TW202533097A - 通信方法和通信裝置 - Google Patents

Abstract

一種通信方法和通信裝置，其涉及通信技術領域。在該方法中，中心節點可以獲取來自於第一射電單元的對第一AI模型進行訓練的請求資訊，中心節點可以確定是否可以説明訓練第一AI模型，當中心節點確定可以説明訓練第一AI模型時，經由中心節點訓練後得到的第一AI模型的精度會優於經由第一射電單元訓練後得到的第一AI模型的精度。如此，可以支援提升射電單元所應用的AI模型的精度。

Description

通信方法和通信裝置

本申請涉及通信技術領域，更具體的，涉及一種通信方法和通信裝置。

無線通訊領域中，業界正探索利用人工智慧（artificial intelligence，AI）重構無線接入網（radio access network，RAN）的核心功能，例如，賦能RAN具備AI能力（包括訓練能力、推理能力等）。

RAN的AI能力可以從RAN智慧控制器（RAN intelligent controller，RIC）演進到AI 本地（Native），或者說，RAN的AI能力可以從只部署於RIC而演進到中心單元（central unit，CU）、分佈單元（distributed unit，DU）以及射電單元(radio unit，RU)等分散式節點均具備AI能力。然而，當RU具體應用AI模型時，該AI模型的精度不一定能夠滿足RU的需求。

本申請提供一種通信方法和通信裝置，能夠支援提升射電單元所應用的AI模型的精度。

第一方面，提供了一種通信方法，包括：發送第一請求資訊，該第一請求資訊請求訓練第一AI模型；接收回應資訊，該回應資訊指示是否同意對第一AI模型進行訓練。

第一方面所述方案的執行主體可以為第一射電單元，也可以為第一射電單元中的模組（如晶片系統等），還可以為能實現全部或部分第一射電單元功能的邏輯節點、邏輯模組或軟體，對此不予限定。為便於描述，下文以第一射電單元為例進行描述。

上述方案中，第一射電單元向中心節點發送第一請求資訊，並接收來自於中心節點的回應資訊。通過建立第一射電單元和中心節點之間交互請求資訊的交互機制，本申請實施例可以支援提升射電單元所應用的AI模型的精度。

相比於第一射電單元獨立進行第一AI模型的訓練的方案，通過第一射電單元和中心節點之間交互請求資訊，第一射電單元可以請求中心節點説明訓練第一AI模型，中心節點的訓練能力優於第一射電單元的訓練能力，通過由中心節點説明完成對第一AI模型的訓練，這能夠避免第一射電單元因自身訓練資料量不足或資料分佈不均勻或者資料來源較為單一而導致訓練後得到的第一AI模型的模型精度不足的問題。

通過上述的交互機制，中心節點可以獲取來自於第一射電單元的對第一AI模型進行訓練的請求資訊，中心節點可以確定是否可以説明訓練第一AI模型，當中心節點確定可以説明訓練第一AI模型時，經由中心節點訓練後得到的第一AI模型的精度會優於經由第一射電單元訓練後得到的第一AI模型的精度。

基於上述的交互機制，第一射電單元可以擁有請求中心節點説明訓練第一AI模型的機會，相比於第一射電單元獨立完成第一AI模型的訓練，基於中心節點説明完成第一AI模型的訓練，這能夠克服第一射電單元因自身訓練資料量不足或資料分佈不均勻或者資料來源較為單一而導致訓練後得到的第一AI模型的模型精度不足的問題，進而能夠支援提升射電單元所應用的AI模型的精度。

第一方面中，該方法還包括：發送第一訓練資料，第一訓練資料用於訓練第一AI模型的公共參數與特徵參數中的至少一項，第一AI模型的公共參數為第一AI模型和第二AI模型共同擁有的參數，第一AI模型的特徵參數為第一AI模型區別於第二AI模型的參數；接收第三AI模型，第三AI模型為對第一AI模型進行訓練後得到的模型。

當回應資訊指示中心節點同意對第一AI模型進行訓練時，第一射電單元可以向中心節點上報第一訓練資料，中心節點可以使用第一訓練資料對第一AI模型進行訓練，並向第一射電單元發送訓練後得到的第三AI模型。如此，可以使得第一射電單元獲取由中心節點進行訓練後得到的第三AI模型。

第一方面中，該接收第三人工智慧模型，包括：發送第二請求資訊，第二請求資訊請求獲取第三AI模型；接收第三AI模型。

基於上述資訊交互，第一射電單元可以從中心節點獲取訓練後得到的第三AI模型。

第一方面中，該發送第二請求資訊之前，該方法還包括：接收通知資訊，該通知資訊指示第一AI模型訓練完成。

如此，當中心節點完成對第一AI模型的訓練後，中心節點可以向第一射電單元指示第一AI模型訓練完成，第一射電單元可以據此確定可以請求獲取第三AI模型。

第一方面中，該方法還包括：發送第三請求資訊，該第三請求資訊請求更新第三AI模型；接收更新後的第三AI模型。

通過上述資訊交互，第一射電單元可以完成對第三AI模型的更新流程，且從中心節點獲取更新後得到的第三AI模型。

第一方面中，第三模型是根據第一訓練資料和第二訓練資料對第一模型進行訓練而得到的模型，第二訓練資料來自於第二射電單元，第二射電單元不同於第一射電單元。

通過使用來自於其他射電單元的訓練資料對第一AI模型進行訓練，這可以拓寬用於第一AI模型訓練的資料的來源、數量、種類以及分佈，從而可以支援提升第三AI模型的精度。

第二方面，提供了一種通信方法，包括：接收第一請求資訊，該第一請求資訊請求訓練第一AI模型；發送回應資訊，該回應資訊指示是否同意對第一AI模型進行訓練。

第二方面所述方案的執行主體可以為中心節點，也可以為中心節點中的模組（如晶片系統等），還可以為能實現全部或部分中心節點功能的邏輯節點、邏輯模組或軟體，對此不予限定。為便於描述，下文以中心節點為例進行描述。

上述方案中，第一射電單元向中心節點發送第一請求資訊，並接收來自於中心節點的回應資訊。

基於上述的交互機制，第一射電單元可以擁有請求中心節點説明訓練第一AI模型的機會，相比於第一射電單元獨立完成第一AI模型的訓練，基於中心節點説明完成第一AI模型的訓練，這能夠克服第一射電單元因自身訓練資料量不足或資料分佈不均勻或者資料來源較為單一而導致訓練後得到的第一AI模型的模型精度不足的問題，進而能夠支援提升射電單元所具體應用的AI模型的精度。

第二方面中，該方法還包括：接收第一訓練資料，第一訓練資料用於訓練第一AI模型的公共參數與特徵參數中的至少一項，第一AI模型的公共參數為第一AI模型和第二AI模型共同擁有的參數，第一AI模型的特徵參數為第一AI模型區別於第二AI模型的參數；根據第一訓練資料對第一AI模型進行訓練，得到第三AI模型；發送第三AI模型。

當回應資訊指示中心節點同意對第一AI模型進行訓練時，第一射電單元可以向中心節點上報第一訓練資料，中心節點可以使用第一訓練資料對第一AI模型進行訓練，並向第一射電單元發送訓練後得到的第三AI模型。如此，可以使得第一射電單元獲取由中心節點進行訓練後得到的AI模型。

第二方面中，該發送第三AI模型，包括：接收第二請求資訊，該第二請求資訊請求獲取第三AI模型；發送第三AI模型。

第二方面中，該接收第二請求資訊之前，該方法還包括：發送通知資訊，該通知資訊指示第一AI模型訓練完成。

第二方面中，該方法還包括：接收第三請求資訊，第三請求資訊請求更新第三AI模型；發送更新後的第三AI模型。

第二方面中，根據第一訓練資料對第一AI模型進行訓練，得到第三模型，包括：根據第一訓練資料和第二訓練資料對第一AI模型進行訓練，得到第三模型；第二訓練資料來自於第二射電單元，第二射電單元不同於第一射電單元。

通過使用來自於其他射電單元的訓練資料對第一AI模型進行訓練，這可以拓寬用於第一AI模型訓練的資料的來源以及種類，從而可以支援提升訓練後得到的第三AI模型的精度。

第二方面中，根據第一訓練資料對第一AI模型進行訓練，得到第三人工智慧模型，包括：確定第一AI模型的公共參數和第一AI模型的特徵參數；根據第一訓練資料，對第一AI模型的公共參數和第一AI模型的特徵參數分別進行訓練。

通過將第一AI模型的參數分為公共參數和特徵參數，且分別進行訓練，這既能使得訓練後得到的公共參數能夠適用於其他AI模型，且能夠降低訓練開銷，如，僅需要對公共參數訓練一次即可，還可以能夠滿足第一AI模型的差異化需求。

結合第一方面和第二方面中任意方面所述的方法，第一請求資訊包括以下至少一項：第一AI模型的名稱、第一AI模型的待訓練參數、第一射電單元的標識或者第一射電單元對應的社區的標識；第一射電單元為應用第一AI模型的射電單元。

結合第一方面和第二方面中任意方面所述的方法，待訓練的參數為第一AI模型的特徵參數與公共參數中的至少一項。

結合第一方面和第二方面中任意方面所述的方法，該回應資訊包括以下至少一項：第一AI模型的名稱、第一射電單元的標識、確認資訊或者非確認資訊。確認資訊指示同意對第一AI模型進行訓練，非確認資訊指示不同意對第一AI模型進行訓練；第一射電單元為應用第一AI模型的射電單元。

結合第一方面和第二方面中任意方面所述的方法，第一請求資訊包括對第一AI模型的性能要求資訊。

通過上報對第一AI模型的性能要求資訊，中心節點可以根據對第一AI模型的性能要求資訊有針對性地對第一AI模型進行訓練，這可以避免訓練後得到的第一AI模型不能滿足第一射電單元的性能需求，從而導致無效訓練，進而導致增加中心節點對第一AI模型的訓練開銷。

協力廠商面，提供了一種通信裝置，該通信裝置包括：介面單元，用於發送第一請求資訊，第一請求資訊請求訓練第一AI模型；該介面單元，還用於接收回應資訊，該回應資訊指示是否同意對第一AI模型進行訓練。

上述的通信裝置還可以用於執行前述第一方面以及第一方面中任一種可能方式中所述的方法所述的方案，不再贅述。

第四方面，提供了一種通信裝置，該通信裝置包括：介面單元，用於接收第一請求資訊，該第一請求資訊請求訓練第一AI模型；介面單元，還用於發送回應資訊，該回應資訊指示是否同意對第一AI模型進行訓練。

上述的通信裝置還可以用於執行前述第二方面以及第二方面中任一種可能方式中所述的方法所述的方案，不再贅述。

第五方面，提供了一種通信裝置，包括處理器，該處理器用於，通過執行電腦程式或指令，或者，通過邏輯電路，使得該通信裝置執行第一方面以及第一方面的任一種可能方式中所述的方法；或者，使得該通信裝置執行第二方面以及第二方面的任一種可能方式中所述的方法。

一種可能的實現方式，該通信裝置還包括記憶體，其用於存儲該電腦程式或指令。

一種可能的實現方式，該通信裝置還包括通信介面，其用於輸入和/或輸出信號。

第六方面，提供了一種通信裝置，包括邏輯電路和輸入輸出介面，該輸入輸出介面用於輸入和/或輸出信號，該邏輯電路用於執行第一方面以及第一方面的任一種可能方式中所述的方法，或者，該邏輯電路用於執行第一方面以及第一方面的任一種可能方式中所述的方法，或者，該邏輯電路用於執行第二方面以及第二方面的任一種可能方式中所述的方法。

第七方面，提供了一種電腦可讀存儲介質，該電腦可讀存儲介質上存儲有電腦程式或指令，當該電腦程式或該指令在電腦上運行時，使得第一方面以及第一方面的任一種可能方式中所述的方法被執行，或者，使得第二方面以及第二方面的任一種可能方式中所述的方法被執行。

第八方面，提供了一種電腦程式產品，包含指令，當該指令在電腦上運行時，使得第一方面以及第一方面的任一種可能方式中所述的方法被執行，或者，使得第二方面以及第二方面的任一種可能方式中所述的方法被執行。

第九方面，提供了一種晶片系統，該晶片與記憶體相連，該晶片用於讀取並執行該記憶體中存儲的軟體程式，以執行如上述第一方面以及第一方面中任一可能的方式所述的方法，或者，以執行如上述第二方面以及第二方面中任一可能的方式所述的方法。

第十方面，提供了一種晶片系統，該晶片系統包括：通信介面，用於與其他裝置進行通信；處理器，用於使得安裝有所述晶片系統的通信設備執行上述第一方面以及第一方面中任一可能的方式所述的方法，或者，用於使得安裝有所述晶片系統的通信設備執行上述第二方面以及第二方面中任一可能的方式所述的方法。

第十一方面，提供了一種晶片系統，該晶片系統包括處理器、記憶體和輸入/輸出埠，所述記憶體用於存儲電腦程式；所述處理器用於執行所述記憶體中存儲的所述電腦程式，以使得所述處理器執行上述第一方面以及第一方面中任一可能的方式所述的方法，或者，以使得所述處理器執行上述第二方面以及第二方面中任一可能的方式所述的方法。

第十二方面，提供了一種晶片系統，該晶片系統應用於電子設備，該晶片系統包括一個或多個處理器，該處理器用於調用電腦指令以使得該電子設備執行上述第一方面以及第一方面中任一可能的方式所述的方法，或者，以使得該電子設備執行上述第二方面以及第二方面中任一可能的方式所述的方法，或者。

第十三方面，提供了一種通信系統，包括：第一射電單元和中心節點：第一射電單元，用於向中心節點發送第一請求資訊，第一請求資訊用於請求訓練第一人工智慧模型；中心節點，用於接收第一請求資訊，以及，向第一射電單元發送回應資訊，該回應資訊指示是否同意對第一人工智慧模型進行訓練。

其中，上述的第一射電單元和中心節點還可以用於執行前述方法，不再贅述。

關於協力廠商面至第十三方面等中任一方面的有益效果的描述可以參照第一方面和第二方面的有益效果的描述。

下面將結合附圖，對本申請中的技術方案進行描述。

為了便於理解本申請實施例，首先做出以下幾點說明。

一、本申請中，除非另有說明，“多個或者至少兩個”的含義是兩個或兩個以上。

二、本申請各個實施例中，如果沒有特殊說明以及邏輯衝突，不同實施例之間的術語和/或描述具有一致性、且可以相互引用，不同實施例中的技術特徵根據其內在的邏輯關係可以組合形成新的實施例。

三、本申請涉及的各種數位編號僅為描述方便進行的區分，並不用來限制本申請的保護範圍。本申請涉及的序號的大小並不意味著執行順序的先後，各過程的執行順序應以其功能和內在邏輯確定。例如，本申請的說明書和申請專利範圍及附圖中的術語“第一”、“第二”、“第三”、“第四”以及其他各種術語標號等（如果存在）是用於區別類似的物件，而不必用於描述特定的順序或先後次序。其中，這樣使用的資料在適當情況下可以互換，以便這裡描述的實施例能夠以除了在這裡圖示或描述的內容以外的順序實施。

同時，本申請被描述為“示例性地”或者“例如”的任何實施例或設計方案不應被解釋為比其它實施例或設計方案更優選或更具優勢。確切而言，使用“示例性的”或者“例如”等詞旨在以具體方式呈現相關概念，便於理解。

四、術語“包括”和“具有”以及他們的任何變形，意圖在於覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限於清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對於這些過程、方法、產品或設備固有的其它步驟或單元。

五、本申請中，“用於指示”可以理解為“使能”，“使能”可以包括直接使能和間接使能。當描述某一信息用於使能A時，可以包括該資訊直接使能A或間接使能A，而並不代表該資訊中一定攜帶有A。

將資訊所使能的資訊稱為待使能資訊，則具體實現過程中，對待使能資訊進行使能的方式有很多種，例如但不限於，可以直接使能待使能資訊，如待使能資訊本身或者該待使能資訊的索引等。也可以通過使能其他資訊來間接使能待使能資訊，其中該其他資訊與待使能資訊之間存在關聯關係。還可以僅僅使能待使能資訊的一部分，而待使能資訊的其他部分則是已知的或者提前約定的。例如，還可以借助預先約定（例如協定規定）的各個資訊的排列順序來實現對特定資訊的使能，從而在一定程度上降低使能開銷。同時，還可以識別各個資訊的通用部分並統一使能，以降低單獨使能同樣的資訊而帶來的使能開銷。

六、本申請中，“預配置”可包括預先定義，例如，協議定義。其中，“預先定義”可以通過在設備（例如，包括各個網元）中預先保存相應的代碼、表格或其他可用於指示相關資訊的方式來實現，本申請對於其具體的實現方式不做限定。

七、本申請涉及的“存儲”或“保存”，可以是指保存在一個或者多個記憶體中。所述一個或者多個記憶體，可以是單獨設置，也可以是集成在編碼器或者解碼器，處理器、或通信裝置中。所述一個或者多個記憶體，也可以是一部分單獨設置，一部分集成在解碼器、處理器、或通信裝置中。記憶體的類型可以是任意形式的存儲介質，對此不予限定。

八、本申請涉及的“協議”可以是指通信領域的標準協議，例如可以包括第四代（4th generation，4G）網路、第五代（5th generation，5G）網路通訊協定、新空口（new radio，NR）協議、5.5G網路通訊協定、第六代(6 ^thgeneration，6G)網路通訊協定以及應用於未來的通信系統中的相關協定，本申請對此不做限定。

九、本申請說明書附圖部分的示意圖中的虛線所示的箭頭或方框表示可選的步驟或可選的模組。

十、本申請中，除非另有說明，“/”表示前後關聯的物件是一種“或”的關係，例如，A/B可以表示A或B；本申請中的“和/或”僅僅是一種描述關聯物件的關聯關係，表示可以存在三種關係，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況，其中A，B可以是單數或者複數。

十一、本申請中，指示包括直接指示（也稱為顯式指示）和隱式指示。直接指示資訊A，是指包括該資訊A。隱式指示資訊A，是指通過資訊A和資訊B的對應關係以及直接指示資訊B，來指示資訊A。資訊A和資訊B的對應關係可以是預定義的，預存儲的，預燒制的，或者，預先配置的。

十二、本申請中，資訊C用於資訊D的確定，既包括資訊D僅基於資訊C來確定，也包括基於資訊C和其他資訊來確定。此外，資訊C用於資訊D的確定，還可以間接確定的情況，比如，資訊D基於資訊E確定，而資訊E基於資訊C確定這種情況。

十三、本申請中，“裝置A向裝置B發送資訊A”，可以理解為該資訊A的目的端或與目的端之間的傳輸路徑中的中間網元是裝置B，可以包括直接或間接的向裝置B發送資訊。

十四、本申請中，“裝置B從裝置A接收資訊A”，可以理解為該資訊A的源端或與該源端之間的傳輸路徑中的中間網元是裝置A，可以包括直接或間接的從裝置A接收資訊。資訊在資訊發送的源端和目的端之間可能會被進行必要的處理，例如格式變化等，但目的端可以理解來自源端的有效資訊。本申請中類似的表述可以做類似的理解，在此不予贅述。

首先對本申請實施例適用的通信系統進行描述。

本申請提供的技術方案可以應用於各種通信系統，例如：第五代通信系統（5 ^thgeneration，5G）、新無線（new radio，NR）系統、長期演進（long term evolution，LTE）系統、LTE頻分雙工（frequency division duplex，FDD）系統、LTE時分雙工（time division duplex，TDD）系統、無線局域網（wireless local area network，WLAN）系統、衛星通信系統以及其他通信系統，如第六代通信系統（6 ^thgeneration，6G）等。

本申請提供的技術方案還可以應用於設備到設備（device to device，D2D）通信，車到萬物（vehicle-to-everything，V2X）通信，機器到機器（machine to machine，M2M）通信，機器類型通信（machine type communication，MTC）以及物聯網（internet of things，IoT）通信系統或者其他通信系統。

上述通信系統中的一個設備可以向另一個設備發送信號或從另一個設備接收信號。其中信號可以包括資訊、信令或者資料等。其中，設備也可以被替換為實體、網路實體、網元、通信設備、通信模組、節點、使用者設備、移動設備、通信節點等等，本申請實施例以設備為例進行描述。例如，通信系統可以包括至少一個終端設備和至少一個網路設備。網路設備可以向終端設備發送下行信號，和/或終端設備可以向網路設備發送上行信號。

本申請實施例中，終端設備也可以稱為使用者設備（user equipment，UE）、接入終端、使用者單元、使用者站、移動站、移動台、遠方站、遠端終端機、移動設備、使用者終端、終端、無線通訊設備、使用者代理或使用者裝置。

終端設備可以是一種提供語音/資料的設備，例如，具有無線連接功能的掌上型設備、車載設備等。目前，一些終端的舉例為：手機（mobile phone）、平板電腦、筆記型電腦、掌上型電腦、移動互聯網設備（mobile internet device，MID）、可穿戴設備，虛擬實境（virtual reality，VR）設備、增強現實（augmented reality，AR）設備、工業控制（industrial control）中的無線終端、無人駕駛（self-driving）中的無線終端、遠端手術（remote medical surgery）中的無線終端、智慧電網（smart grid）中的無線終端、運輸安全（transportation safety）中的無線終端、智慧城市（smart city）中的無線終端、智慧家庭（smart home）中的無線終端、蜂窩電話、無繩電話、會話啟動協定（session initiation protocol，SIP）電話、無線本地環路（wireless local loop，WLL）站、個人數位助理（personal digital assistant，PDA）、具有無線通訊功能的手持設備、計算設備或連接到無線數據機的其它處理設備、可穿戴設備，5G網路中的終端設備或者未來演進的公用陸地移動通信網路（public land mobile network，PLMN）中的終端設備等，本申請實施例對此並不限定。

本申請實施例中，終端設備還可以是可穿戴設備。可穿戴設備也可以稱為穿戴式智慧設備，是應用穿戴式技術對日常穿戴進行智慧化設計、開發出可以穿戴的設備的總稱，如眼鏡、手套、手錶、服飾及鞋等。可穿戴設備即直接穿在身上，或是整合到用戶的衣服或配件的一種可擕式設備。可穿戴設備不僅僅是一種硬體設備，更是通過軟體支援以及資料交互、雲端交互來實現強大的功能。廣義穿戴式智慧設備包括功能全、尺寸大、可不依賴智慧手機實現完整或者部分的功能，例如：智慧手錶或智慧眼鏡等，以及只專注於某一類應用功能，需要和其它設備如智慧手機配合使用，如各類進行體征監測的智慧手環、智慧首飾等。

本申請實施例中，用於實現終端設備的功能的裝置可以是終端設備，也可以是能夠支援終端設備實現該功能的裝置，例如晶片系統，該裝置可以被安裝在終端設備中或者和終端設備匹配使用。本申請實施例中，晶片系統可以由晶片構成，也可以包括晶片和其他分立器件。在本申請實施例中僅以用於實現終端設備的功能的裝置為終端設備為例進行說明，不對本申請實施例的方案構成限定。

本申請實施例中的網路設備可以是用於與終端設備通信的設備，網路設備也可以稱為接入網設備或無線接入網設備，如基站等。本申請實施例中的網路設備可以是指將終端設備接入到無線網路的RAN節點（或設備）。基站可以廣義的覆蓋如下中的各種名稱，或與如下名稱進行替換，比如：節點B （NodeB）、演進型基站（evolved NodeB，eNB）、下一代基站（next generation NodeB，gNB）、中繼站、接入點、傳輸點（transmitting and receiving point，TRP）、發射點（transmitting point，TP）、主站、輔站、多制式無線（motor slide retainer，MSR）節點、家庭基站、網路控制器、接入節點、無線節點、接入點（access point，AP）、傳輸節點、收發節點、基帶單元（baseband unit，BBU）、射頻拉遠單元（remote radio unit，RRU）、有源天線單元（active antenna unit，AAU）、射頻頭（remote radio head，RRH）、CU、DU、RU、定位節點、RIC等。基站可以是宏基站、微基站、中繼節點、施主節點或類似物，或其組合。基站還可以指用於設置於前述設備或裝置內的通信模組、數據機或晶片。基站還可以是移動交換中心以及D2D、V2X、M2M通信中承擔基站功能的設備、6G網路中的網路側設備、未來通信系統中承擔基站功能的設備等。基站可以支援相同或不同接入技術的網路。可選的，RAN節點還可以是伺服器，可穿戴設備，車輛或車載設備等。例如，V2X技術中的接入網設備可以為路側單元（road side unit，RSU）。本申請的實施例對網路設備所採用的具體技術和具體設備形態不做限定。

基站可以是固定的，也可以是移動的。例如，直升機或無人機可以被配置成充當移動基站，一個或多個社區可以根據該移動基站的位置移動。在其他示例中，直升機或無人機可以被配置成用作與另一基站通信的設備。

在一些部署中，網路設備可以為包括CU或DU或包括CU和DU的設備或者控制面CU節點（中央單元控制面（central unit-control plane，CU-CP））和用戶面CU節點（中央單元使用者面（central unit-user plane，CU-UP））以及DU節點的設備。例如，網路設備可以包括gNB-CU-CP、gNB-CU-UP和gNB-DU。

在不同通信系統中，CU（或CU-CP和CU-UP）、DU或RU也可以有不同的名稱，但是本領域的技術人員可以理解其含義。例如，在開放式無線接入系統（open radio access network，ORAN）系統中，CU也可以稱為開放式CU（open CU，O-CU），DU也可以稱為開放式DU（open DU，O-DU），CU-CP也可以稱為O-CU-CP，CU-UP也可以稱為O-CU-UP，RU也可以稱為O-RU。本申請中的CU（或CU-CP、CU-UP）、DU和RU中的任一單元，可以是通過軟體模組、硬體模組、或者軟體模組與硬體模組結合來實現。

在一些部署中，由多個RAN節點協作協助終端實現無線接入，不同RAN節點分別實現基站的部分功能。例如，RAN節點可以是CU，DU，CU- CP，CU- UP，或者RU等。CU和DU可以是單獨設置，或者也可以包括在同一個網元中，例如BBU中。RU可以包括在射頻設備或者射電單元中，例如包括在RRU、AAU或RRH中。

RAN節點可以支援一種或多種類型的前傳介面，不同前傳介面，分別對應具有不同功能的DU和RU。若DU和RU之間的前傳介面為通用公共無線電介面（common public radio interface，CPRI），DU被配置用於實現基帶功能中的一項或多項， RU被配置用於實現射頻功能中的一項或多項。若DU和RU之間的前傳介面為另一種介面，其相對於CPRI，將下行和/或上行的部分基帶功能，比如，針對下行，預編碼（precoding），數位波束賦形（beamforming，BF），或快速傅立葉反變換（inverse fast Fourier transform，IFFT）/添加迴圈首碼（cyclic prefix，CP）中的一項或多項，從DU中移至RU中實現，針對上行，數位波束賦形（beamforming，BF），或快速傅立葉轉換（fast Fourier transform，FFT）/去除迴圈首碼（cyclic prefix，CP）中的一項或多項，從DU中移至RU中實現。

在一種可能的實現方式中，該介面可以為增強型通用公共無線電介面（enhanced common public radio interface，eCPRI）。在eCPRI架構下，DU和RU之間的切分方式不同，對應不同類型（category，Cat）的eCPRI，比如eCPRI Cat A，B，C，D，E，F。

以eCPRI Cat A為例，對於下行傳輸，以層映射為切分，DU被配置用於實現層映射及之前的一項或多項功能（即編碼、速率匹配，加擾，調製，層映射中的一項或多項），而層映射之後的其他功能（例如，RE映射，BF），或IFFT / CP中的一項或多項）移至RU中實現。對於上行傳輸，以解RE映射為切分，DU被配置用於實現解映射及之前的一項或多項功能（即解碼，解速率匹配，解擾，解調，離散傅裡葉逆變換（inverse discrete Fourier transform，IDFT），通道均衡，解RE映射中的一項或多項功能），而解映射之後的其他功能（例如，數位BF或快速傅裡葉變換 （fast fourier transform，FFT）/去CP中的一項或多項）移至RU中實現。可以理解的是，關於各種類型的eCPRI所對應的DU和RU的功能描述，可以參考eCPRI協議，在此不予贅述。

一種可能的設計中，BBU中用於實現基帶功能的處理單元稱為基帶高層（base band high，BBH）單元，RRU/AAU/RRH中用於實現基帶功能的處理單元稱為基帶低層（base band low，BBL）單元。

本申請實施例中，用於實現網路設備的功能的裝置可以是網路設備；也可以是能夠支援網路設備實現該功能的裝置，例如晶片系統、硬體電路、軟體模組、或硬體電路加軟體模組。該裝置可以被安裝在網路設備中或者和網路設備匹配使用。在本申請實施例中僅以用於實現網路設備的功能的裝置為網路設備為例進行說明，不對本申請實施例的方案構成限定。

網路設備和/或終端設備可以部署在陸地上，包括室內或室外、手持或車載；也可以部署在水面上；還可以部署在空中的飛機、氣球和衛星上。本申請實施例中對網路設備和終端設備所處的場景不做限定。此外，終端設備和網路設備可以是硬體設備，也可以是在專用硬體上運行的軟體功能，通用硬體上運行的軟體功能，比如，是平臺(例如，雲平臺)上產生實體的虛擬化功能，又或者，是包括專用或通用硬體設備和軟體功能的實體，本申請對終端設備和網路設備的具體形態不作限定。

在無線通訊網路中，網路支援的業務越來越多樣，因此需要滿足的需求越來越多樣。例如，網路需要能夠支援超高速率、超低時延、和/或超大連接。該特點使得網路規劃、網路配置、和/或資源調度越來越複雜。此外，由於網路的功能越來越強大，例如支持的頻譜越來越高、支持高階多入多出（multiple input multiple output，MIMO）技術、支援波束賦形、和/或支援波束管理等新技術，使得網路節能成為了熱門研究課題。這些新需求、新場景和新特性給網路規劃、運維和高效運營帶來了前所未有的挑戰。為了迎接該挑戰，可以將人工智慧技術引入無線通訊網路中，從而實現網路智慧化。

為了在無線網路中支援AI技術，網路中還可能引入AI節點。

可選地，AI節點可以部署於該通信系統中的如下位置中的一項或多項：接入網設備、終端設備、或核心網設備等，或者，AI節點也可單獨部署，例如，部署於上述任一項設備之外的位置，比如，過頂（over the top，OTT）系統的主機或雲端伺服器中。AI節點可以與通信系統中的其它設備通信，其它設備例如可以為以下中的一項或多項：網路設備，終端設備，或，核心網的網元等。

可以理解，本申請實施例對AI節點的數量不予限制。例如，當有多個AI節點時，多個AI節點可以基於功能進行劃分，如不同的AI節點負責不同的功能。

還可以理解，AI節點可以是各自獨立的設備，也可以集成於同一設備中實現不同的功能，也可以是硬體設備中的網路元件，也可以是在專用硬體上運行的軟體功能，或者是平臺(例如，雲平臺)上產生實體的虛擬化功能，本申請對AI節點的具體形態不作限定。其中，AI節點可以為AI網元或AI模組。

圖1是本申請實施例的一種應用框架的示意圖。如圖1所示，網元之間通過介面（例如NG和Xn），或空口相連。這些網元節點，例如：核心網設備、接入網節點、終端或操作維護管理（operation administration and maintenance，OAM）中的一個或多個設備中設置有一個或多個AI模組（為清楚起見，圖1中僅示出1個）。接入網節點可以作為單獨的RAN節點，也可以包括多個RAN節點，例如，包括CU和DU。CU和/或DU也可以設置一個或多個AI模組。可選的，CU還可以被拆分為CU-CP和CU-UP。CU-CP和/或CU-UP中設置有一個或多個AI模型。

所述AI模組用以實現相應的AI功能。不同網元中部署的AI模組可以相同或不同。AI模組的模型根據不同的參數配置，AI模組可以實現不同的功能。AI模組的模型可以是基於以下一項或多項參數配置的：結構參數（例如神經網路層數、神經網路寬度、層間的連接關係、神經元的權值、神經元的啟動函數、或啟動函數中的偏置中的至少一項）、輸入參數（例如輸入參數的類型和/或輸入參數的維度）、或輸出參數（例如輸出參數的類型和/或輸出參數的維度）。其中，啟動函數中的偏置還可以稱為神經網路的偏置。

一個AI模組可以具有一個或多個模型。一個模型可以推理得到一個輸出，該輸出包括一個參數或者多個參數。不同模型的學習過程、訓練過程、或推理過程可以部署在不同的節點或設備中，或者可以部署在相同的節點或設備中。

圖2是本申請實施例的另一種應用框架的示意圖。如圖2所示，該通信系統包括RIC。例如，RIC可以是圖1中示出的AI模組117和118，用於實現AI相關的功能。RIC包括近即時RIC (near-real time RIC，near-RT RIC）和非即時RIC（non-real time RIC，Non-RT RIC）。非即時RIC主要處理非即時的資訊，比如，對時延不敏感的資料，該資料的時延可以為秒級。即時RIC主要處理近即時的資訊，比如，對時延相對敏感的資料，該資料的時延為數十毫秒級。

Near-RT RIC用於進行模型訓練和推理。例如，用於訓練AI模型，利用該AI模型進行推理。Near-RT RIC可以從RAN節點（例如CU、CU-CP、CU-UP、DU和/或RU）和/或終端獲得網路側和/或終端側的資訊。該資訊可以作為訓練資料或者推理資料。可選的，Near-RT RIC可以將推理結果遞交給RAN節點和/或終端。可選的，CU和DU之間，和/或DU和RU之間可以交互推理結果。例如Near-RT RIC將推理結果遞交給DU，DU將其發給RU。

Non-RT RIC也用於進行模型訓練和推理。例如，用於訓練AI模型，利用該模型進行推理。Non-RT RIC可以從RAN節點（例如CU、CU-CP、CU-UP、DU和/或RU）和/或終端獲得網路側和/或終端側的資訊。該資訊可以作為訓練資料或者推理資料，推理結果可以被遞交給RAN節點和/或終端。可選的，CU和DU之間，和/或DU和RU之間可以交互推理結果，例如Non-RT RIC將推理結果遞交給DU，由DU將其發給RU。

Near-RT RIC和Non-RT RIC也可以分別作為一個網元單獨設置。可選的，所述Near-RT RIC和Non-RT RIC也可以作為其他設備的一部分，例如，Near-RT RIC設置在RAN節點中（例如，CU，DU中），而Non-RT RIC設置在OAM中、雲伺服器中、核心網設備、或者其他網路設備中。

圖3是本申請實施例適用的一種通信系統的示意圖。如圖3所示，該通信系統包括：網路設備110、終端設備（如終端設備120和終端設備130）以及AI網元140。AI網元140用於執行AI相關的操作，例如，構建訓練資料集或訓練AI模型等。

網路設備110可以將與AI模型的訓練相關的資料發送給AI網元140，由AI網元140構建訓練資料集，並訓練AI模型。例如，與AI模型的訓練相關的資料可以包括終端設備上報的資料。AI網元140可以將AI模型相關的操作的結果發送至網路設備110，並通過網路設備110轉發至終端設備。例如，AI模型相關的操作的結果可以包括以下至少一項：已完成訓練的AI模型、模型的評估結果或測試結果等。示例性地，已完成訓練的AI模型的一部分可以部署於網路設備110上，另一部分部署於終端設備上。可替換地，已完成訓練的AI模型可以部署於網路設備110上。或者，已完成訓練的AI模型可以部署於終端設備上。

圖3僅以AI網元140與網路設備110直接相連為例進行說明，AI網元140也可以與終端設備相連。或者，AI網元140可以同時與網路設備110和終端設備相連。或者，AI網元140還可以通過協力廠商網元與網路設備110相連。本申請實施例對AI網元與其他網元的連接關係不做限定。

AI網元140也可以作為一個模組設置於網路設備和/或終端設備中，例如，設置於圖3所示的網路設備110或終端設備中。

圖4是本申請實施例適用的另一種通信系統的示意圖。如圖4所示，該通信系統包括：第一網路單元、第二網路單元、第三網路單元、O-eNB、O-CU-CP、O-CU-UP、O-DU、O-RU以及O-雲（cloud）。

上述網元（也可以稱之為節點）可以相互連接，例如，第一網路單元通過O2介面與O-雲連接，第一網路單元通過O1介面與第三網路單元、O-eNB、O-CU-CP、O-CU-UP、O-DU以及O-RU連接，第一網路單元通過開放前傳（open fronthaul）M-Plane介面與O-RU連接，O-DU通過開放前傳M-Plane介面和開放前傳C/U/S-Plane介面與O-RU連接，第三網路單元通過E2介面與O-eNB、O-CU-CP、O-CU-UP以及O-DU連接，O-CU-CP通過F1-c介面與O-DU連接，O-CU-UP通過F1-u介面與O-DU連接，O-CU-CP通過E1介面與O-CU-UP連接。對於圖4所示的介面的具體描述可以參見現有標準，不再贅述。

一個可能的示例，第一網路單元可以為服務管理和編排框架（service management and orchestration framework，SMO），也可以為功能與SMO類似的網路單元，對此不予限定。

一個可能的示例，第二網路單元可以為Non-RT RIC，也可以為功能與Non-RT RIC類似的網路單元，對此不予限定。

一個可能的示例，第三網路單元可以為Near-RT RIC，也可以為功能與Near-RT RIC類似的網路單元，對此不予限定。

接著對本申請涉及的部分技術概念作簡短的描述。

機器學習（machine learning，ML）：ML是實現AI的一種重要技術途徑。

深度神經網路 (deep neural network，DNN) 是ML的一種具體實現形式。根據通用近似定理，神經網路理論上可以逼近任意連續函數，從而使得神經網路具備學習任意映射的能力。傳統通信系統需要借助豐富的專家知識來設計通信模組，而基於DNN的深度學習通信系統可以從大量的資料集中自動發現隱含的模式結構，建立資料之間的映射關係，獲得優於傳統建模方法的性能。

根據網路的構建方式，DNN可分為前饋神經網路 (feedforward neural network，FNN)、卷積神經網路 (convolutional neural networks，CNN) 和遞迴神經網路 (recurrent neural network，RNN)。

CNN是一種專門來處理具有類似網格結構的資料的神經網路。例如，時間序列資料(時間軸離散採樣)和圖像資料(二維離散採樣)都可以認為是類似網格結構的資料。CNN並不一次性利用全部的輸入資訊做運算，而是採用一個固定大小的窗截取部分資訊做卷積運算，這就大大降低了模型參數的計算量。另外根據窗截取的資訊類型的不同（如同一副圖中的人和物為不同類型資訊），每個窗可以採用不同的卷積核運算，這使得CNN能更好的提取輸入資料的特徵。

RNN是一類利用回饋時間序列資訊的DNN網路。它的輸入包括當前時刻的新的輸入值和自身在前一時刻的輸出值。RNN適合獲取在時間上具有相關性的序列特徵，特別適用於語音辨識、通道編解碼等應用。

上述FNN、CNN、RNN為常見的神經網路結構，這些網路結構都是以神經元為基礎而構造的。上述已經介紹，每個神經元都對其輸入值做加權求和運算，並加權求和結果通過一個非線性函數產生輸出，則我們將神經網路中神經元加權求和運算的權值以及非線性函數稱作神經網路的參數。以 為非線性函數的神經元為例，做 操作的神經元的參數為權值為 加權求和的偏置為b，以及非線性函數 。一個神經網路中的所有神經元的參數構成這個神經網路的參數。

AI模型：AI模型為能實現AI功能的演算法或者電腦程式，AI模型表徵了模型的輸入和輸出之間的映射關係。AI模型的類型可以是神經網路、線性回歸模型、決策樹模型、支援向量機（support vector machine，SVM）、貝葉斯網路、Q學習模型或者其他ML模型。

AI模型或者AI功能的實現可以是硬體電路，也可以是軟體，或者也可以是軟體和硬體結合的方式，不予限制。軟體的非限制性示例包括：程式碼、程式、副程式、指令、指令集、代碼、程式碼片段、軟體模組、應用程式、或軟體應用程式等。

在圖4所示的通信架構中，當RU具備AI能力時，RU可以應用AI模型，但是該AI模型的精度不一定能夠滿足RU的需求。

有鑑於此，本申請提供了一種通信方法和通信裝置，能夠支援提高射電單元所應用的AI模型的精度。

下文結合附圖對本申請實施例的通信方法的交互流程進行描述。

圖5是本申請實施例的一種通信方法的交互流程示意圖。圖5所示的方法可以由第一射電單元和中心節點（例如，中心節點可以為O-DU、O-CU、第三網路單元、第二網路單元以及第一網路單元等中的一個或多個網元）執行，或者由安裝於第一射電單元和中心節點中的具有相應功能的模組和/或器件（例如，晶片或積體電路等）執行。下文以第一射電單元和中心節點為例說明。如圖5所示，該方法包括：

S501、第一射電單元向中心節點發送請求資訊1（如第一請求資訊）。

相應的，中心節點接收請求資訊1。

請求資訊1用於請求訓練AI模型1（如第一AI模型），或者說，請求資訊1用於第一射電單元向中心節點請求對AI模型1進行訓練。

AI模型1可以理解為需要進行訓練的AI模型，或者說，AI模型1為原始的AI模型，需要進行AI訓練，又或者說，AI模型1中的參數為需要進行AI訓練的參數。綜上，第一射電單元可以向中心節點請求對AI模型1進行訓練。

一個可能的實現方式，請求資訊1可以包括以下至少一項：

◆ AI模型1的名稱；

◆AI模型1的待訓練參數；

◆第一射電單元的標識，或者，

◆第一射電單元對應的社區的標識。

例如，請求資訊1包括AI模型1的名稱。中心節點可以根據AI模型1的名稱確定第一射電單元所請求訓練的AI模型。

例如，請求資訊1包括AI模型1的待訓練參數。中心節點可以根據AI模型1的待訓練參數確定AI模型1中需要進行訓練的參數，或者說，中心節點可以確定需要進行訓練的目標參數。如此，中心節點不需要對AI模型1的全部參數進行訓練，中心節點可以有針對性地進行AI模型訓練，這可以有效避免中心節點的功耗浪費。

例如，請求資訊1包括第一射電單元的標識。中心節點可以根據第一射電單元的標識確定AI模型1為第一射電單元需要應用的AI模型，或者說，中心節點可以確定請求資訊1是來自於第一射電單元的。

例如，請求資訊1包括第一射電單元對應的社區的標識。中心節點可以根據第一射電單元對應的社區的標識確定AI模型1所具體應用的社區。

當請求資訊1包括第一射電單元的標識、第一射電單元對應的社區的標識以及AI模型1的待訓練參數中的一項或多項時，中心節點可以根據第一射電單元的標識、第一射電單元對應的社區的標識以及AI模型1的待訓練參數中的一項或多項與AI模型1之間的關聯關係確定對應的AI模型，具體可以參見表1。其中，表1所示的內容僅作為示例，不作為最終限定。 表1

參數	AI模型
射電單元的標識1	AI模型a
射電單元的標識2	AI模型b
射電單元對應的社區標識1	AI模型c
射電單元對應的社區標識2	AI模型d
待訓練參數1	AI模型e
待訓練參數2	AI模型f

如表1所示：

◆ 射電單元的標識1，其關聯AI模型a；

◆ 射電單元的標識2，其關聯AI模型b；

◆ 射電單元對應的社區標識1，其關聯AI模型c；

◆ 射電單元對應的社區標識2，其關聯AI模型d；

◆ 待訓練參數1，其關聯AI模型e；

◆ 待訓練參數2，其關聯AI模型f。

表1所示的內容是以一項參數與AI模型之間的關聯關係為例進行描述的，但是不限定兩項或多項參數與AI模型之間的關聯關係這一場景。例如，請求資訊1包括射電單元的標識和待訓練參數，中心節點可以據此確定二者所關聯的AI模型等等。

當請求資訊1包括射電單元的標識、射電單元對應的社區標識以及待訓練參數中的一項或多項時，中心節點可以根據如表1所示的關聯關係確定對應的AI模型。

關於請求資訊1的描述還可以參見表2和表3。表2和表3所示的內容僅作為示例，不作為最終限定。 表2

參數	描述
名稱	用於確定需要訓練的AI模型
待訓練參數	用於確定AI模型中需要進行訓練的參數
射電單元的標識	用於確定提出AI模型訓練的射電單元
社區標識	用於確定訓練後得到的AI所具體應用的社區

如表2所示：

◆ 請求資訊1包括名稱，其用於確定需要訓練的AI模型；

◆ 請求資訊1包括待訓練參數，其用於確定AI模型中需要進行訓練的參數；

◆ 請求資訊1包括射電單元的標識，其用於確定提出AI模型訓練的射電單元；

◆ 請求資訊1包括社區標識，其用於確定訓練後得到的AI模型所具體應用的社區。

其中，請求資訊1可以包括表2中所列舉的參數中的一項或多項，對此不予限定。 表3

參數	描述
模型名稱	1）合法字元集：a~z、A~Z、0~9、以及 _- 2）以字母開頭 3）長度不超過32位
網路設備標識	gNB標識
社區標識	社區ID，屬於同一網路設備下的社區識別欄位表，同時支援多個社區訂閱請求
模型程式參數	表示模型訓練時的特殊可配置參數需求

如表3所示：

◆ 請求資訊1包括模型名稱，其用於指示需要進行訓練的AI模型。模型名稱可以根據對應的描述一欄的內容進行確定；

◆   請求資訊1包括網路設備標識，其用於確定提出AI模型訓練的射電單元所屬於的網路設備。其中，網路設備標識可以表示為gNB標識；

◆   請求資訊1包括社區標識，其用於指示訓練後得到的AI模型需要應用的社區。其中，社區標識所指示的社區屬於前述網路設備標識所指示的網路設備下的多個社區；

◆   請求資訊1包括模型程式參數（model program），其用於表示模型訓練時的特殊可配置參數需求，例如，AI模型1的待訓練參數。

其中，請求資訊1可以包括表3中所列舉的參數中的一項或多項，對此不予限定。

上述的表2和表3所述的內容可以為請求資訊1兩種不同的表現形式，但是不限定其他的形式。

本申請實施例中，AI模型的參數可以分為兩類：公共參數和特徵參數。AI模型的公共參數可以理解為兩個或多個AI模型中共同擁有的參數，AI模型的特徵參數可以理解為AI模型獨有的參數，該參數可以用於區別不同的AI模型。

一個可能的實現方式，AI模型1的待訓練參數可以為AI模型1的特徵參數和AI模型1的公共參數中的一項或兩項。

例如，AI模型1的待訓練參數可以為AI模型1的特徵參數。中心節點可以僅對AI模型1的特徵參數進行訓練，且不對AI模型1的公共參數進行訓練。如此，可以降低中心節點對AI模型1的訓練開銷。

例如，AI模型1的待訓練參數為AI模型1的公共參數。中心節點可以僅對AI模型1的公共參數進行訓練，且不對AI模型1的特徵參數進行訓練。如此，可以降低中心節點對AI模型1的訓練開銷。

例如，AI模型1的待訓練參數為AI模型1的公共參數和特徵參數。中心節點可以對AI模型1的特徵參數和公共參數進行訓練。

本申請實施例中，AI模型1的公共參數可以理解為AI模型1和AI模型2之間共同擁有的參數，AI模型1的特徵參數可以理解為AI模型1區別於AI模型2的參數，或者說，AI模型1和AI模型2之間的不同或者區別可以通過AI模型1的特徵參數和AI模型2的特徵參數體現出來。

通過區分AI模型1的公共參數和特徵參數，這有利於降低中心節點對AI模型1的訓練開銷。例如， AI模型2為已完成訓練的AI模型，AI模型2和AI模型1存在公共參數，中心節點不需要對AI模型1的公共參數進行訓練，僅對AI模型1的特徵參數進行訓練。

通過指示或者上報AI模型1的待訓練參數，中心節點可以針對性地對AI模型1進行訓練，中心節點不需要對AI模型1的全部參數進行訓練，從而有利於降低中心節點對AI模型1的訓練開銷。

一個可能的實現方式，請求資訊1還可以包括對AI模型1的性能要求資訊。

所述的對AI模型1的性能要求資訊，可以理解為：第一射電單元對實際需要應用的AI模型需要滿足的性能，或者說，第一射頻單元AI模型1進行訓練後得到的AI模型需要滿足的性能參數資訊，又或者說，第一射電單元對中心節點如何訓練AI模型1提出的需求等。

一個可能的示例，上述的對AI模型1的性能要求資訊可以包括：

例如，訓練後得到的AI模型1的精度需要滿足第一閾值；

又例如，需要使用資料量大於第二閾值的訓練資料集對AI模型1進行訓練；

再例如，訓練後得到的AI模型1需要適用於通道檢測任務等等。

通過上報對AI模型1的性能要求資訊，中心節點可以根據對AI模型1的性能要求資訊有針對性地對AI模型1進行訓練，這可以避免訓練後得到的AI模型1不能滿足第一射電單元的性能需求，從而導致無效訓練，進而導致增加中心節點對AI模型1的訓練開銷。

S502、中心節點向第一射電單元發送回應資訊1。

相應的，第一射電單元接收回應資訊1。

回應資訊1對應於請求資訊1，或者說，回應資訊1用於對請求資訊1進行回應，或者說，回應資訊1是中心節點對請求資訊1做出的一種回應的表現形式。例如，回應資訊1用於向第一射電單元指示中心節點是否同意對AI模型1進行訓練。

示例性的，回應資訊1用於指示中心節點同意對AI模型1進行訓練。

又示例性的，回應資訊1用於指示中心節點不同意對AI模型1進行訓練。

一個可能的實現方式，回應資訊1可以包括以下至少一項：

◆ AI模型1的名稱；

◆ 第一射電單元的標識；

◆ 確認資訊，其指示同意對AI模型1進行訓練；或者，

◆ 非確認資訊，其指示不同意對AI模型1進行訓練。

例如，回應資訊1包括AI模型1的名稱。第一射電單元可以據此確定回應資訊1用於對請求訓練AI模型1進行回應。

可選的，第一射電單元也可以據此確定中心節點同意對AI模型1進行訓練。

例如，回應資訊1包括第一射電單元的標識。該第一射電單元的標識還可以用於第一射電單元確定回應資訊1是用於對請求資訊1進行回應的。

可選的，第一射電單元也可以據此確定中心節點同意對AI模型1進行訓練。

例如，回應資訊1包括確認資訊（如ACK）。第一射電單元可以據此確定中心節點同意對AI模型1進行訓練。

例如，回應資訊1包括非確認資訊（如NACK）。第一射電單元可以據此確定中心節點不同意對AI模型1進行訓練。

關於回應資訊1的描述可以參見表4和表5。表4和表5所示的內容僅作為示例，不作為最終限定。 表4

參數	描述
名稱	用於指示AI模型1
確認資訊	指示同意對AI模型1進行訓練
射電單元的標識	用於指示第一射電單元

如表4所示：

◆ 回應資訊1包括名稱，其用於指示AI模型1。如此，第一射電單元可以確定回應資訊1是對請求訓練AI模型1進行回應；

◆ 回應資訊1包括確認資訊，其指示同意對AI模型1進行訓練；

◆ 回應資訊1包括射電單元的標識，其用於確定提出AI模型訓練的射電單元。

其中，回應資訊1可以包括表4中所列舉的參數中的一項或多項，對此不予限定。 表5

參數	描述
模型名稱	1）合法字元集：a~z、A~Z、0~9、以及 _- 2）以字母開頭 3）長度不超過32位
網路設備標識	gNB標識
ACK/NACK	1---成功 2---失敗，資源不足 3---失敗，不支援該Case模型

如表5所示：

◆ 回應資訊1包括模型名稱，其用於指示AI模型1。模型名稱可以根據對應的描述一欄的內容進行確定；

◆ 回應資訊1包括網路設備標識，其用於確定提出AI模型訓練的射電單元所屬於的網路設備。其中，網路設備標識可以表示為gNB標識；

◆ 回應資訊1包括ACK/NACK，其用於指示是否同意對AI模型1進行訓練。

其中，回應資訊1可以包括表5中所列舉的參數中的一項或多項，對此不予限定。

一個可能的實現方式，回應資訊1包括ACK/NACK參數，該參數可以有不同的取值，例如，該參數取值為1，表示同意對AI模型1進行訓練，該參數取值為2，表示不同意對AI模型1進行訓練，原因是資源不足；該參數取值為3，表示不同意對AI模型1進行訓練，原因是不支援AI模型1。

一個可能的實現方式，回應資訊1中用於指示ACK/NACK的參數取值為3，當第一射電單元需要訓練另一個AI模型時，第一射電單元可以繼續向中心節點發送新的請求資訊，當回應資訊1中用於指示ACK/NACK的參數取值為2時，當第一射電單元需要訓練另一個AI模型時，第一射電單元可以不向中心節點發送新的請求資訊。

需要說明的是，表4和表5所述的內容為回應資訊1兩種不同的表現形式，但不限定其他的形式。

綜上所言，通過建立第一射電單元和中心節點之間交互請求資訊的機制，本申請實施例可以支援提升射電單元所應用的AI模型的精度。

相比於第一射電單元獨立進行AI模型1的訓練的方案，通過第一射電單元和中心節點之間交互請求資訊，第一射電單元可以請求中心節點説明訓練AI模型1，中心節點的訓練能力優於第一射電單元的訓練能力，通過由中心節點説明完成對AI模型1的訓練，這能夠避免第一射電單元因自身訓練資料量不足或資料分佈不均勻或者資料來源較為單一而導致訓練後得到的AI模型1的模型精度不足的問題。

通過上述的交互機制，中心節點可以獲取來自於第一射電單元的對AI模型1進行訓練的請求資訊，中心節點可以確定是否可以説明訓練AI模型1，當中心節點確定可以説明訓練AI模型1時，經由中心節點訓練後得到的AI模型1的精度會優於經由第一射電單元訓練後得到的AI模型1的精度。

基於上述的交互機制，第一射電單元可以擁有請求中心節點説明訓練AI模型1的機會，相比於第一射電單元獨立完成AI模型1的訓練，基於中心節點説明完成AI模型1的訓練，這能夠克服第一射電單元因自身訓練資料量不足而導致訓練後得到的AI模型1的模型精度不足的問題，進而能夠支援提升射電單元所具體應用的AI模型的精度。

下文結合圖6對圖5所示的方法做進一步的描述。

圖6是本申請實施例的又一種通信方法的交互流程示意圖。圖6所示的方法可以由RU1（可以為第一射電單元的一個示例）和中心節點（以第一網路單元為例）執行，或者由安裝於RU1和第一網路單元中的具有相應功能的模組和/或器件（例如，晶片或積體電路等）執行。下文以RU1和第一網路單元為例說明。如圖6所示，該方法包括：

S601、RU1向第一網路單元發送訓練資料1（如第一訓練資料）。

相應的，第一網路單元接收訓練資料1。

訓練資料1能夠用於訓練AI模型1的公共參數和特徵參數中的一項或兩項。例如，訓練資料1用於AI模型1的公共參數的訓練，或者，訓練資料1用於AI模型1的特徵參數的訓練，或者，訓練資料1用於AI模型1的公共參數和特徵參數的訓練，對此不予限定。

當RU1向中心節點發送用於訓練AI模型1的特徵參數的訓練資料時，RU1可以完成對AI模型1的公共參數的訓練。當RU1向中心節點發送用於訓練AI模型1的公共參數的訓練資料時，RU1可以完成對AI模型1的特徵參數的訓練。

另外，AI模型1的公共參數和AI模型1的特徵參數可以配置於RU1，或者說，RU1可以自行確定AI模型1的公共參數和AI模型1的特徵參數。其中，本申請實施例不限定RU1確定AI模型1的公共參數和AI模型1的特徵參數的方式或者途徑。

RU1可以根據回應資訊1確定第一網路單元是否支援對AI模型1進行訓練。當回應資訊1用於指示第一網路單元同意對AI模型1進行訓練時，RU1可以啟動模型訓練流程，如，RU1啟動訓練資料1的收集流程，例如：挑選目標場景的目標使用者，並對該目標使用者進行資料收集、預處理等基本操作，形成模型訓練所需的樣本資料格式。

關於RU1向第一網路單元上報訓練資料1的描述可以參見表6。表6所示的內容僅為示例，不為最終限定。 表6

參數	描述
資料集名稱	資料集名稱。合法性約束如下： 1）合法字元集：a~z、A~Z、0~9、以及 _- 2）以字母開頭 3）長度不超過255位
特徵數目	表示特徵數目
特徵	一個特徵的定義是一個陣列元素
樣本長度	表示單條樣本的資料存儲長度，單位為Bytes
樣本數目	表示樣本條數
樣本集週期	資料集的持續時長。單位：小時
樣本主體	按順序存放樣本，逐條樣本、逐個特徵存放

RU1可以通過如表6所示的內容或者形式向第一網路單元上報訓練資料1。

S602、第一網路單元根據訓練資料1對AI模型1進行訓練，得到AI模型3。

關於第一網路單元對AI模型1的訓練過程的描述可以參見現有過程，不再贅述。

一個可能的實現方式，第一網路單元可以對多個AI模型進行聯合訓練。

例如，第一網路單元接收到來自於多個RU的訓練AI模型的請求；

例如，第一網路單元接收來自於RU1的請求訓練AI模型1的請求資訊和來自於RU2的請求訓練AI模型2的請求資訊。

當第一網路單元確定可以訓練AI模型1和AI模型2時，RU1和RU2分別向第一網路單元發送訓練資料和訓練資料2，第一網路單元將來自於多個RU的訓練資料彙集起來，形成一個更大的訓練資料集，從而獲得更充分的訓練資料來訓練和優化模型。

示例性的，第一網路單元使用訓練資料1和訓練資料2對AI模型1和AI模型2進行共同訓練。

一個可能的實現方式，第一網路單元可以獨自完成對AI模型1和AI模型2的訓練。如此，這可以避免資料傳輸和通信成本的問題，保證了模型訓練和推理的效率和準確性。

一個可能的實現方式，第一網路單元也可以將對AI模型1和AI模型2的訓練任務下發至多個網元（如RU、CU、DU等），由多個網元共同完成AI模型1和AI模型2的訓練任務。如此，這可以提高計算效率和速度。

一個可能的實現方式，AI模型3是中心節點基於訓練資料1和訓練資料2對AI模型1進行訓練得到的。

示例性的，第一網路單元根據訓練資料1和訓練資料2對AI模型1進行訓練。訓練資料2來自於RU2。或者說，第一網路單元從多個RU獲取多個訓練資料，並使用該多個訓練資料對AI模型1進行訓練。

通過使用其他射電單元的訓練資料對AI模型1進行訓練，這可以拓寬用於AI模型1訓練的資料的來源、數量以及種類，從而支援提升AI模型3的精度。

一個可能的實現方式，第一網路單元可以首先確定AI模型1和AI模型2之間的公共參數以及各自的特徵參數，並對AI模型1和AI模型2之間的公共參數和特徵參數分別進行訓練。

例如，第一網路單元訓練AI模型1與AI模型2之間的公共參數，以及，分別訓練AI模型1的特徵參數和AI模型2的特徵參數。當第一網路單元需要向RU1和RU2發送訓練後得到的AI模型時，可以將訓練後的公共參數和訓練後的特徵參數組合在一起並下發給相應的RU。

通過將AI模型的參數分為公共參數和特徵參數，且分別進行訓練，這既能使得訓練後得到的公共參數能夠適用於其他AI模型，且能夠降低訓練開銷，如，僅需要對公共參數訓練一次即可，還可以能夠滿足第一AI模型的差異化需求。

一個可能的實現方式，請求資訊1還可以用於請求中心節點對AI模型1進行聯合訓練。

當中心節點根據請求資訊1、中心節點的訓練資源以及中心節點的訓練能力確定可以對AI模型1進行聯合訓練時，中心節點可以獲取來自於其他RU的訓練資料，並使用多個RU的訓練資料對AI模型1進行訓練。具體可以參見前述第一網路單元對AI模型1和AI模型2進行訓練的內容，不再贅述。如此，可以有效提升AI模型3的精度。

S603、第一網路單元向RU1發送AI模型3。

相應的，RU1接收AI模型3。

通過上述方案，當回應資訊1指示中心節點同意對AI模型1進行訓練時，第一射電單元可以向中心節點上報訓練資料1，中心節點可以使用訓練資料1對AI模型1進行訓練，並向第一射電單元發送訓練後得到的AI模型3。如此，可以使得第一射電單元獲取由中心節點進行訓練後得到的AI模型3。

可選的，第一網路單元向RU1發送AI模型3，可以包括：

S603a、RU1向第一網路單元發送請求資訊2。

相應的，第一網路單元接收請求資訊2。請求資訊2用於請求獲取AI模型3。

關於請求資訊2的描述還可以參見表7。表7所示的內容僅為示例，不為最終限定。 表7

參數	描述
模型名稱	用於指示需要獲取的AI模型
網路設備標識	gNB標識
社區標識	社區ID
要求的程式參數	表示模型下載請求的相關參數

如表7所示：

◆ 請求資訊2包括模型名稱，其用於指示需要獲取的AI模型；

◆ 請求資訊2包括網路設備標識，其用於確定提出AI模型訓練的射電單元所屬於的網路設備。其中，網路設備標識可以表示為gNB標識；

◆ 請求資訊2包括參數包括社區標識，其用於指示訓練後得到的AI模型需要應用的社區。其中，社區標識所指示的社區屬於前述網路設備標識所指示的網路設備下的多個社區；

◆ 請求資訊2包括要去的程式參數（request programs），其用於表示表示模型下載請求的相關參數。

S603b、第一網路單元向RU1發送AI模型3。

相應的，RU1接收AI模型3。

基於上述資訊交互，第一射電單元可以從中心節點獲取訓練後得到的AI模型。

一個可能的實現方式，當RU1向第一網路單元上報或者發送訓練資料1之後，可以隔一段時間後再向第一網路單元發送請求資訊2。如此，可以降低RU1和第一網路單元之間的信令交互開銷。

一個可能的實現方式，RU1向第一網路單元上報或者發送訓練資料1之後，可以在接收到來自於第一網路單元的指示AI模型1訓練完成的通知資訊之後，再向第一網路單元發送請求資訊2。如此，RU1可以根據第一網路單元的通知向第一網路單元請求獲取AI模型3。如此，當第一網路單元完成對AI模型1的訓練後，第一網路單元可以向RU1指示AI模型1訓練完成，RU1可以據此確定可以請求獲取AI模型3。

需要說明的是，中心節點可以根據RU1的實際配置需求，提取RU1的訓練後的特徵參數和公共參數，並將提取後的訓練後的特徵參數和公共參數進行測試，滿足RU1基本的測試精度要求後，即可進行模型下發，如，中心節點向RU1下發訓練後得到的AI模型3。其中，當前述的請求資訊1包括對應AI模型1的性能要求資訊時，中心節點可以根據對AI模型1的性能要求資訊對訓練後得到的AI模型3進行測試，且在滿足對AI模型1的性能要求資訊時才向RU1下發AI模型3。

當RU1接收到AI模型3後，RU1可以對AI模型3進行格式轉換、存儲等基本管理動作。當AI模型3需要應用時，RU1可以載入AI模型3，並收集對應的推理所需的資料，進行模型推理等。

RU1還可以監控AI模型3的性能表現。當RU1監控到AI模型3的模型精度出現劣化至不能工作時，則可以與中心節點之間交互進行模型更新的資訊，具體可以參見圖7所示的內容。

通過上述技術方案，本申請實施例可以支援RU1可以獲取經由第一網路單元訓練後得到的AI模型3。

下文結合圖7對圖6所示的方法做進一步的描述。

圖7是本申請實施例的另一種通信方法的交互流程示意圖。圖7所示的方法可以由RU1和第一網路單元執行，或者由安裝於RU1和第一網路單元中的具有相應功能的模組和/或器件（例如，晶片或積體電路等）執行。下文以RU1和第一網路單元為例說明。如圖7所示，該方法包括：

S701、RU1向第一網路單元發送請求資訊3。

相應的，第一網路單元接收請求資訊3。其中，請求資訊3用於請求更新AI模型3。

S702、第一網路單元對AI模型3進行更新訓練，得到更新後的AI模型3。

關於第一網路單元如何更新AI模型3的過程的描述可以參見現有過程，不再贅述。

在進行AI模型3的更新過程中，RU1還可以向第一網路單元發送用於AI模型3更新的訓練資料。

S703、第一網路單元向RU1發送更新後的AI模型3。

相應的，RU1接收更新後的AI模型3。

例如，第一網路單元可以向RU1發送更新後的AI模型3的全部參數或者更新後的AI模型3的本身，或者，第一網路單元可以向RU1發送更新後的AI模型3中有進行更新過的參數等等。綜上所言，RU1可以獲取更新後的AI模型3，不限定具體實現方式。

通過上述技術方案， RU1可以獲取來自於第一網路單元的更新後得到的AI模型3。

通過上述資訊交互，RU1可以完成對AI模型3的更新流程，且從第一網路單元獲取更新後的AI模型3。

圖6和圖7所示的內容是以第一網路單元為中心節點為例進行描述的，中心節點還可以為DU、CU、第二網路單元以及第三網路單元等，當中心節點為除第一網路單元之外的網元時，中心節點與第一射電單元之間的交互可以參見第一網路單元和RU1之間的交互，不再贅述。

下文對本申請方法實施例對應的裝置實施例進行介紹。其中，下文僅對裝置做簡要介紹，方案具體實現步驟和細節可參考前文方法實施例。

為了實現本申請提供的方法中的各功能，第一射電單元和中心節點均可以包括硬體結構和/或軟體模組，以硬體結構、軟體模組、或硬體結構加軟體模組的形式來實現上述各功能。上述各功能中的某個功能以硬體結構、軟體模組、還是硬體結構加軟體模組的方式來執行，取決於技術方案的特定應用和設計約束條件。

圖8是本申請實施例的一種通信裝置的示意框圖。該通信裝置包括處理器810和通信介面820，處理器810和通信介面820通過匯流排830相互連接。該通信裝置可以是中心節點，也可以為第一射電單元。

可選地，該通信裝置還可以包括記憶體840。記憶體840包括但不限於是隨機存儲記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、可擦除可程式設計唯讀記憶體（erasable programmable read only memory，EPROM）、或可擕式唯讀記憶體（compact disc read-only memory，CD-ROM），該記憶體840用於相關指令及資料。

處理器810可以是一個或多個中央處理器（central processing unit，CPU）。在處理器810是一個CPU的情況下，該CPU可以是單核CPU，也可以是多核CPU。

處理器810可以是信號處理器、晶片，或其他可以實現本申請方法的積體電路，或者前述處理器、晶片或積體電路中的用於處理功能的部分電路。

通信介面820也可以為輸入輸出介面，輸入輸出介面用於信號或資料的輸入或輸出，也可以是輸入輸出電路。

當該通信裝置是中心節點，示例性地，處理器810用於執行以下操作：接收請求資訊1；發送回應資訊1等。

當該通信裝置是第一射電單元，示例性地，處理器810用於執行以下操作：發送請求資訊1；接收回應資訊1等。

上述所述內容僅作為示例性描述。該通信裝置是中心節點或者第一射電單元時，其將負責執行前述方法實施例中與中心節點或者第一射電單元相關的方法或者步驟。

當該通信裝置為中心節點或者第一射電單元時，通信介面820也可以稱為收發器。

上述描述僅是示例性描述。具體內容可以參見上述方法實施例所示的內容。

圖8中的各個操作的實現還可以對應參照圖5至圖7所示的方法實施例的相應描述。

圖9是本申請實施例的另一種通信裝置的示意框圖。該通信裝置可以為中心節點或者第一射電單元，也可以為中心節點或者第一射電單元中的晶片或模組，用於實現上述實施例涉及的方法。該通信裝置包括介面單元910和處理單元920。下面對介面單元910和處理單元920進行示例性地介紹。

介面單元910可以包括發送單元和接收單元。發送單元用於執行通信裝置的發送動作，接收單元用於執行通信裝置的接收動作。為便於描述，本申請實施例將發送單元與接收單元合為一個介面單元。在此做統一說明，後文不再贅述。

當通信裝置是中心節點，示例性地，介面單元910用於接收請求資訊1和發送回應資訊1等。處理單元920，其用於執行中心節點涉及處理、協調等步驟的內容。例如，處理單元920用於確定回應資訊1。

當該通信裝置是第一射電單元，示例性地，介面單元910用於執行以下操作：發送請求資訊1；接收回應資訊1等。處理單元920，其用於執行第一射電單元涉及處理、協調等步驟的內容。例如，處理單元920用於確定請求資訊1等。

上述所述內容僅作為示例性描述。該通信裝置是中心節點或者第一射電單元時，其將負責執行前述方法實施例中與中心節點或者第一射電單元相關的方法或者步驟。

可選地，該通信裝置還包括存儲單元930，其用於存儲用於執行前述方法的程式或者代碼。

圖8和圖9所示的裝置實施例是用於實現圖5至圖7所述的內容。

圖8和圖9所示裝置的具體執行步驟與方法可以參見前述方法實施例所述的內容。

本申請還提供了一種晶片，包括處理器，用於從記憶體中調用並運行所述記憶體中存儲的指令，使得安裝有所述晶片的通信設備執行上述各示例中的方法。

本申請還提供另一種晶片，包括：輸入介面、輸出介面、處理器，所述輸入介面、輸出介面以及所述處理器之間通過內部連接通路相連，所述處理器用於執行記憶體中的代碼，當所述代碼被執行時，所述處理器用於執行上述各示例中的方法。可選地，該晶片還包括記憶體，該記憶體用於存儲電腦程式或者代碼。

本申請還提供了一種處理器，用於與記憶體耦合，用於執行上述各實施例中任一實施例中涉及網路設備或者終端設備的方法和功能。

在本申請的另一實施例中提供一種包含指令的電腦程式產品，當該電腦程式產品在電腦上運行時，前述實施例的方法得以實現。

本申請還提供一種電腦程式，當該電腦程式在電腦中被運行時，前述實施例的方法得以實現。

在本申請的另一實施例中提供一種電腦可讀存儲介質，該電腦可讀存儲介質存儲有電腦程式，該電腦程式被電腦執行時實現前述實施例所述的方法。

本領域普通技術人員可以意識到，結合本文中所公開的實施例描述的各示例的單元及演算法步驟，能夠以電子硬體、或者電腦軟體和電子硬體的結合來實現。這些功能究竟以硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本申請的範圍。

所屬領域的技術人員可以清楚地瞭解到，為描述的方便和簡潔，上述描述的系統、裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

在本申請所提供的幾個實施例中，所揭露的系統、裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例技術方案的目的。

另外，本申請各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以二個或二個以上單元集成在一個單元中。

功能如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解，本申請實施例的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟體產品的形式體現出來，該電腦軟體產品存儲在一個存儲介質中，包括若干指令用以使得一台電腦設備（可以是個人電腦，伺服器，或者網路設備等）執行本申請各個實施例方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬碟、ROM、RAM、磁碟或者光碟等各種可以存儲程式碼的介質。 以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。

NG:介面 CU:中心單元 OAM:操作維護管理 F1:介面 DU:分佈單元 Non-RT RIC:非即時RAN智慧控制器 Near-RT RIC:近即時RAN智慧控制器 CU-CP:中央單元控制面 CU-UP:中央單元使用者面 RU:射電單元 110:網路設備 120:終端設備 130:終端設備 140:AI網元 O1:介面 O2:介面 E1:介面 E2:介面 F1-c:介面 F1-u:介面 M-Plane:介面 S510、S502、S601～S603b、S701～S703:步驟 810:處理器 820:通信介面 830:匯流排 840:記憶體 910:介面單元 920:處理單元 930:存儲單元

圖1是本申請實施例的一種應用框架的示意圖。 圖2是本申請實施例的另一種應用框架的示意圖。 圖3是本申請實施例適用的一種通信系統的示意圖。 圖4是本申請實施例適用的另一種通信系統的示意圖。 圖5是本申請實施例的一種通信方法的交互流程示意圖。 圖6是本申請實施例的又一種通信方法的交互流程示意圖。 圖7是本申請實施例的另一種通信方法的交互流程示意圖。 圖8是本申請實施例的一種通信裝置的示意框圖。 圖9是本申請實施例的另一種通信裝置的示意框圖。

S510、S502:步驟

Claims (27)

1. 一種通信方法，其特徵在於，所述方法應用於第一射電單元，所述方法包括： 發送第一請求資訊，所述第一請求資訊請求訓練第一人工智慧模型； 接收回應資訊，所述回應資訊指示是否同意對所述第一人工智慧模型進行訓練。
2. 根據請求項1所述的方法，其特徵在於，所述回應資訊指示同意對所述第一人工智慧模型進行訓練，所述方法還包括： 發送第一訓練資料，所述第一訓練資料用於訓練所述第一人工智慧模型的公共參數與特徵參數中的至少一項， 所述第一人工智慧模型的公共參數為所述第一人工智慧模型和第二人工智慧模型共同擁有的參數， 所述第一人工智慧模型的特徵參數為所述第一人工智慧模型區別於所述第二人工智慧模型的參數； 接收第三人工智慧模型，所述第三人工智慧模型為對所述第一人工智慧模型進行訓練後得到的模型。
3. 根據請求項2所述的方法，其特徵在於，所述接收第三人工智慧模型，包括： 發送第二請求資訊，所述第二請求資訊請求獲取所述第三人工智慧模型； 接收所述第三人工智慧模型。
4. 根據請求項3所述的方法，其特徵在於，所述發送第二請求資訊之前，所述方法還包括： 接收通知資訊，所述通知資訊指示所述第一人工智慧模型訓練完成。
5. 根據請求項2至4中任一項所述的方法，其特徵在於，所述方法還包括： 發送第三請求資訊，所述第三請求資訊請求更新所述第三人工智慧模型； 接收更新後的所述第三人工智慧模型。
6. 根據請求項1至5中任一項所述的方法，其特徵在於，所述第一請求資訊包括以下至少一項： 所述第一人工智慧模型的名稱、所述第一人工智慧模型的待訓練參數、所述第一射電單元的標識或者所述第一射電單元對應的社區的標識。
7. 根據請求項6所述的方法，其特徵在於，所述待訓練的參數為所述第一人工智慧模型的特徵參數與公共參數中的至少一項。
8. 根據請求項1至7中任一項所述的方法，其特徵在於，所述回應資訊包括以下至少一項： 所述第一人工智慧模型的名稱、所述第一射電單元的標識、確認資訊或者非確認資訊； 所述確認資訊指示同意對所述第一人工智慧模型進行訓練， 所述非確認資訊指示不同意對所述第一人工智慧模型進行訓練。
9. 根據請求項1至8中任一項所述的方法，其特徵在於，所述第一請求資訊包括所述第一射電單元對所述第一人工智慧模型的性能要求資訊。
10. 根據請求項2至9中任一項所述的方法，其特徵在於， 所述第三模型是基於所述第一訓練資料和第二訓練資料對所述第一模型進行訓練而得到的模型， 所述第二訓練資料來自於第二射電單元，所述第二射電單元不同於所述第一射電單元。
11. 一種通信方法，其特徵在於，所述方法應用於中心節點，所述方法包括： 接收第一請求資訊，所述第一請求資訊請求訓練第一人工智慧模型； 發送回應資訊，所述回應資訊指示是否同意對所述第一人工智慧模型進行訓練。
12. 根據請求項11所述的方法，其特徵在於，所述回應資訊指示同意對所述第一人工智慧模型進行訓練，所述方法還包括： 接收第一訓練資料，所述第一訓練資料用於訓練所述第一人工智慧模型的公共參數與特徵參數中的至少一項， 所述第一人工智慧模型的公共參數為所述第一人工智慧模型和第二人工智慧模型共同擁有的參數， 所述第一人工智慧模型的特徵參數為所述第一人工智慧模型區別於所述第二人工智慧模型的參數； 根據所述第一訓練資料對所述第一人工智慧模型進行訓練，得到第三人工智慧模型； 發送所述第三人工智慧模型。
13. 根據請求項12所述的方法，其特徵在於，所述發送所述第三人工智慧模型，包括： 接收第二請求資訊，所述第二請求資訊請求獲取所述第三人工智慧模型； 發送所述第三人工智慧模型。
14. 根據請求項13所述的方法，其特徵在於，所述接收第二請求資訊之前，所述方法還包括： 發送通知資訊，所述通知資訊指示所述第一人工智慧模型訓練完成。
15. 根據請求項12至14中任一項所述的方法，其特徵在於，所述方法還包括： 接收第三請求資訊，所述第三請求資訊請求更新所述第三人工智慧模型； 發送更新後的所述第三人工智慧模型。
16. 根據請求項11至15中任一項所述的方法，其特徵在於，所述第一請求資訊包括以下至少一項： 所述第一人工智慧模型的名稱、所述第一人工智慧模型的待訓練參數、第一射電單元的標識或者所述第一射電單元對應的社區的標識； 所述第一射電單元為應用所述第一人工智慧模型的射電單元。
17. 根據請求項16所述的方法，其特徵在於，所述待訓練的參數為所述第一人工智慧模型的特徵參數與公共參數中的至少一項。
18. 根據請求項11至17中任一項所述的方法，其特徵在於，所述回應資訊包括以下至少一項： 所述第一人工智慧模型的名稱、第一射電單元的標識、確認資訊或者非確認資訊； 所述確認資訊指示同意對所述第一人工智慧模型進行訓練， 所述非確認資訊指示不同意對所述第一人工智慧模型進行訓練； 所述第一射電單元為應用所述第一模型的射電單元。
19. 根據請求項11至18中任一項所述的方法，其特徵在於，所述第一請求資訊包括對所述第一人工智慧模型的性能要求資訊。
20. 根據請求項12至19中任一項所述的方法，其特徵在於，所述根據所述第一訓練資料對所述第一人工智慧模型進行訓練，得到第三模型，包括： 根據所述第一訓練資料和第二訓練資料對所述第一人工智慧模型進行訓練，得到所述第三模型； 所述第二訓練資料來自於第二射電單元，所述第二射電單元不同於所述第一射電單元。
21. 根據請求項12至20中任一項所述的方法，其特徵在於，所述根據所述第一訓練資料對所述第一人工智慧模型進行訓練，得到第三人工智慧模型，包括： 確定所述第一人工智慧模型的公共參數和所述第一人工智慧模型的特徵參數； 根據所述第一訓練資料，對所述第一人工智慧模型的公共參數和所述第一人工智慧模型的特徵參數分別進行訓練。
22. 一種通信系統，其特徵在於，包括：第一射電單元和中心節點： 所述第一射電單元，用於向所述中心節點發送第一請求資訊，所述第一請求資訊用於請求訓練第一人工智慧模型； 所述中心節點，用於接收所述第一請求資訊，以及，向所述第一射電單元發送回應資訊，所述回應資訊指示是否同意對所述第一人工智慧模型進行訓練。
23. 一種通信裝置，其特徵在於，包括處理器，所述處理器用於，通過執行電腦程式或指令，或者，通過邏輯電路， 使得所述通信裝置執行請求項1至10中任一項所述的方法；或者， 使得所述通信裝置執行請求項11至21中任一項所述的方法。
24. 一種通信裝置，其特徵在於，包括邏輯電路和輸入輸出介面，所述輸入輸出介面用於輸入和/或輸出信號， 所述邏輯電路用於執行請求項1至10中任一項所述的方法；或者， 所述邏輯電路用於執行請求項11至21中任一項所述的方法。
25. 一種電腦可讀存儲介質，其特徵在於，所述電腦可讀存儲介質上存儲有電腦程式或指令，當所述電腦程式或所述指令在電腦上運行時， 使得請求項1至10中任一項所述的方法被執行；或者， 使得請求項11至21中任一項所述的方法被執行。
26. 一種電腦程式產品，其特徵在於，包含指令，當所述指令在電腦上運行時， 使得請求項1至10中任一項所述的方法被執行；或者， 使得請求項11至21中任一項所述的方法被執行。
27. 一種晶片系統，其特徵在於，所述晶片系統包括處理器、記憶體和輸入/輸出埠，所述記憶體用於存儲電腦程式；所述處理器用於執行所述記憶體中存儲的所述電腦程式， 以使得所述處理器執行如請求項1至10中任一項所述的方法；或者， 以使得所述處理器執行如請求項11至21中任一項所述的方法。