本文讨论了如何在无线通信中实现内生人工智能，以及通过设计智能架构和算法来实现这一目标。文章强调内生人工智能是无线通信的未来，它可以提供无处不在的智能感知、通信、计算和控制。

文章提供了如何通过设计类似于无线网络的智能架构来实现真正的智能内存预案的例子。作者建议首先减少现有无线网络架构的复杂性，这可以通过设计考虑不同用户亮度及其各自情况的新机制来实现。这种新机制可以将经典的菲利普日语架构融入网络中，从而使其能够更好地发挥作用。

除此之外，作者还强调了利用干扰网络进行图神经网络的设计和计算的重要性。文章讨论了如何利用干扰网络来创建独特的通信组合，以设计更高效的无线通信模型。

文章还强调了探索无线环境传播规律以设计更好的模型的重要性。作者建议使用一系列模型来更好地规划无线通信在给定空间中的幅度和传播路径。

最后，文章总结了需要通用模型以及更具创新性模型的重要性。作者认为重新设计无线学习模型对实现内生人工智能至关重要。

总的来说，本文全面阐述了在无线通信中实现内生人工智能所面临的挑战和机遇。作者的见解和建议对从事该领域研究、工程师和政策制定者都有一定的参考价值。

人工智能促进了无线通信范式的转变

人工智能在无线网络的各个层面都表现良好或显示出潜力，涉及到空中接口、架构、协议等，并将对所有传感、通信、计算和控制功能产生重要影响。人工智能感知、预测、定位、跟踪、反馈、调度、优化和协调程序的国际标准化已经启动。

无线网络分布式学习体系结构

无线网络分布式学习体系结构 异步联邦学习架构[TWC, 2022] 分级联邦学习架构【GC’2022】 联合模型拆分和神经架构搜索[ICC' 2022] 空中拆分学习架构【JSAC, 2023】 无线图神经网络架构【WCM, 2023】

异步联邦学习体系结构 挑战和问题(传统的FL框架不能很好地适应无线蜂窝):1. 由于不同的用户能力和通道条件，异步性突出 2. 型号到货数量过时且不确定 3.异构本地数据分布

给出的参考文献：（基于无线通信网络的异步联邦学习）

Z. Wang, Z. Zhang, Y. Tian, et al. "Asynchronous federated learning over wireless communication networks," IEEE Transactions on Wireless Communications, Vol.21, No. 9, 2022.

异步联合学习体系结构 方法: 1.服务器根据用户模型的新鲜度和重要性计算贡献矩阵，进行全局融合; 2. 每个用户根据全局模型的新鲜度及其与训练不足模型的相关性来决定是否更新

分层联邦学习体系结构 挑战和问题(传统的FL框架不能很好地适应无线蜂窝):1. 典型的层次结构 2. 动态链路容量 3.数据局部性和时空相关性模型