論文の概要: Way to Build Native AI-driven 6G Air Interface: Principles, Roadmap, and Outlook

• arxiv url: http://arxiv.org/abs/2508.15277v1
• Date: Thu, 21 Aug 2025 06:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.205515
• Title: Way to Build Native AI-driven 6G Air Interface: Principles, Roadmap, and Outlook
• Title（参考訳）: ネイティブAI駆動の6G Air Interfaceを構築する方法:原則、ロードマップ、展望
• Authors: Ping Zhang, Kai Niu, Yiming Liu, Zijian Liang, Nan Ma, Xiaodong Xu, Wenjun Xu, Mengying Sun, Yinqiu Liu, Xiaoyun Wang, Ruichen Zhang,
• Abstract要約: 本稿では、圧縮と適応という2つのコア特性を中心に構築された、AI駆動のネイティブな空気インターフェースアーキテクチャを提案する。 一方、圧縮により、シンボルレベルの精度よりもタスク関連性に着目し、ソースデータから本質的な意味情報を理解し、抽出することができる。 一方、空気インターフェースは様々なタスク、データタイプ、チャネル条件にまたがるセマンティック情報を動的に伝達し、スケーラビリティと堅牢性を確保することができる。
• 参考スコア（独自算出の注目度）: 16.956195994255715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is expected to serve as a foundational capability across the entire lifecycle of 6G networks, spanning design, deployment, and operation. This article proposes a native AI-driven air interface architecture built around two core characteristics: compression and adaptation. On one hand, compression enables the system to understand and extract essential semantic information from the source data, focusing on task relevance rather than symbol-level accuracy. On the other hand, adaptation allows the air interface to dynamically transmit semantic information across diverse tasks, data types, and channel conditions, ensuring scalability and robustness. This article first introduces the native AI-driven air interface architecture, then discusses representative enabling methodologies, followed by a case study on semantic communication in 6G non-terrestrial networks. Finally, it presents a forward-looking discussion on the future of native AI in 6G, outlining key challenges and research opportunities.
• Abstract（参考訳）: 人工知能(AI)は、設計、デプロイメント、運用にまたがる6Gネットワークのライフサイクル全体にわたって、基本的な機能として機能することが期待されている。 本稿では、圧縮と適応という2つのコア特性を中心に構築された、AI駆動のネイティブな空気インターフェースアーキテクチャを提案する。 一方、圧縮により、シンボルレベルの精度よりもタスク関連性に着目し、ソースデータから本質的な意味情報を理解し、抽出することができる。 一方、空気インターフェースは様々なタスク、データタイプ、チャネル条件にまたがるセマンティック情報を動的に伝達し、スケーラビリティと堅牢性を確保することができる。 本稿では、まず、AIによるネイティブな空気インタフェースアーキテクチャについて紹介し、次に6G非地球ネットワークにおけるセマンティックコミュニケーションの事例研究を行う。 最後に、6GにおけるネイティブAIの将来について前方から議論し、重要な課題と研究の機会を概説する。

関連論文リスト

• Semantic Communication meets System 2 ML: How Abstraction, Compositionality and Emergent Languages Shape Intelligence [35.03380046163083]
  本稿では,システム2認知の原理に根ざした統一された研究ビジョンを提案する。 私たちは、推論、適応、コラボレーションが可能な、真にインテリジェントなシステムの基礎を築きました。
  論文  参考訳（メタデータ） (2025-05-27T09:57:12Z)
• Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
  本稿では,6GネットワークにおけるAIと通信の概要を概観する。 我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。 講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:34Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
  データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。 基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications [39.223546118441476]
  6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。 エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
  論文  参考訳（メタデータ） (2021-11-24T11:47:16Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。