G论智三易，串联通讯，贯通边缘，演进认知，汇于机器：听五位IEEE Fellow畅谈 gai( 二 )

以下是每位嘉宾的演讲要点精编：

王昭诚：AI赋能毫米波波束管理

文章插图

王昭诚教授

首先由王昭诚教授带来题为《AI赋能毫米波波束管理》的演讲。
王昭诚教授是清华大学长聘教授，IEEE Fellow/IET Fellow，2020年科睿唯安全球高被引科学家，而波束管理正是王教授的个人学术标签。王教授的研究方向包括面向6G的毫米波/太赫兹无线通信、面向智能交通的可见光通信和AI赋能的智能通信。
在演讲中，王教授结合了多年的科研及工业落地经验，为我们展现了人工智能技术在未来6G移动通信中的重要作用。6G移动通信作为未来爆发的焦点话题之一，成为学术和工业界的兵家必争之地，而AI赋能的智能通信成为其核心关键技术。
王教授介绍了毫米波在未来6G移动通信中的重要意义，并着重介绍了融合低频/毫米波终端的技术挑战和未来发展趋势。
毫米波通信热度很高，但有很多因素阻碍了其广泛应用，其中功耗、鲁棒性、成本等原因最为明显。如何使用人工智能技术降低功耗、提高鲁棒性、解决成本问题，就是毫米波技术突围的核心所在。
王教授介绍了基于深度学习的低频辅助毫米波波束预测。在使用毫米波进行通讯时，存在着多方面的问题，比如损耗大、成本高、功耗大、鲁棒性差等问题。
在王教授的工作中，核心思想为利用毫米波和低频的直射径/反射径达到角的一致性解决上述困难。
首先，在入网的阶段，王教授提出可以利用低频和高频信道的一致性降低终端功耗：当终端设备需要利用毫米波链路进行高速信息传输时，其功耗较大。因此可以使用低频估计直射径是否存在，如果有直射径的条件下才开启毫米波服务。
其次，在开启毫米波服务后，使用低频预测毫米波波束的到达方向。由于任务的复杂性和多模态特征，需要使用AI寻找最佳的到达角。王教授通过使用专门设计卷积神经网络、实部/虚部预处理、以及降采样等组合技术解决上述问题并得到极佳的实验效果。
随后，王教授介绍了基于深度学习的低频辅助毫米波波束跟踪。利用低频信道估计信息，实现毫米波终端的动态跟踪。特别地，利用LSTM网络来进行平滑跟踪，LSTM可以估计出通信中隐藏的重要中间变量，实现快速跟踪。
最后，王教授介绍了基于深度学习的毫米波快速波束训练，可以使用功率泄露的宽波速来进行最优波束的估计和扫描。
未来毫米波和人工智能的应用广泛，比如无线环境感知和工业物联网，王教授总结了当前的应用进展，并提出了多项技术挑战。

梅涛：感知智能到认知智能的关键蜕变

文章插图

梅涛博士（线上演讲）
第二位演讲者是梅涛博士，他的演讲题目是《从感知智能到认知智能的视觉计算》。
梅涛是IEEE/IAPR Fellow，京东集团副总裁，京东探索研究院副院长。在演讲中，梅博士结合了自己在大型科技公司多年的工作经验，从生活和应用的角度为我们生动地总结了AI的各种成功应用，也以此由浅入深地介绍了从感知智能到认知智能的必要性。认知智能面临着多方面的挑战，而这正是学术和工业界未来的发展方向。相信终有一天，AI能够脱离领域的束缚，达到像人类一样多模泛化的程度。
当前的计算机视觉领域发展飞快，多项技术已经可以达到媲美人类甚至超越一般人类的能力。例如图像分类识别、目标定位。同时AI在内容合成（图像生成、图片描述生成）上进步飞速。但是这毕竟知识感知智能（学标），并非具有“认知能力”的真正人工智能（学本）。