尊敬的专家，各位老师，各位同学，我的中文不会很好，我尽量用中文讲。我先抱歉一下，我的PPT我会做的比较学术一点，不像刚才之前马老师比较宏观，看到不同的方向。我只是有几个重要的点我想要强调一下。

我个人认为尤其在无线通信这个领域可能前期这几年最主要我觉得对于我来讲还没有到人工智能，我们在想说网络和通信怎么样增强智能，增强智能过程中是不是能把6G服务变的更好，这就像IBM，IBM网站叫（英文），所以我们最主要团队在讲AI的时候我们不是像计算机讲的（英文）。

我分成四个方向，方向比较多，第一个方向可能比较模糊的就是分布式，其实我们看一下现在最主要做人工智能或者做（英文）都是集中式，需要把数据集中在一个（英文），大量的数据和大量的GPU预算，将来很多服务是靠近用户，你的互联网，就是你要实时给（英文），这是我们要考量我们的比如我们（英文）或者我们计算能力在分布式的时候你怎么样有效的设计你的（英文），或者（英文）。因为当你分布式的时候你就有很多所谓的（英文），就是说你每个地方不可能跑很多深度学习的GPU，就是能源是一个问题，你不可能像集中式一样。所以当你做分布式的时候，分布式不是这样容易做，所以尤其在通信和网络里面，我们现在很多方式还没有（英文），我们数据如果没有标签，或者数据是有（英文），我的分布式的（英文）要怎么定（英文）。然后所谓的（英文）比如像边缘计算或者将来你的摄像头，你把AI摄像头怎么实施（英文），边缘摄像头（英文）跟你的（英文）之间怎么交互，怎么（英文）。因为我们现在很多（英文）还没有（英文），两个（英文）之间要交互，什么样的信息在网络里面，所以这是一个我觉得比较重要的方向。

第二个是方向是（英文），你的（英文），什么时候应该学习，什么时候应（英文），比如说IOT，比如5G，6G问题就是大量介入，我应该怎么用，这是第二个方向。

第三个是叫做（英文），如果你看现在很多深度学习方式基本上你标签你用（英文），当你做优化（英文），就是你要优化的那个（英文），我们已经假定了，比如我们用（英文），我们在用（英文）我们已经有一个模型的假设，就是说当你这样做的时候你面临最大问题，在数学里面叫做（英文），所以为什么当你做（英文）的时候你要用在不同场景的时候，遇到最大的问题就是说不是每个场景都会好，在数学里面现在有一个比较新的方向叫做（英文），就是说从数据里面我怎么样学什么应该学会，这将是我们很重要的将来方向，因为很多数据我们不知道能采集什么（英文）。在数学这个领域开始有一些工具，这也是我觉得在无线，尤其在6G我们的（英文）会有很多种。

第四个就是（英文），也就是6G网络智慧，这里最大的是（英文），因为当将来的网络有不同的服务和不同的（英文），这是我们所谓的（英文），怎么样（英文），是不是我们网络切片的概念，从上层可以推到下层，这个我们代价是说要交互的信息会很大，网络非常复杂，这个时候我们智慧是不是要分布式，我们控制是不是要（英文），所以我觉得这是一个AI比较能或者（英文）可以应用的方向。我只分享两个工作，（英文）这是谷歌2017年在一个会议上所提议的，基本概念就是说数据将来是在边缘比如手机或者你的谷歌或者是你的天猫精灵很多数据是在你的手机上面。这个时候你因为安全或者隐私不想把数据集中在云端，你不想上传，你要怎么做？我让边缘计算可以做（英文），可是数据是保持在（英文）或者（英文）上面，然后我只上传（英文），所以（英文），然后每个用户跑一个（英文），只是上传到边缘上面或者到你的（英文），到边缘上面你再做一些，比如说你做一个（英文），整个框架是说整个模型可以说在上层我可以想要做SBM，（英文）不管你（英文）。整个深度学习或者整个（英文），你要（英文）PW，然后现在你很多终端，每个终端数据在我身上，我就拷一个（英文）。上传到C可以是边缘计算，你做一个很简单的拼接，谷歌架构是这样的，谷歌架构是说我不是有线是无线，然后他再上传，因为数据有（英文），所以大家平均了之后上传每个（英文），可以证明说这等于你的（英文）在集中是完全一样的效果。所以可以把（英文）分布式，比如说在区域一个里面有一个wifi，每个终端的（英文）有限，所以（英文），根据大家的（英文）我再来（英文），大概就是这个概念。

如果你在用无线wifi，所以是有干扰的，而且你要选，如果像会议室里面100终端，我是不是选100个终端，我要选几个，选谁，因为每个平台不一样，每个维度不一样。很快不讲数学的模型只想说我们大概想要解决问题是说，想要把这个架构弄成网络，我们的IP是在大型的网络里面有不同位置，我用数据来，每个AP里面有U1，U1是跑（英文），数据在身上上传这个（英文），在这个架构你怎么选，怎么选不同的，因为我用wifi（英文）是不够，我要选（英文），需要多快的时间。我现在在做比较简单的（英文），比如说有N个K，K可能是很大，我随机选，我选到最好的N个然后来传到我的边缘计算，计算这个（英文）。

所以我的联邦学习应该怎么算呢？当你U1被选上，我们（英文）我看到它的SINR（英文）。最主要的要初步的一些工作就是说你的U1，你的AP（英文），如果这个（英文）非常近很小的话，基本上你可以用（英文），即使有100个，我就选最好几个，让我的（英文）修炼非常快。如果我的（英文）很大，（英文），非常简单，分成几处，每个处里面有很多用户，然后我来（英文）。这是比较初步的（英文）一些感念。

第二个想要分享就是Random Access，我不知道中文叫什么。第一个是Preamble，每个用户要传的时候选一个上传，上面做一个非常简单的分类，有人传孩子没有人传。所以是一个很简单信号处理问题所以叫做Coventional，如果有两个用户同时传他们收到信号也是同时大于（英文）。基本上我们说是不是用（英文）基本非常基本的（英文），这个问题其实从我大学开始念电机的时候就开始看到这个问题，那个时候还没有这个，所以你可以用（英文），因为（英文）很多数据你可以做（英文），你可以根据用户一个两个碰撞，然后（英文），之后因为他们的碰撞之后你想要知道他们的距离就是（英文）。我也可以根据大量数据来分类说可能这个用户是（英文），就是他们之间的距离。知道过他的距离之后我可以做比较好的（英文），（英文）最难的是说我不知道是谁传的时候我没办法做（英文），如果能知道他的距离在哪里我还可以弄（英文），还可以做（英文）。我们大概用这个方法来解一个很旧的问题。这样我可以很简单说如果有碰撞的时候我就叫它不需要（英文）。

另外一个可以增加我的（英文），根据你的AP，如果两个人传我必须要知道（英文），距离哪里，根据距离他才知道我是（英文）然后最主要你会发现用我们（英文）在这个架构里面你会发现（英文）会比较小。其实在网络里面尤其在（英文），或者网络里面会面临一个问题干扰，很多AP我可以用（英文）。

我的报告就是比较短，然后就到此为止，谢谢。