引言
半导体芯片生产成本逐年下降，芯片的算力体积比不断提升，在更小体积的芯片中得以运行更多的任务。人工智能（AI）得以逐渐摆脱算力的桎梏，衍生出更多更具实用性的算法、模型和架构。而随着信息化进程推进，以及消费电子类产品和各类型传感器的更新和广泛应用，各类系统趋向自动化，为 AI 渗透到人类生活的各个方面提供了土壤。
深入分析 AI 近十年的发展，会逐渐看到一个重要的现象：人工智能在感知方面取得了重要进展，已经逐渐接近人类的水平，在语音、图像、视频处理等多个方面，人工智能处理的效率和效果都已经超越了人类。随着近两年大模型的快速发展，人工智能在语言理解与处理方面也取得了重大进展。比如，美国 OpenAI 研发的聊天机器人程序ChatGPT，作为人工智能技术驱动的自然语言处理工具，它通过海量语言材料的学习，能够实现理解并基于人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码、写论文等任务。
当前，人工智能在通信生态系统中的架构融合与功能应用在 3GPP、ETSI 中已有标准化定义，通信人工智能的相关网元如 NWDAF 尚处于测试阶段。通信人工智能面向网络管理、业务管理以及应用层的应用较多，也取得了阶段性成效。面向 2030 年，6G 将与先进计算、大数据、人工智能、区块链等信息技术交叉融合，实现通信与感知、计算、控制的深度耦合，实现 eMBB、uRLLC、mMTC 的不断演进，并在此基础上新增人工智能服务和感知服务两大超越通信的应用场景。未来 6G 网络的各个节点将具备提供分布式的高效、节能、安全的 AI 服务的能力。
本报告旨在推进 AIaaS 的应用场景与技术指标等的研究。AI 即服务需求研究的目的在于梳理 AIaaS 的潜在应用场景、典型应用、典型服务等，并在此基础上完善 AIaaS 的技术指标分析；从技术、商业、生态等的角度分析对比，给出 6G AIaaS 区别于现有 AI服务的优势场景与应用；从网络 AI 服务能力的角度给出对应业务需求和指标要求；针
对未来 AI 技术的发展（大模型等），给出终端和网络侧能力演进的趋势和评估等。本报告在当前 AI 现状和发展趋势进行调研分析的基础上，结合部分成员单位在 AIaaS 领域的研究工作，对 AIaaS 的场景、应用、用例等做了详细地分析和梳理，针对 AIaaS 的QoAIS 和性能指标等做了分析讨论，给出了相关的示例，最后提出了 AIaaS 的技术优势、产业价值与潜在挑战。
一、现状和发展趋势
1.1 AI 的概念和应用场景
1.1.1 AI 的概念及解读
AI 是研究、开发能够模拟、延伸和拓展人的智能的理论、方法及应用系统的一门新的技术科学。它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。
人工智能的目标是让机器能够像人一样理解、思考和学习，即用计算机或其他智能体去模拟人的智慧，甚至具备与人类相当的智慧。除计算机科学外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
人工智能的研究范围主要包括机器学习、语音识别、计算机视觉、自然语言处理、数据挖掘等。
人工智能是更广泛的概念，即让机器能够以人们认为“智能”的方式执行任务，而机器学习则是实现人工智能的一种方法。作为一种数据驱动的
决策方法，机器学习使计算机能够自动解析数据、从中学习，在没有人工干预的情况下从中检索出事件发展的内在规律，从而对真实世界中的事件做出决策和预测。
本报告聚焦于以机器学习（ML）为核心的 AI，它包含 AI 模型 / 算法和数据等基本要素，以算力资源作为支撑，依托于 AI 模型的生成、训练、推理等而实现智能化目标。
AI 模型 / 算法从历史数据中学习规则，并基于学习到的规则对新数据做出预测或决策。AI 模型 / 算法指以机器学习模型为代表的各种算法，它通常具备可学习的参数，因此通信中传统的确定规则的物理层或 RRM 算法就不是 AI 算法；AI 模型 / 算法对推理结果的精准性和安全性有特定的要求。
AI 数据指和 AI 模型 / 算法强相关的“训练样本”、“参数数据”和“输入输出数据”等，因此一般的网络或用户数据不一定是 AI 数据；AI 数据对数据格式和质量保障有特定的要求。
AI 算力指算力中用于处理分析 AI 数据，执行 AI 模型 / 算法的那部分算力，因此用于传统基带算法的算力就不是 AI 算力；AI 算力对计算硬件资源类型属性有特定的要求。
1.1.2 当前 AI 的应用场景
农业场景
在农业场景，主要包括有作物管理、害虫和杂草处理、疾病管理、土壤管理、产量预测和管理等。
- 作物管理，主要提供作物选择，施肥建议，使得作物免受恶劣天气影响等；
- **害虫和杂草处理，即识别害虫和杂草，提供处理害虫和杂草的相关建议，推测害虫行进路线和繁殖规模和速度，推测杂草的生长状态和发展等；
- 疾病管理，即预测、识别分类作物病害；
- 土壤和作物管理，包括评估作物表面土壤湿度，预测天气，结合天气预测结果进行灌溉等；
- 产量预测和管理，根据气候，季节等因素提供最佳播种时间建议，并预测最佳收成时间和最终产量等。
其主要运用的 AI 技术最开始是基于规则的专家系统，发展到后来的模糊推理系统和人工神经网络的结合。
主要涉及模式识别，图像识别等用例。
自动驾驶场景
在自动驾驶场景，分为感知和决策两类主要场景：
- 感知类包括汽车定位、静态障碍物映射、移动障碍物检测跟踪、道路映射、交通信号检测和识别；
- 决策类包括：路线规划、路径规划、行为选择、运动规划和控制等。
其运用到的 AI 技术主要是基于规则的推理模型，启发式算法，近似推理，类人推理等。
主要涉及的用例是图像和语音识别，分析推理，分类，模型迭代等。
医疗卫生场景
在医疗卫生场景，主要有疾病诊断预测、临床和患者护理。
- 疾病诊断预测包括前期疾病诊断预测，例如糖尿病、癌症、结核病、精神疾病的预测诊断，和就诊中的医学成像和图像诊断，例如肿瘤学影像、光学相干断层扫描等。
- 临床包括临床试验参与、机器人辅助手术系统和计算机辅助手术，减少用药错误。
- 患者护理包括心力衰竭监测、术后健康监测、肿瘤患者的健康监测，检测例如血氧浓度，体温，心率等参数并分析。
除此之外近年来 AI 技术也在应用到新药研制场景中得到应用。
主要使用到的 AI 技术为神经网络、专家系统等。
主要涉及的用例是图像识别、分析推理、分类等。
网络金融场景
在网络金融场景，主要包括信用预测和评估，根据客户的历史交易数据、资金流动情况智能运营聊天机器人应答客户部分疑问，智能手续柜台满足客户部分需求。交易风险预警，大数据分析历史诈骗交易行为，提前为客户预警，进行报警等。
涉及的 AI 技术较为广泛，包括支持向量机、决策树、神经网络、K 邻近遗传算法、随机森林、Boosting 算法、集成学习、聚类等。
主要涉及的用例是分析推理、模式识别、分类等。
智慧城市场景
在智慧城市场景，主要有
- 公共设施控制，例如通过控制交通信号灯等设施帮助监控交通流量和增加城市连通性并减少交通事故和交通违法，通过人脸识别门禁和安检识别控制重要场所通行；
- 灾害预测，例如预测建筑物火灾风险；
- 人员识别和寻踪，通过收集公共摄像头的视频图像，分析其历史行动轨迹等，锁定犯罪分子或失踪人员。
主要涉及的 AI 技术有神经网络、演化算法、专家系统、分布式人工智能、机器视觉、决策网络等。
主要涉及的用例是图像识别、推理分析等。
电子商务场景
在电子商务场景，主要用例是推荐系统、欺诈识别、营销活动、产品退货预测。
- 推荐系统又可以细分为关系发现和购买预测，关系发现包括商品之间的销售量关系发现和客户之间关系发现，购买预测包括购买预测和回购预测。推荐系统将根据内容或商品之间的关联度、用户特征和商品的关联度、甚至用户之间的关联度 , 向用户发起推荐。
- 欺诈识别是通过分类或分析交易双方交易行为识别非法交易或异常交易，识别交易欺诈。
此外，AI 在网络安全、物流运输、教育等方面均迎来蓬勃发展。
1.2 AI 应用的现状
1.2.1 MEC AI
MEC 与 AI 的结合，一般来说，中心侧与边缘侧对 AI要求各不相同，越靠近边缘侧，AI 推理程度增加，越靠
近中心侧，AI 训练程度增加；两者互为补充，一般来说，MEC 对于 AI 来说，MEC 部署在靠近数据源侧，便于适应边缘原生的 AI 类应用对时延、安全、隐私性的要求；AI对于 MEC 来说，在网络资源复杂不确定性较强的情况下，AI 可在准确的时间和地点辅助边缘节点资源分配，提升边缘节点自治能力。
AI 类应用场景，涉及行业众多，常见场景例如智能制造、智能安防、智慧医疗等：
（1）智能制造，在某园区部署 MEC 平台，基于该平台可实现预测性维护和 AR 远程协助 / 指导。预测性维护系统通过传感器采集、监控生产设备运行状态，实现设备运行数据可视化，根据历史数据和采集的实时数据，基于 AI 算法对设备潜在故障进行预测，针对故障定位及部件损伤程度安排备品备件，制定检修计划，可提前预知重大故障隐患，避免突发停机风险。
（2）智能安防，针对现代安防的特点结合 5G MEC技术， MEC 平台可提供开放能力调用接口，例如 AI 视频分析、调度算法等以 API 的方式直接调用，大幅降低合作伙伴的开发难度和缩短研发周期。实际实施过程中通过在园区内布置监控摄像头以及巡检机器人，实时巡检监控，结合 AI 人工智能视频分析，遇到异常情况及时告警，同时联动巡检机器人到达现场排查，实现智能快速处理、实时响应；在小区入口处设置门禁系统，通过识别来访人的特征来判断是否有允许进入园区的权限等。
（3）智慧医疗，一般来说 5G+MEC 智慧医疗可以为医院提供确定的网络环境、算力保证和安全性保证，来确保医院业务的实用性、稳定性和安全性。针对院内医疗应用，可将远程会诊、PACS 影像系统、AI 分析、电子病历、HIS 系统等逐步迁移上 MEC 平台上，可通过低时延的 AI辅诊发现和提示疑似病患情况提升阅片的速率。
1.2.2 Cloud AI
目前在 Cloud AI 技术架构中，边缘节点侧重多维感知数据采集和前端智能处理 ; 边缘域侧重感知数据汇聚、存储、处理和智能应用 ; 云中心侧重业务数据融合及大数据多维分析应用。数据从边缘节点到边缘域，实现 “聚
边到域”；从边缘域到云中心，实现“数据入云”。域和云中心可多级多类，根据不同应用，边缘域汇聚的数据和
传到云端的数据在模型和内容上也会不同；Cloud AI 将提供：AI 资源的可调度、数据的按需汇聚、应用的场景化响应、运维的一体化建设，随着云原生技术的快速更迭，业务需求得到进一步的挖掘，技术边界将从云上延展到边缘，服务形态多元化，云原生将整合人工智能技术形成服务能力的调度中枢，促进算力服务和运营。
未来将从传统的 Cloud AI 向 Network AI 转变，智能从应用和云端走向网络，实现网络的自运维、自检测、自修复，智能在云 - 边 - 端 - 网间协同，提升网络总体效能，促进网络内生智能。
1.2.3 5G 网络中的 AI
当前，在利用AI赋能和增强网络各方面，在5G系统中已有着较多的应用和价值探索（即AIforNetwork），它涉及到多个层面和不同的业务领域：
首先，在非标准化方面，AI 可以通过各个厂家私有实现的方式应用在无线接入网域、承载网域、核心网域和网管域；无线接入网域，gNB 基站可基于 AI 实现基站的动态节能、MIMO 多天线权值寻优和基站故障快速定位和预警等；承载网域，可基于 AI 实现云化超强管控和意图承载快速部署；核心网域，可基于 AI 实现智能切片和SLA 智能拆解等；网管域，可基于 AI 实现网络智能监控、错误根因分析、系统行为趋势预测、全域全量数据关联的数字化运维和端到端感知保障等。上述诸多应用已经能够彰显 AI 手段在网络智能化方面的价值意义。
其次，在标准化方面，3GPP SA2、SA5 已针对 5G系统化智能和管理架构方面，已有着手并拓展，标准化定 义 了 NWDAF 和 MDAF 功 能 和 相 关 机 制 流 程。3GPP RAN3 和 RAN1 针对各自识别的关键用例，尝试定义和引入可标准化的 AI 操作范式。
总体来说，5G 技术标准将 AI 技术引入网络，可实现 5G 网络自运营和运维；AI 智能将数据转化为信息，从实战中学习积累知识和经验，提供分析决策，为网络使用者提供零等待、零接触、零故障的网络服务体验，也为网络运营者打造自配置、自修复、自优化的运维能力，实现通信网络高度自治，实现无处不在的智慧内核。此外 5G 网络通过切片来实现能力按需部署，也可针对不同的业务自动化智能化调动网络资源和算力，针对不同业务进行差异化配置资源，满足各行各业的差异化需求。
总之，网络设计走向智能泛在，通过有效连接局部数据，实现不同智能体之间的语音、视觉等交互需要的泛在化，为用户提供更加极致的网络服务体验。
1.2.4 当前 AI 应用的不足
虽然当前国内 AI 技术逐渐成熟提升，服务种类不断丰富，但是在 MEC 与人工智能结合进行开发和应用时仍然面临着技术不达预期的问题。究其原因，主要归纳为以下几方面：
（1）MEC+AI 类行业应用，存在应用部署障碍，究其原因主要是生产环境对 AI 基础设施、算法及数据质量要求较高，但是企业 IT 基础设施在海量数据参与运算及分布式架构条件下，存在算力不足以及不兼容等问题。
（2）MEC+AI 类行业应用，存在投入产出比不足，企业应用人工智能的回报不及预期；在成本支出方面，企业所需的 AI 开发人才及 IT 资源相对稀缺，价值回报方面，虽然部分场景效果得到验证，但是在不同企业和具体工作环境下，效果并不稳定。
（3）Cloud AI 技术架构中 , 边缘域与云中心侧对 AI计算能力要求不同，云侧在满足运算效能的前提下，希望针对不同网络有更优化的性能表现；边侧，在能耗为首要要求情况下，更加注重推断运算的性能；此外，数据入云过程中，由于数据流通不畅、数据质量良莠不齐和关键数据缺失问题，会影响有效的智能分析结果。
（4）在 AI 赋能 5G 网络方面，目前由于大数据和 AI 的智能化水平并不完美，算法模型研发整体规划不足，各种 AI/ML 算法模型基本都是针对已识别的特定通信问题弊端缺陷而开发，缺乏系统性、全局性、可解释性方面的考虑，限制了系统 AI 能力服务的可拓展性、迭代增强性和 AI 模型泛化应用能力；在实际场景中，设备功耗、计算能力、应用场景等多种因素限制了 AI 算法在 5G 系统中真正部署限；当前 5G 系统中的各种 AI 资源能力（涵盖 AI 算力，AI 算法和 AI 数据方面）适配性待完善，尚不具备开放可交易性和服务化的特征，大部分仅仅限于 5G系统内的应用。
综上，AI 技术发展已进入行业深水区，亟待进一步向前发展。
1.3 AI 技术发展趋势及对应用 / 业务的影响
1.3.1 AI 技术发展趋势
基于深度学习的人工智能方法在许多场景取得了重要突破，但仍然存在模型可解释性差、对抗样本鲁棒性差、数据与算力需求大、理论基础薄弱等问题。未来，人工智能需要突破的主要领域有：可解释人工智能和鲁棒人工智能理论与方法、通用人工智能理论与方法、安全、可靠、可信及可扩展的人工智能技术、类脑智能等。
从感知智能走向认知智能是人工智能技术发展的趋势。认知智能是人工智能技术的高级阶段，旨在赋予机器数据理解、知识表达、逻辑推理、自主学习等能力，使机器成为人类改造世界、提升能力的得力助手。在从感知智能到认知智能的发展过程中，语义及知识的表达和逻辑推理是进行认知的重要手段，而多模态学习则是获得信息融合和协同的重要手段。通过构建多模态的大规模基础模型，可以学习多种信息的融合表征，建立模态转换和协同关联，从而提高 AI 系统对复杂环境的认知和理解能力，进而获得多场景多任务的 AI 应用能力。
▶ 通用基础大模型 :
从弱人工智能到强人工智能发展的路线上，提高机器解决问题的“泛化”能力，是重要的手段。在场景泛化、模态泛化、任务泛化等方面，通过大规模基础模型的领域通用方法，赋予 AI 系统解决多问题的能力。随着数据规模逐渐扩大，数据模态进一步丰富，预训练大模型充分学习不同模态数据的表征，通过预训练 - 微调的模式，完成多种类型的任务。预训练模型与领域数据结合，基于多场景数据进行学习，将成为一种完成下游任务的基础模型，应对更为复杂的智能决策场景。传统的 AI 是企业或组织根据自身已部署数据收集系统来收集数据，根据执行系统设计执行动作，从根本上导致的同一问题的模型多样化，然后这样会导致重复的模型训练工作，并且一个模型只能用在一个系统中，导致资源浪费。为提高资源利用率，同时得益于多点协作等技术的应用带来
的通用基础设施和通用数据集，AI 模型亦将趋向通用化。
▶ 边缘人工智能 :
面向手机、可穿戴设备、传感器等海量边缘设备，通过模型压缩与优化加速技术，将智能赋予边缘设备。基于预训练大模型，根据边缘设备的计算、存储、功耗等限制，设计特定的低精度和稀疏化等模式，并通过知识蒸馏等方法，实现小尺寸、低复杂度、低功耗等目标。进一步，边缘设备可基于本地数据训练的模型优化大模型的性能。
▶ 自动自治 AI:
目前，深度学习的开发及应用并未突破主流监督学习的模式，数据清洗、数据标注，模型的设计、开发、训练和部署等都需要大量人力投入。迁移学习、小样本、零样本、自监督、弱监督、半监督、无监督及主动学习等新方法将推动人工智最终实现“自治”，解决模型训练、迭代、设计对人工的依赖。未来 AI 自治使得模型更加归一，数据规模进一步扩大，不再需要人工干预，模型可以在线学习吸收新的数据知识，实现自身能力的迭代提升。数据规模扩大及在线学习将使模型的生产更加集约化，各行业的业务模型会汇聚成几个甚至一个超大模型。
运用 AI 技术的本质就是要减少人工参与，甚至消除人工参与，当前 AI 在应用过程中往往与多种传感器系统和联网的策略和执行功能组件配合，避免过多人工收集处理数据作为 AI 进行自我更新的输入，也减少人工参与 AI输出结果的分析和执行。人类社会是实时变化的，固化的算法模型无法满足即便是单一的业务，因此， 为保障整个系统的有效性或准确性，AI 系统需要实时接收反馈，不断更新自身。以便系统向精准化迈进。
▶ 隐私保护学习 :
数据匿名化、联邦学习、差分隐私等一系列隐私保护学习方法，可以解决包括用户数据在授权范围以外被使用、模型训练后存在数据记忆等隐私泄露问题。联邦学习将数据保存在本地，通过模型融合，实现多个参与方在保护数据隐私要求的前提下进行机器学习，合作进行模型训练，实现用户间的数据联合建模。更加灵活高效的保护用户数据隐私的 AI 学习方法将帮助 AI 算法在各种场景中持续地进化，让数据被有效利用，充分发挥其商业、科学和社会价值，为用户提供高效优质的服务。
▶ 类脑人工智能 :
类脑人工智能期望借鉴和模仿生物神经元的工作模式，通过构建功能更加丰富的神经元，建立具有事件触发、脉冲编码、时间和空间信息协同处理的能力；利用神经动力学原理，可实现短时可塑性和长期记忆，在开放环境中具备自适应调整和学习能力；借鉴生物脑的稀疏连接和递归特性可大大减少能耗。如果能够突破相关技术，未来五到十年类脑计算可能会在众多计算任务中展现出性能和功耗优势，并在智能终端、穿戴式设备、自动驾驶等领域得到应用。
▶ 大小模型端云协同进化：
云上大模型全局知识向端上小模型有效降维迁移和大规模端上小模型学习所得新知识向大模型升维融合。异构终端轻量化模型弹性构建、端侧模型个性化增强学习、端云协同模型训练框架设计和分布式多擎计算，构建完善的大小模型端云协同进化技术体系，形成包含端云一致高性能模型运行容器、低时延端云模型迁移通道和端云协同进化部署的研发工具链。
▶ 多智能体博弈智能：
多智能体多回合复杂合作和冲突博弈可以实现自我学习和自我演化，以强化学习为基础的学习推理模型发展出面向进化的多维评估管理方法，结合合作和非合作博弈智能模型实现对复杂问题的人机协同求解。
▶ 3D 视觉：
3D 视觉技术是视觉 AI 领域多年热点研究方向之一，核心任务是对三维空间、物体及环境进行真实还原与重建。随着相关算法与硬件计算能力的不断升级， 3D 视觉算法效果得到大幅提升，三维几何重建更加精细，表面纹理重建更加清晰，带来更加逼真的视觉观感。基于 3D 虚拟形象的舞台演出、直播带货、教育互动等应用层出不穷，成为 AI 内容产业全新发展方向。
▶ 公平性 AI 算法：
由于数据偏差、算法本身缺陷、甚至是人为偏见的存在，现有 AI 算法普遍存在对于某些特定人群效果不公平的 " 歧视性现象 "。随着 AI 算法在社会各行业的广泛落地应用，作为辅助人们决策的重要工具，算法的公平性问题正受到越来越多的关注。过去的几年业界已在逐步探索一些针对性的解决方案，包括构建更公正的数据集、算法训练中引入公平性约束损失、提高机器学习算法的可解释性等。
▶ 安全 AI：
近年来算法后门攻击、对抗样本攻击、模型窃取攻击等针对人工智能算法的攻击技术持续发展，通过篡改构造特殊数据诱骗人工智能应用产生不可信的错误结果，带来了更大的算法安全风险，因此保障人工智能应用安全可靠的需求日渐迫切。未来人工智能技术将向着安全智能方向持续演化，一方面从算法的可解释性入手提升模型的鲁棒性，另一方面化被动为主动，通过主动安全检测机制对各类攻击进行侦测与拦截，最终实现人工智能可用性与可信性双轨并重的现实需求，推动人工智能技术在更广泛领域的安全落地。
▶ 可解释性：
随着 AI 深入到生活的各个领域，特别是涉及多个系统，多个责任对象的领域，安全可信和责任相关问题凸显。要求 AI 不可再作为黑盒子存在，而应该呈现 AI 在发挥作用的每一个阶段的具体作用，是否符合法规等。例如自动驾驶领域，近期的特斯拉交通事故。可解释性也为工程师提供优化模型的依据。因此，学术界和业界正在 AI的可解释性方面进行了较大的投入。
▶ 多点协作：
在 AI 技术发展过程中，算力、数据和模型作为人工智能三要素被呈现，然而实际上位于大型数据中心或者说云端的大算力节点不具备访问位于边缘的具备海量数据的节点的权限；位于边缘的具备海量数据的节点不具备将数据转化为模型的算力，导致单一节点通常因为未能全部满足三要素导致难以完成任务。此外，5G 网络部署扩展以及未来 6G 网络部署，为多节点的互通提供更多的通信资源。这些因素促使 AI 技术向多点协作的方向发展。
1.3.2 AI 技术发展对业务 / 应用的影响
无处不在的智能应用：通过 AI 技术重构智能边缘，在移动通信网络 2030 架构中，6G 网络将综合 AI 面向业务的感知能力构建原生智能。
原生智能要支持基于 AI 的业务感知能力：
- 面向消费者将针对全感全息类通信业务提供高效编解码、传输优化、体验保障、协同调度的能力；
- 面向行业可基于确定性操作系统，强化系统调度框架，为千行百业提供业务保障。如 6G AI 推理服务，以机器视觉处理为例，在边缘侧采用 AI 图像特征识别的处理方式，可以降低传输带宽要求，并提高业务实时性。
分布式学习与推理：如果把所有原始数据全部上传到中心云，不仅会对网络带宽造成很大压力，也会给中心云的算力带来巨大挑战。分布式地组织 AI 任务，并结合协同 AI 和机器学习，可以减轻这些压力。随着智能手机和物联网设备的计算能力越来越强，用户对数据隐私的保护越来越重视，移动设备会进行更多的 AI 计算和训练。分布式学习将使 AI 离用户和数据更近，能更迅速地进行迭代升级。
深度实时边缘计算：网络节点和机器人之间的低时延通信至关重要，为了打消数据隐私方面的顾虑，同时也为了保证低时延，可以使用边缘节点，而不是把所有信息都发送到云端。边缘节点在物理位置上更靠近 AI 应用，一定程度上可以提供一些特殊的即时服务。
网络高带宽全连接需求：分布式学习将汇聚大规模节点的集体智能，并使智能普惠到所有人。分布式训练对各智能节点的 AI 模型进行融合进化。模型的持续增大促进智能持续增强，需要网络提供大规模的高带宽连接，支持节点之间的实时模型传输。分布式推理通过网络与
终端的协作，将智能带给所有终端，特别是计算能力低的设备，需要网络通过全连接为人、机、物、环境等提供实时智能服务。
1.3.3 AI 场景、用例和业务发展趋势
综上，AI 的场景、用例和业务的发展趋势呈现以下几种特性：
- 场景扩张到各方面，用例与日俱增，业务百花齐放。AI 技术被应用到生产生活的各个方面，囊括农业，自动驾驶，医疗卫生，网络金融，智慧城市，消费者业务等多个场景。
- 加强了业务 / 用例细分。多种模型协作。在 AI 发展过程中，人们逐渐意识到单一的 AI 算法和模型几乎不可能完全解决或应对某一大概念的场景，往往将大的场景划分为更细分的业务，例如在农业场景，某一种算法模型可能只识别一种害虫。所以种植某一种植物的 AI 系统通常通过多种算法模型协作，也包含多个方面的细分业务。
