崔曙光

加拿大皇家科学院

加拿大工程院双院院士

主要工作：适配改造人工智能算法，来满足通信网络性能

从基础LLM到专用LLM：四个必须面对的问题

1. 如何选择合适的基础LLM规模
2. 如何让基础LLM读懂专用领域信息
3. 如何避免基础LLM的幻觉现象，保证有效输出
4. 如何降低基础LLM的微调成本

1 6G与生成式人工智能技术简介

1.1 生成式人工智能技术

未来6G，需要一个智能的控制核心

2 自主探索生成式人工智能

主要开发的数据集：

面向6G网络控制面全任务需求 打造生成式网络大模型

传统AI算法局限性

1. 模型设计开销大

DL算法的成功严重依赖于“黑盒”DNN模型

1. 泛化性能弱

传统AI 算法在未知的数据分布或网络环境上泛化性能往往减弱

大语言模型：新的机遇

LLM不仅仅是NLP领域的专家，但能否应用于网络领域？

为什么要用LLM解决网络任务？

1. 利用LLM强大的泛化能力完成所有网络任务，符合6G网络控制标准化需求
2. 利用LLM强大的涌现能力在具体单项任务取得更佳的性能

3 生成式人工智能助力6G核心技术

3.1 网络控制面：NetLLM框架

首先选定基础LLM，不是越大越好，要考虑硬件限制、推理延迟等

1. 多模态编码器
2. 解决幻觉现象：基于领域知识，让LLM生成满足网络运行边界条件的高效答案，消除幻觉并建立 快速映射
3. 成本问题：DD-LRNA

3.2 整合6G控制面和数据面：生成式语义通信

通信理念从“信息恢复”到“信息再生”转变

4 AI+NET开源社区