息发送的源端和目的端之间可能会被进行必要的处理，比如编码、调制等，但目的端可以理解来自源端的有效信息。本申请中类似的表述可以做相似的理解，不再赘述。

(6)在本申请实施例中，“指示”可以包括直接指示和间接指示，也可以包括显式指示和隐式指示。将某一信息(如下文所述的指示信息)所指示的信息称为待指示信息，则具体实现过程中，对待指示信息进行指示的方式有很多种，例如但不限于，可以直接指示待指示信息，如待指示信息本身或者该待指示信息的索引等。也可以通过指示其他信息来间接指示待指示信息，其中该其他信息与待指示信息之间存在关联关系；还可以仅仅指示待指示信息的一部分，而待指示信息的其他部分则是已知的或者提前约定的，例如可以借助预先约定(例如协议预定义)的各个信息的排列顺序来实现对特定信息的指示，从而在一定程度上降低指示开销。本申请对于指示的具体方式不作限定。可以理解的是，对于该指示信息的发送方来说，该指示信息可用于指示待指示信息，对于指示信息的接收方来说，该指示信息可用于确定待指示信息。

本申请中，除特殊说明外，各个实施例之间相同或相似的部分可以互相参考。在本申请中各个实施例、以及各实施例中的各个方法/设计/实现方式中，如果没有特殊说明以及逻辑冲突，不同的实施例之间、以及各实施例中的各个方法/设计/实现方式之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例、以及各实施例中的各个方法/设计/实现方式中的技术特征根据其内在的逻辑关系可以组合形成新的实施例、方法、或实现方式。以下所述的本申请实施方式并不构成对本申请保护范围的限定。

本申请可以应用于长期演进(long term evolution，LTE)系统、新无线(newradio，NR)系统，或者是5G之后演进的通信系统(例如超5G(Beyond 5G，B5G)、6G等)。其中，该通信系统中包括至少一个网络设备和/或至少一个终端设备。

请参阅图1a，为本申请的实施例应用的通信系统1000的架构示意图。如图1a所示，该通信系统包括无线接入网(radio access network，RAN)100和核心网200，可选的，通信系统1000还可以包括互联网300。其中，RAN100包括至少一个RAN节点(如图1a中的110a和110b，统称为110)，还可以包括至少一个终端(如图1a中的120a-120j，统称为120)。RAN100还可以包括其它RAN节点，例如，无线中继设备和/或无线回传设备(图1a中未示出)。终端120通过无线的方式与RAN节点110相连，RAN节点110通过无线或有线方式与核心网200连接。核心网200中的核心网设备与RAN100中的RAN节点110可以是独立的不同的物理设备，也可以是集成了核心网设备的逻辑功能与RAN节点的逻辑功能的同一个物理设备。终端和终端之间以及RAN节点和RAN节点之间可以通过有线或无线的方式相互连接。

RAN100可以是第三代合作伙伴计划(3rd generation partnership project，3GPP)中定义的演进的通用陆地无线接入(evolved universal terrestrial radioaccess，E-UTRA)系统、新无线(new radio，NR)系统以及未来的无线接入系统。RAN100还可以包括上述两种或两种以上不同的无线接入系统。RAN100还可以是开放式RAN(open RAN，O-RAN)。

为了便于描述，下文中以基站作为RAN节点的一个举例进行描述。

基站和终端可以是固定位置的，也可以是可移动的。基站和终端可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在飞机、气球和人造卫星上。本申请的实施例对基站和终端的应用场景不做限定。

基站和终端的角色可以是相对的，例如，图1a中的直升机或无人机120i可以被配置成移动基站，对于那些通过120i接入到无线接入网100的终端120j来说，终端120i是基站；但对于基站110a来说，120i是终端，即110a与120i之间是通过无线空口协议进行通信的。当然，110a与120i之间也可以是通过基站与基站之间的接口协议进行通信的，此时，相对于110a来说，120i也是基站。因此，基站和终端都可以统一称为通信装置，图1a中的110a和110b可以称为具有基站功能的通信装置，图1a中的120a-120j可以称为具有终端功能的通信装置。

基站和终端之间、基站和基站之间、终端和终端之间可以通过授权频谱进行通信，也可以通过免授权频谱进行通信，也可以同时通过授权频谱和免授权频谱进行通信；可以通过6千兆赫(gigahertz，GHz)以下的频谱进行通信，也可以通过6GHz以上的频谱进行通信，还可以同时使用6GHz以下的频谱和6GHz以上的频谱进行通信。本申请的实施例对无线通信所使用的频谱资源不做限定。

在本申请的实施例中，基站的功能也可以由基站中的模块(如芯片)来执行，也可以由包含有基站功能的控制子系统来执行。这里的包含有基站功能的控制子系统可以是智能电网、工业控制、智能交通、智慧城市等上述应用场景中的控制中心。终端的功能也可以由终端中的模块(如芯片或调制解调器)来执行，也可以由包含有终端功能的装置来执行。

图1b为本申请实施例提供的一种通信系统的另一个示意图，在图1b中，以网络设备为基站为例进行说明，设备1和设备2均为终端设备。如图1b所示，设备1和设备2之间的通信链路可以称为侧行链路(sidelink，SL)，设备1(或设备2)与基站之间的通信链路可以称为上下行链路，包括上行(uplink)链路和下行(downlink)链路；可见，侧行链路是一种不同终端设备之间不通过网络设备而直接进行通信的通信机制。

可选地，在侧行链路(sidelink，SL)中，一般来说，发射设备与接收设备可以是同等类型的终端设备或网络设备，也可以是路边站(road side unit，RSU)与终端设备，其中，RSU从物理实体来看是路边站或路侧单元，从功能来看，RSU可以是终端设备，也可以是网络设备，本申请对此不做限制。即发射设备是终端设备，接收设备也是终端设备；或者，发射设备是路边站，接收设备也是终端设备；或者，发射设备是终端设备，接收设备也是路边站。另外，侧行链路也可以是相同类型或不同类型的基站设备，此时的侧行链路的功能与中继链路类似，但使用的空口技术可以相同，也可以不同。

示例性的，侧行链路上支持广播、单播、组播。

广播通信类似于网络设备广播系统信息，即终端设备不做加密对外发送广播业务数据，任何在有效接收范围内的其他终端设备，如果对该广播业务感兴趣都可以接收该广播业务的数据。

单播通信类似于终端设备与网络设备之间建立RRC连接之后进行的数据通信，需要两个终端设备之间在先建立单播连接。在建立单播连接之后，两个终端设备可以基于协商的标识进行数据通信，该数据可以是加密的，也可以是不加密的。相比于广播，在单播通信中，只能是建立了单播连接的两个终端设备之间才能进行该单播通信。

可选地，侧行链路上的一次单播通信对应于一对源层二标识(source layer-2identifier，记为源L2 ID)和目的层二标识(destination Layer-2 Identifier，记为目的L2 ID)。可选地，在侧行链路中的媒体接入控制层数据协议单元(media access controlprotocol data unit，MAC PDU)的子头中将会包含该源L2 ID和目的L2 ID，以使得数据传输至正确的接收端。

组播通信是指一个通信组内所有终端设备之间的通信，组内任一终端设备都可以收发该组播业务的数据。

如图1c所示，当一个终端设备(记为UE1)不经过网络设备直接与另一个终端设备(记为UE2)通信时，该两个终端设备之间的通信链路可以称为侧行链路(sidelink)，或称这两个终端设备基于临近的服务通信5(proximity-based services communication 5，PC5)口进行通信。

如图1d所示，V2X通信技术作为侧行链路的一种典型的应用，它利用和增强了当前的蜂窝网络功能和元素，以实现车辆网络中各种节点之间的低延迟和高可靠性通信，包括车与车的通信(Vehicle to Vehicle，简称为V2V)、车与行人的通信(Vehicle toPedestrian，简称为V2P)、车与基础设施的通信(Vehicle to Infrastructure，简称为V2I)、车与网络的通信(Vehicle to Network，简称为V2N)。随着蜂窝系统从4G长期演进(Long Term Evolution，简称为LTE)向5G的演进，C-V2X从LTE-V2X向NR-V2X(New RadioV2X，简称为NR-V2X)演进。

此外，V2X通信在降低车辆碰撞事故方面有巨大的潜力，因此还可以减少相应的伤亡人数。V2X的优势不仅仅局限于提升安全性。可以进行V2X通信的车辆有助于更好的进行交通管理，进一步促进绿色交通和更低的能源消耗。智能交通系统(IntelligentTransportation System，简称为ITS)就是结合和V2X的一个应用。基于V2X技术，车辆用户(Vehicle UE，简称为V-UE)能将自身的一些信息，例如位置、速度、意图(转弯、并线、倒车)等信息周期性以及一些非周期性的事件触发的信息向周围的V-UE发送，同样地V-UE也会实时接收周围用户的信息。5G NR V2X可以支持更低的传输时延，更可靠的通信传输，更高的吞吐量，更好的用户体验，满足更加广泛的应用场景需求。进一步地，V2X所支持的车辆到车辆的通信技术，可以延伸应用到任何系统下的设备到设备(Device-to-Device，简称为D2D)通信。

本申请提供的技术方案可以应用于无线通信系统(例如图1a、图1b、图1c或图1d所示系统)，例如本申请提供的通信系统中可以引入AI网元来实现部分或全部AI相关的操作。AI网元也可以称为AI节点、AI设备、AI实体、AI模块、AI模型、或AI单元等。所述AI网元可以是内置在通信系统的网元中。例如，AI网元可以是内置在：终端设备、接入网设备、核心网设备、云服务器、或网管(operation,administration and maintenance，OAM)中的AI模块，用以实现AI相关的功能。所述OAM可以是作为核心网设备网管和/或作为接入网设备的网管。或者，所述AI网元也可以是通信系统中独立设置的网元。可选的，终端或终端内置的芯片中也可以包括AI实体，用于实现AI相关的功能。

下面将本申请中可能涉及到的人工智能(artificial intelligence，AI)进行简要介绍。

人工智能(artificial intelligence，AI)，可以让机器具有人类的智能，例如可以让机器应用计算机的软硬件来模拟人类某些智能行为。为了实现人工智能，可以采用机器学习方法。机器学习方法中，机器利用训练数据学习(或训练)得到模型。该模型表征了从输入到输出之间的映射。学习得到的模型可以用于进行推理(或预测)，即可以利用该模型预测出给定输入所对应的输出。其中，该输出还可以称为推理结果(或预测结果)。

机器学习可以包括监督学习、无监督学习、和强化学习。其中，无监督学习还可以称为非监督学习。

监督学习依据已采集到的样本值和样本标签，利用机器学习算法学习样本值到样本标签的映射关系，并用AI模型来表达学到的映射关系。训练机器学习模型的过程就是学习这种映射关系的过程。在训练过程中，将样本值输入模型得到模型的预测值，通过计算模型的预测值与样本标签(理想值)之间的误差来优化模型参数。映射关系学习完成后，就可以利用学到的映射来预测新的样本标签。监督学习学到的映射关系可以包括线性映射或非线性映射。根据标签的类型可将学习的任务分为分类任务和回归任务。

无监督学习依据采集到的样本值，利用算法自行发掘样本的内在模式。无监督学习中有一类算法将样本自身作为监督信号，即模型学习从样本到样本的映射关系，称为自监督学习。训练时，通过计算模型的预测值与样本本身之间的误差来优化模型参数。自监督学习可用于信号压缩及解压恢复的应用，常见的算法包括自编码器和对抗生成型网络等。

强化学习不同于监督学习，是一类通过与环境进行交互来学习解决问题的策略的算法。与监督、无监督学习不同，强化学习问题并没有明确的“正确的”动作标签数据，算法需要与环境进行交互，获取环境反馈的奖励信号，进而调整决策动作以获得更大的奖励信号数值。如下行功率控制中，强化学习模型根据无线网络反馈的系统总吞吐率，调整各个用户的下行发送功率，进而期望获得更高的系统吞吐率。强化学习的目标也是学习环境状态与较优(例如最优)决策动作之间的映射关系。但因为无法事先获得“正确动作”的标签，所以不能通过计算动作与“正确动作”之间的误差来优化网络。强化学习的训练是通过与环境的迭代交互而实现的。

神经网络(neural network,NN)是机器学习技术中的一种具体的模型。根据通用近似定理，神经网络在理论上可以逼近任意连续函数，从而使得神经网络具备学习任意映射的能力。传统的通信系统需要借助丰富的专家知识来设计通信模块，而基于神经网络的深度学习通信系统可以从大量的数据集中自动发现隐含的模式结构，建立数据之间的映射关系，获得优于传统建模方法的性能。

神经网络的思想来源于大脑组织的神经元结构。例如，每个神经元都对其输入值进行加权求和运算，通过一个激活函数输出运算结果。

如图2a所示，为神经元结构的一种示意图。假设神经元的输入为x＝[x₀,x₁，…,x_n]，与各个输入对应的权值分别为w＝[w,w₁,…,w_n]，其中，n为正整数，w_i和x_i可以是小数、整数(例如0、正整数或负整数等)、或复数等各种可能的类型。w_i作为x_i的权值，用于对x_i进行加权。根据权值对输入值进行加权求和的偏置例如为b。激活函数的形式可以有多种，假设一个神经元的激活函数为：y＝f(z)＝max(0,z)，则该神经元的输出为：再例如，一个神经元的激活函数为：y＝f(z)＝z，则该神经元的输出为：其中，b可以是小数、整数(例如0、正整数或负整数)、或复数等各种可能的类型。神经网络中不同神经元的激活函数可以相同或不同。

此外，神经网络一般包括多个层，每层可包括一个或多个神经元。通过增加神经网络的深度和/或宽度，能够提高该神经网络的表达能力，为复杂系统提供更强大的信息提取和抽象建模能力。其中，神经网络的深度可以是指神经网络包括的层数，每层包括的神经元个数可以称为该层的宽度。在一种实现方式中，神经网络包括输入层和输出层。神经网络的输入层将接收到的输入信息经过神经元处理，将处理结果传递给输出层，由输出层得到神经网络的输出结果。在另一种实现方式中，神经网络包括输入层、隐藏层和输出层。神经网络的输入层将接收到的输入信息经过神经元处理，将处理结果传递给中间的隐藏层，隐藏层对接收的处理结果进行计算，得到计算结果，隐藏层将计算结果传递给输出层或者下一个相邻的隐藏层，最终由输出层得到神经网络的输出结果。其中，一个神经网络可以包括一个隐藏层，或者包括多个依次连接的隐藏层，不予限制。

神经网络例如为深度神经网络(deep neural network,DNN)。根据网络的构建方式，DNN可以包括前馈神经网络(feedforward neural network,FNN)、卷积神经网络(convolutional neural networks,CNN)和递归神经网络(recurrent neural network,RNN)。

图2b为一种FNN网络示意图。FNN网络的特点为相邻层的神经元之间两两完全相连。该特点使得FNN通常需要大量的存储空间、导致较高的计算复杂度。

CNN是一种专门来处理具有类似网格结构的数据的神经网络。例如，时间序列数据(时间轴离散采样)和图像数据(二维离散采样)都可以认为是类似网格结构的数据。CNN并不一次性利用全部的输入信息做运算，而是采用一个固定大小的窗截取部分信息做卷积运算，这就大大降低了模型参数的计算量。另外根据窗截取的信息类型的不同(如同一副图中的人和物为不同类型信息)，每个窗可以采用不同的卷积核运算，这使得CNN能更好的提取输入数据的特征。

RNN是一类利用反馈时间序列信息的DNN网络。它的输入包括当前时刻的新的输入值和自身在前一时刻的输出值。RNN适合获取在时间上具有相关性的序列特征，特别适用于语音识别、信道编译码等应用。

在上述机器学习的模型训练过程中，可以定义损失函数。损失函数描述了模型的输出值和理想目标值之间的差距或差异。损失函数可以通过多种形式体现，对于损失函数的具体形式不予限制。模型训练过程可以看作以下过程：通过调整模型的部分或全部参数，使得损失函数的值小于门限值或者满足目标需求。

模型还可以被称为AI模型、规则或者其他名称等。AI模型可以认为是实现AI功能的具体方法。AI模型表征了模型的输入和输出之间的映射关系或者函数。AI功能可以包括以下一项或多项：数据收集、模型训练(或模型学习)、模型信息发布、模型推断(或称为模型推理、推理、或预测等)、模型监控或模型校验、或推理结果发布等。AI功能还可以称为AI(相关的)操作、或AI相关的功能。

下面将结合附图，对神经网络的实现过程进行示例性描述。

1.全连接神经网络,又叫多层感知机(multilayer perceptron，MLP)。

如图2c所示，一个MLP包含一个输入层(左侧)，一个输出层(右侧)，及多个隐藏层(中间)。其中，MLP的每层包含若干个节点，称为神经元。其中,相邻两层的神经元间两两相连。

可选的，考虑相邻两层的神经元，下一层的神经元的输出h为所有与之相连的上一层神经元x的加权和并经过激活函数，可以表示为：

h＝f(wx+b)。

其中，w为权重矩阵，b为偏置向量，f为激活函数。

进一步可选的，神经网络的输出可以递归表达为：

y＝f_n(w_nf_n-1(…)+b_n)。

其中,n是神经网络层的索引，1<＝n<＝N,其中N为神经网络的总层数。

换言之，可以将神经网络理解为一个从输入数据集合到输出数据集合的映射关系。而通常神经网络都是随机初始化的，用已有数据从随机的w和b得到这个映射关系的过程被称为神经网络的训练。

可选的，训练的具体方式为采用损失函数(loss function)对神经网络的输出结果进行评价。

如图2d所示，可以将误差反向传播，通过梯度下降的方法即能迭代优化神经网络参数(包括w和b)，直到损失函数达到最小值，即图2d中的“较优点(例如最优点)”。可以理解的是，图2d中的“较优点(例如最优点)”对应的神经网络参数可以作为训练好的AI模型信息中的神经网络参数。

进一步可选的，梯度下降的过程可以表示为：

其中，θ为待优化参数(包括w和b)，L为损失函数，η为学习率，控制梯度下降的步长，表示求导运算，表示对L求θ的导数。

进一步可选的，反向传播的过程利用到求偏导的链式法则。

如图2e所示，前一层参数的梯度可以由后一层参数的梯度递推计算得到，可以表达为：

其中，w_ij为节点j连接节点i的权重，s_i为节点i上的输入加权和。

2.联邦学习(Federated Learning，FL)。

联邦学习这一概念的提出有效地解决了当前人工智能发展所面临的困境，其在充分保障用户数据隐私和安全的前提下，通过促使各个边缘设备和中心端服务器协同合作来高效地完成模型的学习任务。

如图2f所示，FL架构是当前FL领域的一种训练架构。示例性地，FedAvg算法是FL的基础算法，其算法流程大致如下：

(1)中心端初始化待训练模型并将其广播发送给所有客户端设备。

(2)在第t∈[1,T]轮中，客户端k∈[1,K]基于局部数据集对接收到的全局模型进行E个epoch的训练以得到本地训练结果将其上报给中心节点。

(3)中心节点汇总收集来自全部(或部分)客户端的本地训练结果，假设第t轮上传局部模型的客户端集合为中心端将以对应客户端的样本数为权重进行加权求均得到新的全局模型，具体更新法则为其后中心端再将最新版本的全局模型广播发送给所有客户端设备进行新一轮的训练。

(4)重复步骤(2)和(3)直至模型最终收敛或训练轮数达到上限。

除了上报本地模型还可以将训练的本地梯度进行上报，中心节点将本地梯度求平均，并根据这个平均梯度的方向更新全局模型。

可以看到，在FL框架中，数据集存在于分布式节点处，即分布式节点收集本地的数据集，并进行本地训练，将训练得到的本地结果(模型或梯度)上报给中心节点。中心节点本身没有数据集，只负责将分布式节点的训练结果进行融合处理，得到全局模型，并下发给分布式节点。

3.去中心式学习。与联邦学习不同，另一种分布式学习架构——去中心式学习。

如图2g所示，考虑没有中心节点的完全分布式系统。去中心式学习系统的设计目标f(x)一般是各节点目标f_i(x)的均值，即其中n是分布式节点数量，x是待优化参数，在机器学习中，x就是机器学习(如神经网络)模型的参数。各节点利用本地数据和本地目标f_i(x)计算本地梯度然后将其发送给通信可达的邻居节点。任一节点收到其邻点发来的梯度信息后，可以按照下式更新本地模型的参数x：

其中，表示第i个节点中第k+1(k为自然数)次更新后的本地模型的参数，表示第i个节点中第k次更新后的本地模型的参数(若k为0，则表示为第i个节点的未参与更新的本地模型的参数)，α_k表示调优系数，N_i是节点i的邻居节点集合，|N_i|表示节点i的邻居节点集合中的元素数量，即节点i的邻居节点数量。通过节点间的信息交互，去中心式学习系统最终将学到一个统一的模型。

本申请提供的技术方案可以应用于无线通信系统(例如图1a或图1b所示系统)，随着通信技术的发展以及人工智能(artificial intelligence，AI)技术的日益成熟，在无线通信系统中，AI逐渐成为通信系统中不可或缺的部分，未来无线网络架构需要支撑大量的AI功能。因此，如何在无线网络中支撑模型的部署是一个亟需解决的问题。

未来智能无线网络需要能够支撑大量的AI/机器学习(Machine Learning，ML)功能，包括通用AI模型、专用AI模型的部署及更新。但无线网络如何支撑通用及专用AI模型的部署，尚未有成熟且公认的技术方案支撑，此处空白亟需填补。

目前，在相关标准中，存在无线网络与AI结合的方案。第一种类型的部署方案为：

(1)AI/ML模型训练位于OAM(operation,administrator and maintenance，操作维护管理)，AL/ML模型推理位于gNB。

(2)AI/ML模型训练和AI/ML模型推理都位于gNB。

对于第一种类型的部署，即模型训练位于OAM，模型推理位于下一代无线接入网(next generation radio access network，NG-RAN)。

若5G基站采取分离结构，即gNB可以采用分离结构，gNB由控制单元(CU)和一个或多个分布式单元(DU)组成，gNB CU和gNB DU之间的接口称为F1。第二种类型的部署方案为：

(1)AI/ML模型训练位于OAM，AL/ML模型推理位于gNB-CU。

(2)AI/ML模型训练和AI/ML模型推理都位于gNB-CU。

对于第二种类型的部署，即模型训练及模型推理均位于NG-RAN。

应理解，未来面向6G的智能无线网络中，应当存在通用AI模型与专用AI模型共存的场景，无线网络架构需要支撑通用AI模型以及专用AI模型的部署、生成或更新等功能。而上述方案(例如第一种类型和第二种类型的部署方案)均处于对无线网络与AI结合的初级讨论阶段，以支撑连接或会话为目的的无线空口信令将不足以支撑模型的部署，模型训练及推理之间的信令流程也未能提供专用AI模型和/或通用AI模型的部署方案。

为了解决上述问题，本申请实施例提供了一种通信方法，请参阅图3，图3为本申请实施例提供的通信方法的一种实现示意图，该方法包括如下步骤。

要说明的是，在图3中以第一通信装置和第二通信装置作为该交互示意的执行主体为例来示意该方法，但本申请并不限制该交互示意的执行主体。例如，在图3中，方法的执行主体可以替换为通信装置中的芯片、芯片系统、处理器、逻辑模块或软件等。在图3中，该第一通信装置可以为网络设备且第二通信装置可以为终端设备，或者，该第一通信装置和第二通信装置均为终端设备(例如该方法可以应用于侧行链路通信场景下不同终端设备的通信过程)。

S301.第一通信装置生成第一AI模型。

S302.第一通信装置发送第一信息，第一信息用于确定第一AI模型。相应的，第二通信装置接收该第一信息。

S303.第二通信装置根据第一信息确定第一AI模型。

可选地，本申请涉及的AI模型(例如第一AI模型、第二AI模型，以及后文提及的第三AI模型、第四AI模型等)可以用于对该无线通信信号进行管理(包括配置、更新、优化中的至少一项)，例如该AI模型可以包括用于调制和/或解调的AI模型、用于信道预测的AI模型、用于波束管理的AI模型、用于辅助定位的AI模型，用于信道压缩的AI模型，用于资源调度的AI模型，用于替换发射机和/或接收机中一个或者多个模块的AI模型中的一项或多项。或者，本申请涉及的AI模型也可以是用于其它AI任务的AI模型，例如用于图像识别的AI模型、用于自然语言处理的AI模型、用于计算机视觉的AI模型等。

在一种可能的实现方式中，第一通信装置为用于生成或更新第一AI模型的功能实体，即生成/获得/确定/更新一个或多个AI模型。

在一种可能的实现方式中，该第一通信装置为用于生成或更新第一AI模型，并通过第一信息将第一AI模型部署于第二通信装置的功能实体。具体地，第一通信装置可以与一个或多个第二通信装置通信，并且，第一通信装置可以向第二通信装置发送一个或多个第一通信装置的信息(例如一个或多个第一信息)，以在一个或多个第二通信装置部署第一AI模型。

为了便于说明，以第一AI模型分别为专用AI模型和通用AI模型为例进行说明。

一、在一种可能的实现方式中，第一AI模型为专用AI模型。

对应的，第一通信装置在步骤S301生成专用AI模型，第二通信装置在步骤S303中根据第一信息确定专用AI模型。具体地，第二通信装置可以为终端设备，部署于该终端设备的AI模型可以为专用AI模型，并且，第一通信装置向第二通信装置发送的第一信息可以用于确定该专用AI模型。由于不同的终端设备可能具备不同的端侧特性(例如不同的本地数据不同，不同的本地算力，不同的信道特性等)，通过在终端设备中部署专用AI模型的方式，能够这种方式，能够使得在终端设备部署的AI模型能够适应于终端设备的端侧特性，以期提升AI模型的模型处理性能。另外，相比于大模型，在第二通信装置部署专用AI模型可以有效提高个性化场景的模型精度。

在一种可能的实现方式中，第一通信装置在步骤S301生成专用AI模型，包括：接收来自第二通信装置的第二信息；根据第二信息生成专用AI模型。具体地，第一通信装置可以接收来自一个或多个第二通信装置的第二信息，并根据第二信息生成专用AI模型。为了便于说明，以第一通信装置分别与两个第二通信装置进行通信为例，以图4来具体说明专用AI模型的部署机制。请参阅图4，图4为本申请实施例提供的通信方法的另一种实现示意图，包括以下步骤：

S401.第一通信装置接收来自第一个第二通信装置的第二信息。

S402.第一通信装置接收来自第二个第二通信装置的第二信息。

第一个第二通信装置和第二个通信设备在完成初始接入后，可以分别向第一通信装置反馈第二信息。

S403.第一通信装置根据两个第二通信装置的第二信息分别生成对应的专用AI模型。

S404.第一通信装置向第一个第二通信装置发送第一信息，第一信息用于确定专用AI模型。

S405.第一通信装置向第二个第二通信装置发送第一信息，第一信息用于确定专用AI模型。

本步骤中，第一通信装置在根据第二信息生成两个第二通信装置分别对应的第一信息后，通过向一个或多个第二通信装置分别发送对应的第一信息，以将专用AI模型分别部署于对应的第二通信装置中。

步骤S404和步骤S405可以理解为前述步骤S302的一种实现示例。

在一种可能的实现方式中，第一通信装置在步骤S403根据第二信息生成专用AI模型，包括：第一通信装置对通用AI模型进行迁移、微调、蒸馏、剪枝中的至少一项处理。

可选地，大模型可以通过训练海量数据来学习复杂的模式和特征，具有更强大的泛化能力，可以对未处理过的数据做出准确的预测。与之相对的，小模型可以是指参数较少、层数较浅的模型。第一通信装置通过对通用AI模型进行迁移、微调、蒸馏、剪枝，能够得到轻量级、参数较少的专用AI模型。

在一种可能的实现方式中，第一通信装置在步骤S402可以根据一个或多个第二信息对第二通信装置进行分类，并对每一类第二通信装置生成该类型对应的专用AI模型(例如单个模型或一组端边模型)。具体地，第一通信装置可以根据第二信息对第二通信装置进行分类，并为每类专用AI模型添加类型标识符(如：type 1、type 2等)，进而生成第一信息，即专用AI模型的列表。

可选的，第一通信装置可以基于信息瓶颈(information bottleneck，IB)理论生成专用AI模型的列表。

在一种可能的实现方式中，第二信息可以包括以下信息A至信息E中的一项或多项。

信息A.第一通信装置与第二通信装置之间的信道状态信息。

信息B.第二通信装置的本地算力状态。

信息C.第二通信装置的位置信息。

信息D.第二通信装置的行为信息。

信息E.第二通信装置的本地数据信息及标签信息。

对于信息A，可选地，第一通信装置与第二通信装置之间的信道状态信息可以是基于参考信号得到的。

对于信息B，在该第二信息包括第二通信装置的本地算力状态信息的情况下，由于AI模型的模型处理的复杂度要求可能与第二通信装置的本地算力状态相关。为此，对于第一通信装置而言，该第一通信装置基于该本地算力状态信息确定的专用AI模型，可以适配于该第二通信装置的本地算力状态，以向第二通信装置提供满足该本地算力状态的专用AI模型，提升第一通信装置基于该专用AI模型进行模型处理的处理性能。

对于信息C，在该第二信息包括第二通信装置的位置信息的情况下，由于第二通信装置的位置发生变化时，第二通信装置所属的类别可能会发生变化。因此，对于第一通信装置而言，该第一通信装置基于该位置信息确定的专用AI模型，可以适配于第二通信装置的位置，以生成满足精度要求的专用AI模型。

对于信息D，在该第二信息包括第二通信装置的行为信息的情况下，由于第二通信装置的行为发生变化时，专用AI模型的参数或结构可能会发生变化。因此，对于第一通信装置而言，该第一通信装置基于该位置信息确定的专用AI模型，以生成满足精度要求的专用AI模型。

可选地，行为信息包括用户的移动轨迹、RRC状态、接入或切换相关的行为中的一项或多项。

对于信息E，在该第二信息包括第二通信装置的本地数据信息及标签信息的情况下，为确保第二通信装置的数据安全或防止隐私泄露，对于第二通信装置需上传原始的本地数据的AI任务，可以对该数据进行加密处理，例如同态加密等。而在第二通信装置无需上传原始的本地数据的AI任务中，第二通信装置可以将本地数据以压缩等方式，以嵌入(embedding)或其他非一一映射的形式向第一通信装置发送该数据，以保障该数据的安全。

在一种可能的实现方式中，第二通信装置在步骤S303中可以根据第一信息确定第二通信装置所属的类别。具体地，第一信息包括第二通信装置所属的类别，第一通信装置通过向第二通信装置下发第一信息，以使得第二通信装置根据第一信息确定所属的类别。

应理解，随着第二通信装置的移动，该第二通信装置的信道及位置会发生变化，其所属的类别有可能发生改动。但第二通信装置周期性向第一通信装置上报第二信息，故第一通信装置会周期性更新第二通信装置所属的类别，并下发该类别的类型标识符与专用AI模型至第二通信装置。由于第二通信装置的类别发生变化后，第一通信装置需下发新的模型类别(和/或)模型至第二通信装置，故图4所述的方案适用于第二通信装置较为固定、或移动较慢的场景，在该场景中，第一通信装置下发模型的频率较低，故开销较小。

下面对第一信息包含的一个或多个AI模型的列表的内容进行说明。其中，第一信息的内容与第一AI模型有关，其中，第一AI模型为单个AI模型或者第一AI模型包含于第一AI模型组中。

(1)第一AI模型为单个AI模型

如前所述，第一信息可以用于确定第二通信装置所属的类别。在一种可能的实现方式中，第一信息包括第一AI模型的标识，标识type用于在包含一个或多个专用AI模型的列表中确定第一AI模型。示例性地，专用AI模型的列表的内容如下表2所示。

表2

类型	模型
		type 1	专用AI模型

在一种可能的实现方式中，第一信息包括标识，即第一通信装置向第二通信装置发送标识type。

可选地，在第一通信装置向第二通信装置发送第一信息之前，向第二通信装置发送一个或多个专用AI模型的列表。具体地，第一通信装置通过向第二通信装置提前发送一个或多个专用AI模型的列表，以使得在后续需要变更模型的类型时，可以下发模型的标识type，从而减少数据传输量。第二通信装置可以通过查表或者其他方式从表2中确定标识对应的AI模型。

应理解，在第二通信装置的类别发生变化后，第一通信装置下发第二通信装置所属的类别的标识的情况更适用于第二通信设备较为高速移动的场景。在该场景中，虽然第二通信装置的类型变化较快，但是，由于第一通信装置需向第二通信装置发送更新的标识，而不用发送更新的模型，因此，信令开销较小。

另在一种可能的实现方式中，第一信息包括第一AI模型的模型参数和/或模型结构信息，即第一通信装置向第二通信装置发送第一AI模型的模型参数和/或模型结构信息。具体地，第二通信装置可以直接基于该第一AI模型的模型参数和/或模型结构信息确定部署的第一AI模型，而无需进行上述的查表操作。

在该种实现方式下，可选地，第一信息还包括第一AI模型的标识。具体地，第一通信装置除了向第二通信装置发送第一AI模型的模型参数和/或模型结构信息以外，还可以向第二通信装置发送第一AI模型的标识，以使得第二通信装置基于标识或者模型的参数等，确定第一AI模型。

(2)第一AI模型包含于第一AI模型组中。

在一种可能的实现方式中，第一AI模型包含于第一AI模型组，第一AI模型组还包括第二AI模型，第一AI模型部署于第一通信装置，第二AI模型部署于第二通信装置；其中，第二AI模型的输入包括第一AI模型的输出，或，第一AI模型的输入包括第二AI模型的输出。

该种实现方式中，假设第一通信装置可以为网络设备，第二通信装置可以为终端设备。由于不同的终端设备可能具备不同的端侧特性(例如不同的本地数据不同，不同的本地算力，不同的信道特性等)，不同的网络设备可能具备不同的边侧特性，通过在终端设备中部署第二AI模型，在网络设备部署第一AI模型，能够使得终端设备部署的第二AI模型能够适应于终端设备的端侧特性，使得网络设备部署的第一AI模型能够适应于网络设备的边侧特性，以期提升AI模型的模型处理性能。

可选地，AI模型组列表可以包括一个或多个AI模型组，每个AI模型组可以包括两个或两个以上的AI模型。如前文所述，AI模型组与AI模型之间的关系，也可以理解为AI模型与AI子模型之间的关系。为此，AI模型组列表也可以替换为AI模型列表，即该AI模型列表可以包括一个或多个AI模型。

可选地，该第一AI模型组包含的第一AI模型和第二AI模型，可以为通用AI模型或专用AI模型，以实现不同类型的模型的更新。

在一种可能的实现方式中，第一信息包括第一AI模型的标识，标识用于在包含一个或多个专用AI模型的列表中确定第一AI模型。

该种实现方式下，可选地，在向第二通信装置发送第一信息之前，方法还包括：向第二通信装置发送一个或多个专用AI模型的列表。

应理解，与第一AI模型为单个模型的情况相似，该种实现方式中，第一信息的内容可以包括标识(type)。第二通信装置在接收第一信息之前，提前存储有一个或多个专用AI模型的列表，在第二通信装置接收来自于第一通信装置的第一信息后，可以根据第一信息中的标识从列表中查找到对应的AI模型。

在一种可能的实现方式中，第一信息包括第一AI模型的模型参数和/或模型结构信息。

在一种可能的实现方式中，第一信息还包括第一AI模型的标识(type)。

上述两种实现方式中，第一信息的内容可以为第一AI模型的模型参数和/或模型结构信息，或者，第一信息的内容为第一AI模型的模型参数和/或模型结构信息以及第一AI模型对应的标识(type和AI模型)。

在第一AI模型包含于第一AI模型组的情况下，第一通信装置向第二通信装置发送的第一信息中可以包括第一模型组中的大多数模型的信息。

在另一种可能的实现方式中，第一信息还用于确定第一AI模型组中的第二AI模型。

示例性地，在第一AI模型包含于第一AI模型组，第一信息的内容可以如下表3所示。

表3

类型	模型1	模型2
			type 1	第一AI模型	第二AI模型

综合表2、表3的内容，应理解，第一信息的内容包括以下几种形式：

1、类型(适用于已保存有列表的情况，可以下发type，这样第一通信装置可以根据type从列表中找到对应的AI模型，以减少信令开销)。

2、类型和单个AI模型。

3、类型和AI模型组。

4、类型和端侧的AI模型。

为便于理解，下面将通过图5a和图5b所示示例，对第一通信装置和第二通信装置部署的第一AI模型进行示例描述。

如图5a所示示例，第一AI模型部署于该第一通信装置，第二AI模型部署于第二通信装置，并且，部署于第一通信装置的第一AI模型的输入包括部署于第二通信装置的第二AI模型的输出。在该示例中，以第二AI模型的输入数据为X为例，经过第二AI模型的处理，该第二通信装置可以得到并发送数据Z；经过无线信道的传输，第一通信装置接收的数据表示为(可以理解的是，由于无线信道上的传输路损以及噪声等干扰，与Z可能不是相同的，可以理解为Z的估计或Z的测量值等)。此后，第一通信装置可以将数据作为第一AI模型的输入，经过第一AI模型的处理得到数据

如图5b所示示例，第一AI模型部署于该第一通信装置，第二AI模型部署于第二通信装置，并且，第二AI模型的输入包括该第一AI模型的输出。在该示例中，以第一AI模型的输入数据为X为例，经过第一AI模型的处理，该第一通信装置可以得到并发送数据Z；经过无线信道的传输，第二通信装置接收的数据表示为此后，第二通信装置可以将数据作为第二AI模型的输入，经过第二AI模型的处理得到数据

可以理解的是，第一通信装置和第二通信装置可以有多种实现。

又如，该第二通信装置可以为网络设备(例如接入网设备)，相应的，第一通信装置和第二通信装置可以在上下行通信链路上进行通信。在这种情况下，第一AI模型和第二AI模型可以称为边端模型，边端协同模型，端边模型，端边协同模型等。示例性的，第一通信装置为终端设备且第二通信装置为接入网设备的情况下，图5a所示场景可以理解为基于下行场景实现的端边协同，图5b所示场景可以理解为基于上行场景实现的端边协同。

需要说明的是，在图5a和图5b中，数据Y可以为数据X对应的标签数据，该标签数据Y和第一AI模型和第二AI模型的处理结果之间的关联关系可以用于检测或确定第一AI模型和第二AI模型的处理性能。例如，该关联关系可以通过梯度信息、损失函数等方式确定。

在引入专用AI模型的基础上，下面对专用AI模型与通用AI模型的协同部署进行说明。

请参阅图6a，图6a为本申请实施例提供的专用AI模型与通用AI模型协同部署的一种示意图。

假设第一通信装置为基站，第二通信装置为终端设备，对应到图6a，云(cloud)可以理解为传统云计算的中心节点，是边缘计算的管控端，云/核心网可以对应本实施例所述的第三通信装置。边可以理解为云计算的边缘侧，分为基础设施边缘和设备边缘，在无线网络中指代边缘服务器或基站，可以对应于本实施例的第一通信装置。端可以理解为终端设备，如手机、平板、传感器等各类终端，可以对应于本实施例的第二通信装置。

如图6a所示，通用AI模型主要由云或核心网生成，或者由第一通信装置预先配置，专用AI模型由第一通信装置生成，通过以上实现方式可实现端-边-云侧的AI模型协同。

在一种可能的实现方式中，请参阅图6b，图6b为本申请实施例提供的通信方法的另一种实现示意图。图6b主要用于介绍通用AI模型的部署方案。图6b主要用于说明用户采用的是基站下发的最新AI模型，包括以下步骤：

S601.第一通信装置接收来自第三通信装置的第三信息。

第一通信装置接收来自第三通信装置的第三信息后，可以根据第三信息确定通用AI模型，并存储通用AI模型。

可选地，通用AI模型也可以由第一通信装置在本地预先配置，而无需接收来自云/核心网生成和发送的第三信息。

S602.第一通信装置向第二通信装置发送第三信息，第三信息用于确定第三AI模型，第三AI模型为通用AI模型。

S603.第二通信装置根据第三信息确定第三AI模型。

S604，第二通信装置根据第一信息确定第一AI模型。

在步骤S604中，为了简要说明，仅示出了第二通信装置根据第一信息确定第一AI模型的内容，在实际执行时，在执行完步骤S603后，第二通信装置可以向第一通信装置反馈其他需求，第一通信装置响应该需求，并向第二通信装置发送需求对应的第一信息。或者，第一通信装向第二通信装置发送第一信息，以使得第二通信装置根据该第一信息确定第一AI模型，将部署的AI模型从第三AI模型切换为第一AI模型。

可选地，在图6b所示的步骤S601之前，还可以执行图3的步骤S301至S303，即第二通信装置可以先部署或存储有专用AI模型，后部署或者存储有通用AI模型，以根据实际需求部署匹配的AI模型，实现专用AI模型和通用AI模型的联合部署。

可选地，在图6b所示的步骤S604之后，还可以执行图3的步骤S301至S303，即第二通信装置可以先部署或存储有同用AI模型，后部署或者存储有专用AI模型，以根据实际需求部署匹配的AI模型，实现专用AI模型和通用AI模型的联合部署。

示例性地，请参阅图6c，图6c为本申请实施例提供的通信方法的另一种实现示意图。以第一通信装置为基站(base station，BS)，第二通信装置为用户设备(UE)为例进行说明。步骤如下：

1、基站向UE下发通用AI模型的类别(例如：type 0)与端侧模型(已通过SIB告知UE接入后需使用通用AI模型)。

2、UE初始接入后，使用type 0的端侧模型。

3、UE向基站反馈信道状态信息等(即第二信息)。

4、基站对UE进行分类，根据专用AI模型的列表确定UE所属的类别。

5、基站向UE下发对应的类别(例如：type 1)及端侧专用AI模型。

6、UE使用最新的type 1端侧模型。

应理解，为了简要说明，省略了通用AI模型的具体来源，基站可以接收来自云/核心网发送的第三信息来确定通用AI模型，或者，基站根据配置信息得到通用AI模型。步骤1对应图6b中的步骤S602，步骤2对应图6b中的步骤S603，在UE使用type 0的端侧模型，步骤5对应图6b中的步骤S604。

应理解，步骤3、步骤4以及步骤6均为可选步骤。对于步骤3和步骤4，基站可以根据UE反馈的第二信息来向UE发送UE对应的类别及端侧专用AI模型，也可以根据自身的需求或者其他通信装置反馈的需求向UE下发UE对应的类别及端侧专用AI模型。对于步骤6，UE在接收来自基站的UE对应的类别及端侧专用AI模型后，可以选择采用和部署该专用AI模型，也可以先存储该类别(例如：type 1)以及该类别对应的专用AI模型，在有该专用AI模型的需求时部署。

可选地，在基站下发专用AI模型的列表整体至UE后，随着UE移动，基站可以通知UE其类别的更新。

可选地，第三通信装置可以基于仿真器预训练或现网数据生成第三AI模型，并向第二通信装置发送第三信息，第三信息用于确定第三AI模型。

可选地，第三AI模型包含于第二AI模型组，第二AI模型组还包括第四AI模型，第三AI模型部署于第一通信装置，第四AI模型部署于第二通信装置；其中，第三AI模型的输入包括第四AI模型的输出，或，第四AI模型的输入包括第三AI模型的输出。

第一通信装置在步骤S601中除了可以从第三通信装置处获取第三信息以外，可选地，第三信息还可以为第一通信装置缺省自带。例如，第一通信装置基于事先配置(如default配置)得到第三信息，将第三信息存储在本地或者云端，在第一通信装置有部署通用AI模型的需求时从本地或者云端获取。在第一通信装置接收来自第三通信装置的第三信息后，第一通信装置可以接收来自第二通信装置发送的第三信息，以确定第三AI模型，即通用AI模型，并将通用AI模型部署于第二通信装置。

第二通信装置除了从第一通信装置处获取第三信息以外，可选地，第三信息还可以为第二通信装置缺省自带。例如，第二通信装置基于事先配置(如default配置)得到第三信息，将第三信息存储在本地或者云端，在第二通信装置有部署通用AI模型的需求时从本地或者云端获取。

可选地，第一通信装置和/或第二通信装置自身自带或存储有(例如，缺省配置)通用AI模型，通用AI模型可以存储于第一通信装置和/或第二通信装置的本地或者云端。

可选地，第三信息可以理解为通用AI模型的列表，通用AI模型的列表可以如下表4所示，以通用AI模型为单个模型为例。通用AI模型的列表与专用AI模型的列表的内容和下发方式类似，具体可以参见上述对专用AI模型的列表的相关描述，在此不再赘述。

表4

类型	模型
		type 0	通用AI模型

本实施例以type 0的类型来表示通用AI模型，以type 1的类型来表示专用AI模型。在实际执行过程中，不同AI模型对应的type可以根据具体需求进行设定，在此仅为举例说明而不进行限定。

可选地，在第二通信装置在步骤S603根据第三信息确定第三AI模型后，若第二通信装置接收到来自于第一通信装置的第一信息，则第二通信装置根据第一信息确定第一AI模型，采用第一AI模型即专用AI模型进行通信或者传输。

在一种可能的实现方式中，第一通信装置在向第二通信装置发送第一信息之后，方法还包括：第一通信装置接收来自第二通信装置的第四信息，第四信息用于指示一个或多个AI模型的列表中的其中一个AI模型。

在该种实现方式中，在第二通信装置部署了专用AI模型的基础上，第二通信装置可以主动向第一通信装置发送第四信息，以反馈建议的AI模型(例如type 3)。

具体包括两类：

第一类：第一通信装置采纳了第二通信装置的建议。

1、第二通信装置向第一通信装置反馈第二通信装置当前建议的模型类型。

2、第一通信装置决策并反馈第二通信装置：可选该类型。

3、第二通信装置运行该类型的端侧模型。

第二类：第一通信装置否决了第二通信装置的建议，并提供第一通信装置的类型选型。

第二通信装置向第一通信装置反馈第二通信装置当前建议的模型类型。

第一通信装置决策不建议选择该类型，并反馈UE建议的类型(例如type 2)。

第二通信装置按第一通信装置指示运行该类型的端侧模型。

示例性地，请参阅图6d，图6d为本申请实施例提供的通信方法的另一种实现示意图。以第一通信装置为基站(base station，BS)，第二通信装置为用户设备(UE)为例进行说明。图6d主要用于说明UE有权向基站反馈本地倾向选择的模型类型，UE的建议需与基站的决策完成交互。

2、UE初始接入后，使用type 0的端侧模型。

3、UE向基站反馈信道状态信息等(即第二信息)。

4、基站生成专用AI模型的列表。

5、基站向UE下发专用AI模型的列表(若为端边协同模型组，则可选择只下发类别和端侧模型)。

6、UE基于专用AI模型的列表选择模型。

7、UE向基站反馈建议的模型选型(例如：type 3)。

8、基站判断UE建议的模型选型的可行性。

9、若基站决策为可行，则向UE反馈模型选型确认(ACK)的消息，否则向UE反馈模型选型否决(NACK)的消息，并提供基站的选型(例如：type 2)。

10、若UE收到基站反馈的确认信息，则使用之前向基站提供建议的选型类型(例如：type 3)。若UE收到基站反馈的否决信息，则使用基站提供的选型(例如：type 2)。

应理解，步骤3、步骤4、步骤6至步骤10均为可选步骤。对于步骤3和步骤4，基站可以根据UE反馈的第二信息来向UE发送UE对应的类别及端侧专用AI模型，也可以根据自身的需求或者其他通信装置反馈的需求向UE下发UE对应的类别及端侧专用AI模型。对于步骤6，UE在接收来自基站的UE对应的类别及端侧专用AI模型后，可以选择采用和部署该专用AI模型，也可以先存储该类别(例如：type1)以及该类别对应的专用AI模型，在有该专用AI模型的需求时部署。对于步骤7至步骤10，UE是否向基站反馈建议的模型选型是根据UE在实际执行时的需求决定的，为可选步骤。UE可以向基站反馈UE侧建议的模型选型(例如：type 3)，若基站决策为可行，则UE可采用该建议的模型选型(例如：type3)，若基站否决该建议，则UE采用基站建议的模型选型(例如：type 2)。

应理解，由于基站拥有更多的本地信息，故基站选型的优先级高于UE建议选型。

可选地，在该种实现方式中，一个或多个AI模型的列表包括一个或多个专用AI模型的列表和/或通用AI模型的列表。

应理解，一个或多个AI模型的列表可以包括专用AI模型的内容和/或通用AI模型的内容，即可以如上表2、表3、表4中的任一内容，或者如上表2和上表4，上表3和上表4，或者如上表2、上表3和上表4所示的组合内容。其中，具体可以根据实际需求进行设定，在此不做限定。

二、在一种可能的实现方式中，第一AI模型为通用AI模型。

在一种可能的实现方式中，通用AI模型由第三通信装置生成。具体地，第三通信装置接收来自于第一通信装置的第六信息，并根据第六信息生成第五信息，第三通信装置向第一通信装置发送第五信息，第五信息用于确定通用AI模型，通用AI模型部署于第一通信装置和第二通信装置，或通用AI模型部署于第二通信装置。

基于上述技术方案，第三通信装置基于来自第一通信装置的第六信息生成通用AI模型，并向第一通信装置发送第五信息，以将通用AI模型部署于第一通信装置。第一通信装置可以通过来自一个或多个第三通信装置的信息(例如一个或多个第五信息)生成或更新通用AI模型，后续多个第一通信装置以及与各个第一通信装置连接的第二通信装置均可以部署泛化性较高的、通用性较好的通用AI模型。

可选地，第六信息包括第二信息。具体地，第一通信装置接收来自第二通信装置的第二信息，并向第三通信装置发送第六信息，其中，第六信息包括第二信息的全部内容，或者，第六信息包括第二信息的部分内容，例如，仅发送第三通信装置需要使用的数据，省略其他数据，以减少数据传输量。

可选地，第六信息基于处理后的第二信息确定。具体地，第一通信装置接收来自第二通信装置的第二信息后，第一通信装置根据自身或者来自第三通信装置的AI需求，对第二信息进行处理并向第三通信装置发送处理后的信息(即第六信息)。或者，第一通信通信装置从第二信息中提取出通用AI模型的列表，并向第三通信装置发送通用AI模型的列表等。

可选地，第三通信装置为云侧或者核心网。

在一种可能的实现方式中，在第一通信装置接收来自第一通信装置的第一信息之前，方法还包括：第一通信装置向第二通信装置发送广播消息，广播消息用于告知第二通信装置使用第一AI模型。对应的，第二通信装置接收来自第一通信装置的广播消息。

应理解，第一通信装置可以通过向第二通信装置发送广播消息(例如系统信息块(system information block，SIB))告知第二通信装置是否需要在其接入后使用通用AI模型。若需要，则第二通信装置在接入后，第一通信装置可以向第二通信装置发送第一信息。若不需要，则第一通信装置不向第二通信装置发送第一信息，而是在第二通信装置有相关需求时基于来自第二通信装置的请求发送第一信息。

在一种可能的实现方式中，上述第一信息、第二信息、第三信息、第四信息、第五信息以及第六信息中的一项或多项均为周期发送的信息。

具体地，第一信息可以为AI模型的确定依据之一，第二信息可以部署专用AI模型，第三信息可以部署通用AI模型，第四信息可以提供模型建议，第五信息可以部署通用AI模型。其中，第一通信装置和第二通信装置之间通过周期发送第一信息和/或第二信息和/或第三信息和/或第四信息的方式，能够实现AI模型的周期性确定和/或周期性部署和/或周期性的建议，以通过周期性的过程实现AI模型的多次迭代更新。第一通信装置和第三通信装置通过周期发送第五信息和/或第六信息的方式，能够实现AI模型的周期性部署，以通过周期性的过程实现AI模型的多次迭代更新。

应理解，通用AI模型的具体实现方式与专用AI模型类似，关于通用AI模型的具体实现内容可以参考专用AI模型中的描述，在此不再赘述。

请参阅图7，本申请实施例提供了一种通信装置700，该通信装置700可以实现上述方法实施例中第二通信装置或第一通信装置的功能，因此也能实现上述方法实施例所具备的有益效果。在本申请实施例中，该通信装置700可以是第一通信装置(或第二通信装置)，也可以是第一通信装置(或第二通信装置)内部的集成电路或者元件等，例如芯片。

需要说明的是，收发单元702可以包括发送单元和接收单元，分别用于执行发送和接收。

在一种可能的实现方式中，当该装置700为用于执行前述实施例中第一通信装置所执行的方法时，该装置700包括处理单元701和收发单元702；该处理单元701用于生成第一人工智能AI模型；该收发单元702用于发送第一信息，该第一信息用于确定第一AI模型。

在一种可能的实现方式中，当该装置700为用于执行前述实施例中第二通信装置所执行的方法时，该装置700包括处理单元701和收发单元702；该收发单元702用于接收来自第一通信装置的第一信息；该处理单元701用于根据第一信息确定第一AI模型。

在一种可能的实现方式中，当该装置700为用于执行前述实施例中第三通信装置所执行的方法时，该装置700包括处理单元701和收发单元702；该收发单元702用于接收来自于第一通信装置的第六信息；该处理单元701用于根据第六信息生成第五信息；该收发单元702用于向第一通信装置发送第五信息，第五信息用于确定通用AI模型，通用AI模型部署于第一通信装置和第二通信装置，或通用AI模型部署于第二通信装置。

需要说明的是，上述通信装置700的单元的信息执行过程等内容，具体可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

请参阅图8，为本申请提供的通信装置800的另一种示意性结构图，通信装置800包括逻辑电路801和输入输出接口802。其中，通信装置800可以为芯片或集成电路。

其中，图7所示收发单元702可以为通信接口，该通信接口可以是图8中的输入输出接口802，该输入输出接口802可以包括输入接口和输出接口。或者，该通信接口也可以是收发电路，该收发电路可以包括输入接口电路和输出接口电路。

可选的，该逻辑电路801用于生成第一人工智能AI模型；该输入输出接口802用于发送第一信息，该第一信息用于确定第一AI模型。

可选地，该输入输出接口802用于接收来自第一通信装置的第一信息；该逻辑电路801用于根据第一信息确定第一AI模型。

可选地，该输入输出接口802用于接收来自于第一通信装置的第六信息；该逻辑电路801用于根据第六信息生成第五信息；该输入输出接口802用于向第一通信装置发送第五信息，第五信息用于确定通用AI模型，通用AI模型部署于第一通信装置和第二通信装置，或通用AI模型部署于第二通信装置。

其中，逻辑电路801和输入输出接口802还可以执行任一实施例中第一通信装置或第二通信装置执行的其他步骤并实现对应的有益效果，此处不再赘述。

在一种可能的实现方式中，图7所示处理单元701可以为图8中的逻辑电路801。

可选的，逻辑电路801可以是一个处理装置，处理装置的功能可以部分或全部通过软件实现。其中，处理装置的功能可以部分或全部通过软件实现。

可选的，处理装置可以包括存储器和处理器，其中，存储器用于存储计算机程序，处理器读取并执行存储器中存储的计算机程序，以执行任意一个方法实施例中的相应处理和/或步骤。

可选地，处理装置可以包括处理器。用于存储计算机程序的存储器位于处理装置之外，处理器通过电路/电线与存储器连接，以读取并执行存储器中存储的计算机程序。其中，存储器和处理器可以集成在一起，或者也可以是物理上互相独立的。

可选地，该处理装置可以是一个或多个芯片，或一个或多个集成电路。例如，处理装置可以是一个或多个现场可编程门阵列(field-programmable gate array，FPGA)、专用集成芯片(application specific integrated circuit，ASIC)、系统芯片(system onchip，SoC)、中央处理器(central processor unit，CPU)、网络处理器(networkprocessor，NP)、数字信号处理电路(digital signal processor，DSP)、微控制器(microcontroller unit，MCU)，可编程控制器(programmable logic device，PLD)或其它集成芯片，或者上述芯片或者处理器的任意组合等。

请参阅图9，为本申请的实施例提供的上述实施例中所涉及的通信装置900，该通信装置900具体可以为上述实施例中的作为终端设备的通信装置，图9所示示例为终端设备通过终端设备(或者终端设备中的部件)实现。

其中，该通信装置900的一种可能的逻辑结构示意图，该通信装置900可以包括但不限于至少一个处理器901以及通信端口902。

其中，图7所示收发单元702可以为通信接口，该通信接口可以是图9中的通信端口902，该通信端口902可以包括输入接口和输出接口。或者，该通信端口902也可以是收发电路，该收发电路可以包括输入接口电路和输出接口电路。

进一步可选的，该装置还可以包括存储器903、总线904中的至少一个，在本申请的实施例中，该至少一个处理器901用于对通信装置900的动作进行控制处理。

此外，处理器901可以是中央处理器单元，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，数字信号处理器和微处理器的组合等等。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，图9所示通信装置900具体可以用于实现前述方法实施例中终端设备所实现的步骤，并实现终端设备对应的技术效果，图9所示通信装置的具体实现方式，均可以参考前述方法实施例中的叙述，此处不再一一赘述。

请参阅图10，为本申请的实施例提供的上述实施例中所涉及的通信装置1000的结构示意图，该通信装置1000具体可以为上述实施例中的作为网络设备的通信装置，图10所示示例为网络设备通过网络设备(或者网络设备中的部件)实现，其中，该通信装置的结构可以参考图10所示的结构。

通信装置1000包括至少一个处理器1011以及至少一个网络接口1014。进一步可选的，该通信装置还包括至少一个存储器1012、至少一个收发器1013和一个或多个天线1015。处理器1011、存储器1012、收发器1013和网络接口1014相连，例如通过总线相连，在本申请实施例中，该连接可包括各类接口、传输线或总线等，本实施例对此不做限定。天线1015与收发器1013相连。网络接口1014用于使得通信装置通过通信链路，与其它通信设备通信。例如网络接口1014可以包括通信装置与核心网设备之间的网络接口，例如S1接口，网络接口可以包括通信装置和其他通信装置(例如其他网络设备或者核心网设备)之间的网络接口，例如X2或者Xn接口。

其中，图7所示收发单元702可以为通信接口，该通信接口可以是图10中的网络接口1014，该网络接口1014可以包括输入接口和输出接口。或者，该网络接口1014也可以是收发电路，该收发电路可以包括输入接口电路和输出接口电路。

处理器1011主要用于对通信协议以及通信数据进行处理，以及对整个通信装置进行控制，执行软件程序，处理软件程序的数据，例如用于支持通信装置执行实施例中所描述的动作。通信装置可以包括基带处理器和中央处理器，基带处理器主要用于对通信协议以及通信数据进行处理，中央处理器主要用于对整个终端设备进行控制，执行软件程序，处理软件程序的数据。图10中的处理器1011可以集成基带处理器和中央处理器的功能，本领域技术人员可以理解，基带处理器和中央处理器也可以是各自独立的处理器，通过总线等技术互联。本领域技术人员可以理解，终端设备可以包括多个基带处理器以适应不同的网络制式，终端设备可以包括多个中央处理器以增强其处理能力，终端设备的各个部件可以通过各种总线连接。该基带处理器也可以表述为基带处理电路或者基带处理芯片。该中央处理器也可以表述为中央处理电路或者中央处理芯片。对通信协议以及通信数据进行处理的功能可以内置在处理器中，也可以以软件程序的形式存储在存储器中，由处理器执行软件程序以实现基带处理功能。

存储器主要用于存储软件程序和数据。存储器1012可以是独立存在，与处理器1011相连。可选的，存储器1012可以和处理器1011集成在一起，例如集成在一个芯片之内。其中，存储器1012能够存储执行本申请实施例的技术方案的程序代码，并由处理器1011来控制执行，被执行的各类计算机程序代码也可被视为是处理器1011的驱动程序。

图10仅示出了一个存储器和一个处理器。在实际的终端设备中，可以存在多个处理器和多个存储器。存储器也可以称为存储介质或者存储设备等。存储器可以为与处理器处于同一芯片上的存储元件，即片内存储元件，或者为独立的存储元件，本申请实施例对此不做限定。

收发器1013可以用于支持通信装置与终端之间射频信号的接收或者发送，收发器1013可以与天线1015相连。收发器1013包括发射机Tx和接收机Rx。具体地，一个或多个天线1015可以接收射频信号，该收发器1013的接收机Rx用于从天线接收该射频信号，并将射频信号转换为数字基带信号或数字中频信号，并将该数字基带信号或数字中频信号提供给该处理器1011，以便处理器1011对该数字基带信号或数字中频信号做进一步的处理，例如解调处理和译码处理。此外，收发器1013中的发射机Tx还用于从处理器1011接收经过调制的数字基带信号或数字中频信号，并将该经过调制的数字基带信号或数字中频信号转换为射频信号，并通过一个或多个天线1015发送该射频信号。具体地，接收机Rx可以选择性地对射频信号进行一级或多级下混频处理和模数转换处理以得到数字基带信号或数字中频信号，该下混频处理和模数转换处理的先后顺序是可调整的。发射机Tx可以选择性地对经过调制的数字基带信号或数字中频信号时进行一级或多级上混频处理和数模转换处理以得到射频信号，该上混频处理和数模转换处理的先后顺序是可调整的。数字基带信号和数字中频信号可以统称为数字信号。

收发器1013也可以称为收发单元、收发机、收发装置等。可选的，可以将收发单元中用于实现接收功能的器件视为接收单元，将收发单元中用于实现发送功能的器件视为发送单元，即收发单元包括接收单元和发送单元，接收单元也可以称为接收机、输入口、接收电路等，发送单元可以称为发射机、发射器或者发射电路等。

需要说明的是，图10所示通信装置1000具体可以用于实现前述方法实施例中网络设备所实现的步骤，并实现网络设备对应的技术效果，图10所示通信装置1000的具体实现方式，均可以参考前述方法实施例中的叙述，此处不再一一赘述。

请参阅图11，为本申请的实施例提供的上述实施例中所涉及的通信装置的结构示意图。

可以理解的是，通信装置110包括例如模块、单元、元件、电路、或接口等，以适当地配置在一起以执行本申请提供的技术方案。所述通信装置110可以是前文描述的终端设备或网络设备，也可以是这些设备中的部件(例如芯片)，用以实现下述方法实施例中描述的方法。通信装置110包括一个或多个处理器111。所述处理器111可以是通用处理器或者专用处理器等。例如可以是基带处理器、或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理，中央处理器可以用于对通信装置(如，RAN节点、终端、或芯片等)进行控制，执行软件程序，处理软件程序的数据。

可选的，在一种设计中，处理器111可以包括程序113(有时也可以称为代码或指令)，所述程序113可以在所述处理器111上被运行，使得所述通信装置110执行下述实施例中描述的方法。在又一种可能的设计中，通信装置110包括电路(图11未示出)。

可选的，所述通信装置110中可以包括一个或多个存储器112，其上存有程序114(有时也可以称为代码或指令)，所述程序114可在所述处理器111上被运行，使得所述通信装置110执行上述方法实施例中描述的方法。

可选的，所述处理器111和/或存储器112中可以包括AI模块117,118，所述AI模块用于实现AI相关的功能。所述AI模块可以是通过软件，硬件，或软硬结合的方式实现。例如，AI模块可以包括无线智能控制(radio intelligence control，RIC)模块。例如AI模块可以是近实时RIC或者非实时RIC。

可选的，所述处理器111和/或存储器112中还可以存储有数据。所述处理器和存储器可以单独设置，也可以集成在一起。

可选的，所述通信装置110还可以包括收发器115和/或天线116。所述处理器111有时也可以称为处理单元，对通信装置(例如RAN节点或终端)进行控制。所述收发器115有时也可以称为收发单元、收发机、收发电路、或者收发器等，用于通过天线116实现通信装置的收发功能。

其中，图7所示处理单元701可以是处理器111。图7所示收发单元702可以为通信接口，该通信接口可以是图11中的收发器115，该收发器115可以包括输入接口和输出接口。或者，该收发器115也可以是收发电路，该收发电路可以包括输入接口电路和输出接口电路。

本申请实施例还提供一种计算机可读存储介质，该存储介质用于存储一个或多个计算机执行指令，当计算机执行指令被处理器执行时，该处理器执行如前述实施例中第一通信装置或第二通信装置可能的实现方式所述的方法。

本申请实施例还提供一种计算机程序产品(或称计算机程序)，当计算机程序产品被该处理器执行时，该处理器执行上述第一通信装置或第二通信装置可能实现方式的方法。

本申请实施例还提供了一种芯片系统，该芯片系统包括至少一个处理器，用于支持通信装置实现上述通信装置可能的实现方式中所涉及的功能。可选的，所述芯片系统还包括接口电路，所述接口电路为所述至少一个处理器提供程序指令和/或数据。在一种可能的设计中，该芯片系统还可以包括存储器，存储器，用于保存该通信装置必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件，其中，该通信装置具体可以为前述方法实施例中第一通信装置或第二通信装置。

本申请实施例还提供了一种通信系统，该网络系统架构包括上述任一实施例中的第一通信装置和第二通信装置。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims

1.一种通信方法，其特征在于，所述方法应用于第一通信装置，所述方法包括：

生成第一人工智能AI模型；

向第二通信装置发送第一信息，所述第一信息用于确定所述第一AI模型。

2.根据权利要求1所述的方法，其特征在于，所述第一AI模型为专用AI模型。

3.根据权利要求2所述的方法，其特征在于，在生成所述第一AI模型之前，包括：

接收来自所述第二通信装置的第二信息；

生成所述第一AI模型，包括：

根据所述第二信息生成所述第一AI模型。

4.根据权利要求3所述的方法，其特征在于，所述第二信息包括以下至少一项：

所述第一通信装置与所述第二通信装置之间的信道状态信息，所述第二通信装置的本地算力状态。

5.根据权利要求4所述的方法，其特征在于，所述第二信息还可包括以下至少一项：

所述第二通信装置的位置信息，所述第二通信装置的行为信息，所述第二通信装置的本地数据信息及标签信息。

6.根据1至5中任一项所述的方法，其特征在于，所述方法还包括：

接收来自第三通信装置的第三信息；

向所述第二通信装置发送所述第三信息，所述第三信息用于确定第三AI模型，所述第三AI模型为通用AI模型。

7.根据权利要求1至6中任一项所述的方法，其特征在于，在向所述第二通信装置发送所述第一信息之后，所述方法还包括：

接收来自所述第二通信装置的第四信息，所述第四信息用于指示一个或多个AI模型的列表中的其中一个AI模型。

8.根据权利要求7所述的方法，其特征在于，所述一个或多个AI模型的列表包括一个或多个专用AI模型的列表和/或通用AI模型的列表。

9.一种通信方法，其特征在于，所述方法应用于第二通信装置，所述方法包括：

接收来自第一通信装置的第一信息；

根据所述第一信息确定第一AI模型。

10.根据权利要求9所述的方法，其特征在于，所述第一AI模型为专用AI模型。

11.根据权利要求10所述的方法，其特征在于，在接收来自所述第一通信装置的第一信息之前，所述方法还包括：

向所述第一通信装置发送第二信息，所述第二信息用于生成所述第一AI模型。

12.根据权利要求11所述的方法，其特征在于，所述第二信息包括以下至少一项：

13.根据权利要求12所述的方法，其特征在于，所述第二信息还包括以下至少一项：

14.根据10至13中任一项所述的方法，其特征在于，所述方法还包括：

接收来自所述第一通信装置的第三信息，所述第三信息用于确定第三AI模型，所述第三AI模型为通用AI模型。

15.根据权利要求10至14中任一项所述的方法，其特征在于，在根据所述第一信息确定所述第一AI模型之后，所述方法还包括：

向所述第一通信装置发送第四信息，所述第四信息用于指示一个或多个AI模型的列表中的其中一个AI模型。

16.根据权利要求15所述的方法，其特征在于，所述一个或多个AI模型的列表包括一个或多个专用AI模型的列表和/或通用AI模型的列表。

17.根据权利要求1至16中任一项所述的方法，其特征在于，所述第一信息用于确定所述第二通信装置所属的类别。

18.根据权利要求1至17中任一项所述的方法，其特征在于，所述第一AI模型包含于第一AI模型组，所述第一AI模型组还包括所述第二AI模型，所述第一AI模型部署于所述第一通信装置，所述第二AI模型部署于所述第二通信装置；其中，所述第二AI模型的输入包括所述第一AI模型的输出，或，所述第一AI模型的输入包括所述第二AI模型的输出。

19.根据权利要求18所述的方法，其特征在于，所述第一信息还用于确定所述第一AI模型组中的第二AI模型。

20.根据权利要求1至19中任一项所述的方法，其特征在于，所述第一信息包括所述第一AI模型的标识，所述标识用于在包含一个或多个专用AI模型的列表中确定所述第一AI模型。

21.根据权利要求20所述的方法，其特征在于，在向所述第二通信装置发送所述第一信息之前，所述方法还包括：

向所述第二通信装置发送所述一个或多个专用AI模型的列表。

22.根据权利要求1至19中任一项所述的方法，其特征在于，所述第一信息包括所述第一AI模型的模型参数和/或模型结构信息。

23.根据权利要求22所述的方法，其特征在于，所述第一信息还包括所述第一AI模型的标识。

24.根据权利要求1至23中任一项所述的方法，其特征在于，所述第一信息为周期发送的信息。

25.一种通信装置，其特征在于，包括用于执行如权利要求1至18任一项所述的方法的模块。

26.一种通信装置，其特征在于，包括至少一个处理器，所述至少一个处理器与存储器耦合；所述至少一个处理器用于执行如权利要求1至18中任一项所述的方法。

27.根据权利要求20所述的通信装置，其特征在于，所述通信装置为芯片或芯片系统。

28.一种可读存储介质，其特征在于，所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被通信装置执行时，实现如权利要求1至18中任一项所述的方法。