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

每一代通信系統都致力于改善覆蓋范圍、比特率、用戶數量和功耗。但與此同時，工程方面的挑戰也變得愈加艱難。為了保持創新，工程師們不得不在日益復雜的技術權衡網絡中摸索。 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，信號在城區建筑物周圍的反射會產生嘈雜、扭曲的環境。 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，物聯網的日益興起推動著無線通信呈爆炸式增長。結果便是，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據的復雜情況下不斷提升性能而不會被數據淹沒。這些進展提出了一個不容忽視的問題：如果有足夠的數據，神經網絡（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？ 根據我們在NASA空間通信系統方面所做的工作，我們確信答案是肯定的。自2018年起，我們開始利用NASA跟蹤和數據中繼衛星系統（TDRSS）——又稱空間網絡（Space Network）——進行試驗。在該系統中，我們應用機器學習實現極其復雜環境中的無線通信。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無線信號，而是更專注于構建設計這些信號的機器學習系統。 多年以來，通信工程師們發明出數不清的技術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和環境非常復雜。為此，通信工程師開發了各類統計模型，可以近似估算信道損耗所帶來的影響。這些統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設計和制造設備，盡可能減少損耗的問題。 然而，使用統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，例如5G蜂窩網絡，已經面臨著新的問題。這些系統太復雜，連接設備的數量太多。為了滿足當前和未來幾代無線系統的需求，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挑戰環境問題，提高性能。 但是現有的這些技術都圍繞著如何調整無線通信系統的行為。例如，4G LTE無線網絡采用了AI技術，當發射端和接收端連接的性能下降時，會降低數據速率。較低的數據速率可以避免低帶寬信道超載，導致數據丟失。再比如，如果出現干擾，藍牙系統中的AI技術可改變信號的頻率，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家吉姆?謝亞（Jim Shea）共同創立了DeepSig公司，以其研究成果為基礎，創建技術原型。這家位于弗吉尼亞州阿靈頓的公司的目標是，識別在通信系統中哪些人類設計達到了極限，以及研究神經網絡如何工作，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，這些組件負責創建要傳輸的信號。傳統的方法是從一個統計模型開始，該模型與要構建的實際信道相似。例如，如果設計一個用于密集城區的手機信號塔，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制解調器，對無線信號進行調制和解調，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，它經常導致無線設備設計的妥協，比如濾波器的質量。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實現了一種可以創建信號的新技術，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起來的深度神經網絡，一個編碼器和一個解碼器，一起有效地作為信道的調制解調器。編碼器將需要傳送的數據轉換成無線信號，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據的最佳估值。

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網絡。你可能聽說過用于圖像識別的神經網絡。一個簡單的例子，研究人員可能會向神經網絡“展示”數千張狗和其他動物/物體的圖像。然后，該網絡的算法可以區分“狗”和“非狗”，并優化識別未來出現的狗的圖像，即使這些圖像對該網絡是新奇的。在這個例子中，“狗”就是訓練神經網絡識別的圖像。 在這個應用中，研究人員訓練神經網絡識別與圖像對應的輸入數據的特征。當一個新的圖像出現時，如果輸入數據有相似的特征，便會產生相似的輸出。所謂“特征”，是指數據中存在的一種模式。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網絡。這意味著每一個神經網絡都由許多層組成（通常有數百個），它能夠對輸入數據做出比簡單神經網絡更為詳細的決策。每一層都使用前一層的結果，獲取越來越復雜的見解。例如，在計算機視覺中，一個簡單的神經網絡可以告訴你一個圖像是否是一只狗，而一個深度神經網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杰弗里?辛頓（Geoffrey Hinton）為解決數據壓縮的一些問題而發明的。自動編碼器應用中有兩個神經網絡，一個是壓縮器，另一個是解壓器。顧名思義，壓縮器根據數據類型學習如何有效地壓縮數據，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。關鍵是壓縮器和解壓器都無法單獨工作，它們需要共同實現自動編碼器的功能。 現在把這些內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自動編碼器相同，但不是針對不同類型的數據進行優化，而是針對不同的無線信道進行優化。自動編碼器由兩個深度神經網絡組成，分別位于信道的兩側，學習如何調制和解調無線信號類型，共同構成調制解調器。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2.4千兆赫頻段非常活躍，表明附近有一個Wi-Fi網絡；如果無線設備接收到測試信號的許多回聲，那么環境中很可能充滿了許多反射面。 當探測完成后，深度神經網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，將數據調制成無線信號。這意味著在這一側，神經網絡考慮到了無線設備自身的模數轉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，編碼器產生的無線信號能夠抵抗信道中的干擾和失真，開發出傳統方法難以得到的復雜方案。 在信道的另一側，作為解碼器的神經網絡進行同樣的工作，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。糾錯技術也可以發揮作用，幫助清理信號。在該過程結束時，解碼器就恢復了原始信息。 在訓練過程中，神經網絡根據工程師想要優化的指標（無論是重建數據的錯誤率、無線系統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，神經網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。這說明神經網絡可以同時考慮所有的損耗，并產生對特定信道最有效的信號。 DeepSig的團隊相信，通過訓練神經網絡來管理一對調制解調器的信號處理將是通信系統設計方式的一個巨大轉變。我們清楚，如果要證明這種轉變不僅是可能的，而且是值得的，那我們就必須對這個系統進行完全的測試。

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一直為近地衛星提供通信和跟蹤服務。TDRSS本身包括地面站和衛星群，并與地球軌道衛星和國際空間站保持持續連接。TDRSS衛星作為中繼，在全球其他衛星和地面站天線之間傳輸信號。這個系統不需要建立更多的地面站來保證與衛星保持聯系。如今，共有10顆TDRSS衛星為國際空間站、商業補給任務以及NASA的空間和地球科學任務提供服務。 當TDRSS首次上線時，航天器使用低數據速率信號，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據吞吐量。為了滿足需求，TDRSS的信號在相同的帶寬內塞入了更多的信息，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。我們希望神經網絡可不那么困難地獨自處理這個問題。 對我們來說，TDRSS的一個關鍵特點是它的衛星不進行任何信號處理，只是簡單地從地面站或另一個衛星接收信號，放大信號，然后重新發送至目的地。這意味著通過TDRSS傳輸的信號的主要損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，我們的神經網絡并不會區分各種形式的干擾，而是把它們都當作信號必須經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實環境中AI開發信號的能力。通過TDRSS與衛星進行通信充滿了干擾，但這是一個全面的測試系統。這意味著我們可以很好地理解目前的信號表現如何，也可以比較方便地檢查我們的系統效果如何。更好的是，測試完全不需要修改現有的TDRSS設備。信道自動編碼器已經包括了調制解調器，插入TDRSS設備就可進行傳輸。 2018年7月下旬，經過數月的準備，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網絡產生的信號來測試調制解調器。測試的目的是將TDRSS系統使用的信號調制與我們的信道自動編碼器系統同時運行，使我們能夠直接比較它們在現實信道中的性能。 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，將經過驗證的、人工設計的調制解調器替換為使用信道自動編碼器創建的神經網絡。在測試期間，傳統的TDRSS信號以及我們的自動編碼器產生的信號，將從一個地面站傳送到一顆衛星上，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，因此現有的TDRSS系統和信道自動編碼器所面對的環境也是完全相同的。 當測試結束時，我們發現傳統TDRSS系統的誤碼率略高于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性的環境中發揮作用。最令人興奮的是，神經網絡能夠產生人們用傳統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建信號，包括頻率、調制、數據速率等各個方面。 還記得我們曾說過今天的信號創建和處理技術是一把雙刃劍嗎？隨著系統可用數據的增加，傳統的信號調制方法會變得越來越復雜。但隨著數據更加充裕，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”的問題已經解決了。 最重要的是：出現了一個新的通信信道后，機器學習系統能夠在短短幾秒鐘內訓練該信道的自動編碼器。相比之下，開發一個新的通信系統通常需要一個經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。這種方法非常強大和有效，不應該排除在未來系統之外。 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高漲，應用前景越發光明，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據科學。包括得克薩斯大學奧斯汀分校和弗吉尼亞理工學院在內的一些大學，已經開始將數據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。要進一步實現技術開發和完善底層計算機架構，還有很多工作要做。信道自動編碼器如果要成為現有廣泛使用的無線系統的一部分，必須經過嚴格的標準化過程，還需要專門設計的計算機架構來最大限度地提高其性能。 TDRSS的損耗是很難優化的。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呢？我們的答案是，沒有理由認為不能。