一种通信方法及装置

技术领域

本公开涉及通信技术领域，尤其涉及一种通信方法及装置。

背景技术

在无线通信网络中，例如在移动通信网络中，网络支持的业务越来越多样，因此需要满足的需求越来越多样。例如，网络需要能够支持超高速率、超低时延、和/或超大连接。该特点使得网络规划、网络配置、和/或资源调度越来越复杂。此外，由于网络的功能越来越强大，例如支持的频谱越来越高、支持高阶多入多出(multiple input multiple output，MIMO)技术、支持波束赋形、和/或支持波束管理等新技术，使得网络节能成为了热门研究课题。这些新需求、新场景和新特性给网络规划、运维和高效运营带来了前所未有的挑战。为了迎接该挑战，可以将人工智能技术引入无线通信网络中，从而实现网络智能化。基于此，如何在网络中有效地实现人工智能是一个值得研究的问题。

发明内容

本公开提供一种通信方法及装置，用以实现如何构建训练数据集，从而训练获得较优的神经网络。

第一方面，本公开提供一种通信方法，该方法可在网络设备侧，例如接入网设备侧或独立于接入网设备的AI实体，执行。该方法可通过软件、硬件、或软硬件结合的方式执行。例如，该方法由接入网设备执行，或由包括接入网设备的较大设备执行，或由电路系统执行，该电路系统能够实现接入网设备的功能，或者由独立于接入网设备的AI实体执行，不予限制。示例性地，所述接入网设备为基站。该方法包括：获取N个训练数据，对于N个训练数据中的一个训练数据，该训练数据对应一个标记信息，该标记信息用于指示该训练数据的属性，N为大于0的整数；向终端设备发送指示信息，指示信息用于指示M个人工智能模型的信息，对于M个人工智能模型中的一个人工智能模型，该人工智能模型是根据N个训练数据中的X个训练数据训练的，该X个训练数据是根据所述标记信息确定的，M和X为大于0的整数。

通过上面的方法，在获取到N个训练数据时，可以将N个训练数据构建不同标记信息对应的训练数据，从而训练M个或更多个人工智能模型。当对人工智能模型进行训练时，训练一个人工智能模型的训练数据满足该人工智能模型对应的标记信息，可以实现场景化的人工智能模型训练。场景化的人工智能模型在相应的场景中的推理性能更加准确。

一种可能的实现方式中，对于M个人工智能模型中的一个人工智能模型，该人工智能模型对应一个训练条件，用于训练该人工智能模型的X个训练数据对应的标记信息满足该人工智能模型对应的训练条件，或者所述X个训练数据对应的属性满足所述人工智能模型对应的训练条件。

通过将N个训练数据中标记信息满足训练条件的训练数据对人工智能模型进行训练，实现构建不同训练条件对应的训练数据集，使得训练每个人工智能模型的训练数据对应的无线信道分布比较集中或者相似。当对人工智能模型进行训练时，训练一个人工智能模型的训练数据满足该人工智能模型对应的训练条件，可以实现场景化的人工智能模型训练。

一种可能的实现方式中，标记信息用于指示以下至少一项属性：训练数据关联的同步信号块的索引；训练数据关联的同步信号块的参考信号接收功率；训练数据关联的无线信道的类型，类型包括视距和非视距；训练数据关联的定时提前；训练数据关联的小区的小区标识。

上述属性与无线信道相关，通过上述属性，实现将不同训练数据与无线信道绑定，使得在训练人工智能模型时，可以根据上述属性自适应的选择适当的场景化模型。

一种可能的实现方式中，训练条件包括以下至少一项：同步信号块的索引；参考信号接收功率的取值范围；无线信道的类型；定时提前的取值范围；小区标识。

同步信号块的索引、参考信号接收功率的取值范围、无线信道的类型以及定时提前的取值范围中的一项或多项与无线信道相关，训练条件包括上述信息时，可以实现通过训练条件筛选出所需要的无线信道相关的训练数据，从而构建场景化的训练数据集，使能场景化的模型训练。

另外，当训练条件包括小区标识时，每个人工智能模型可以通过多个小区的训练数据进行训练，使能多小区环境的场景化模型，从而使多个小区可以共享相同的人工智能模型。

一种可能的实现方式中，人工智能模型对应的训练条件为预设的。

一种可能的实现方式中，人工智能模型对应的训练条件是根据用于训练人工智能模型的X个训练数据确定的，用于训练人工智能模型的X个训练数据为N个训练数据中具有相同聚类特征的训练数据，或者，用于训练人工智能模型的X个训练数据为N个训练数据中聚类特征在同一范围内的训练数据。

一种可能的实现方式中，该方法还包括：向终端设备发送M个人工智能模型对应的M个训练条件，其中，M个人工智能模型和M个训练条件一一对应。

一种可能的实现方式中，向终端设备发送指示信息，包括：接收来自终端设备的模型指示信息，模型指示信息用于指示终端设备请求的人工智能模型；向终端设备发送指示信息，指示信息指示终端设备请求的人工智能模型的信息。可选的，模型指示信息用于指示：所请求的人工智能模型的索引，所请求的人工智能模型的训练条件，所请求的人工智能模型的训练数据的属性或标记信息。

通过上面的方法，终端设备请求所需的人工智能模型，可以实现人工智能模型的精确指示，避免向终端设备发送其不需要的人工智能模型，降低信令开销。

第二方面，提供一种通信方法，该方法可在终端设备侧执行。该方法可通过软件、硬件、或软硬件结合的方式执行。例如，该方法由终端设备执行，或由电路系统执行，或者由包括终端设备的较大设备执行，该电路系统能够实现终端设备的功能。该方法包括：

接收指示信息，指示信息用于指示M个人工智能模型的信息，对于M个人工智能模型中的一个人工智能模型，人工智能模型是根据N个训练数据中的X个训练数据训练的，M、N和X为大于0的整数。

一种可能的实现方式中，对于N个训练数据中的一个训练数据，训练数据对应一个标记信息，标记信息用于指示训练数据的属性。

一种可能的实现方式中对于M个人工智能模型中的一个人工智能模型，人工智能模型对应一个训练条件，X个训练数据对应的标记信息满足人工智能模型对应的训练条件。

关于标记信息、训练条件等的介绍请参考第一方面，此处不再赘述。

一种可能的实现方式中，方法还包括：接收M个人工智能模型对应的M个训练条件，其中，M个人工智能模型和M个训练条件一一对应。

一种可能的实现方式中，接收指示信息，包括：发送模型指示信息，模型指示信息用于指示所请求的人工智能模型；

接收指示信息，指示信息指示所请求的人工智能模型的信息。

关于指示信息的介绍请参考第一方面，此处不再赘述。

第三方面，本申请还提供一种通信装置，该通信装置具有实现上述第一方面提供的任一方法或任一实现方式。该通信装置可以通过硬件实现，可以通过软件实现，或者可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元或模块。

在一种可能的实现方式中，该通信装置包括：处理器，该处理器被配置为支持该通信装置执行以上第一方面所示方法。该通信装置还可以包括存储器，该存储可以与处理器耦合，其保存该通信装置必要的程序指令和数据。可选地，该通信装置还包括接口电路，该接口电路用于支持该通信装置与其他通信装置进行通信。

在一种可能的实施方式中，通信装置的结构中包括处理单元和通信单元，这些单元可以执行上述方法示例中相应功能，具体参见第一方面中的描述，此处不做赘述。

第四方面，本申请还提供一种通信装置，该通信装置具有实现上述第二方面中提供的任一方法或任一实现方式。该通信装置可以通过硬件实现，可以通过软件实现，或者可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的单元或模块。

在一种可能的实现方式中，该通信装置包括：处理器，该处理器被配置为支持该通信装置执行以上第二方面所示方法。该通信装置还可以包括存储器，该存储可以与处理器耦合，其保存该通信装置必要的程序指令和数据。可选地，该通信装置还包括接口电路，该接口电路用于支持该通信装置与其他通信装置进行通信。

在一种可能的实施方式中，通信装置的结构中包括处理单元和通信单元，这些单元可以执行上述方法示例中相应功能，具体参见第二方面提供的方法中的描述，此处不做赘述。

第五方面，提供了一种通信装置，包括处理器和接口电路，接口电路用于接收来自该通信装置之外的其它通信装置的信号并传输至该处理器或将来自该处理器的信号发送给该通信装置之外的其它通信装置，该处理器用于执行所述存储器中存储的计算机程序或指令，实现前述第一方面中任意可能的实现方式中的方法。可选地，该装置还包括存储器，所述存储器中存储计算机程序或指令。

第六方面，提供了一种通信装置，包括处理器和接口电路，接口电路用于接收来自该通信装置之外的其它通信装置的信号并传输至该处理器或将来自该处理器的信号发送给该通信装置之外的其它通信装置，该处理器用于执行所述存储器中存储的计算机程序或指令，实现前述第二方面中任意可能的实现方式中的方法。可选地，该装置还包括存储器，所述存储器中存储计算机程序或指令。

第七方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机实现前述第一方面中任意可能的实现方式中的方法。

第八方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机实现前述第二方面中任意可能的实现方式中的方法。

第九方面，提供了一种包括计算机可读指令的计算机程序产品，当所述计算机可读指令在计算机上运行时，使得所述计算机实现前述第一方面中任意可能的实现方式中的方法。

第十方面，提供了一种包括计算机可读指令的计算机程序产品，当所述计算机可读指令在计算机上运行时，使得所述计算机实现前述第二方面中任意可能的实现方式中的方法。

第十一方面，提供一种芯片，该芯片包括处理器，还可以包括存储器，所述处理器与存储器耦合，用于执行所述存储器中存储的计算机程序或指令，使得芯片实现前述第一方面中任意可能的实现方式中的方法。

第十二方面，提供一种芯片，该芯片包括处理器，还可以包括存储器，所述处理器与存储器耦合，用于执行所述存储器中存储的计算机程序或指令，使得芯片实现前述第二方面中任意可能的实现方式中的方法。

第十三方面，提供一种通信系统，所述系统包括实现第一方面所述的装置(如接入网设备)以及实现第二方面所述的装置(如终端设备)。

附图说明

图1为本公开可以应用的一种通信系统的架构示意图；

图2为本公开可以应用的另一种通信系统的架构示意图；

图3为本公开提供的一种神经网络的层关系示意图；

图4(a)至图4(e)为本公开提供的方法能够应用的一种网络架构的示例图；

图5为本公开提供的一种配置方法流程示意图；

图6为本公开提供的一种同步信号传输示意图；

图7为本公开提供的一种通信装置结构示意图；

图8为本公开提供的一种通信装置结构示意图。

具体实施方式

下面结合说明书附图对本公开做详细描述。

本公开的技术方案可以应用于各种通信系统，例如：长期演进(long termevolution，LTE)系统、第五代(5th generation，5G)移动通信系统、或下一代移动通信系统等，在此不做限制。其中，5G系统还可以称为新无线(new radio，NR)系统。

本公开中，以终端设备与接入网设备之间的交互为例进行描述，需要说明的是，本公开提供的方法，不仅可以应用于终端设备与网络侧之间的交互，还可以应用于任意两个设备之间的交互中，本公开对此并不限定。

为便于理解本公开，首先以图1中示出的通信系统为例详细说明适用于本公开的通信系统。图1是本公开可以应用的通信系统的架构示意图，该通信系统中包括接入网设备和终端设备。终端设备可以与接入网设备建立连接，并和接入网设备进行通信。图1只是示意图，本公开对该通信系统中包括的接入网设备和终端设备的数量不做限定。

本公开中，终端设备可以简称为终端。终端设备可以经无线接入网(radio accessnetwork，RAN)与一个或多个核心网进行通信。

本公开中，终端设备，可以为具有无线收发功能的设备或可设置于该设备中的芯片。终端设备也可以称为用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置。本公开中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端、增强现实(augmented reality，AR)终端、可穿戴设备、车辆、无人机、直升机、飞机、轮船、机器人、机械臂、或智能家居设等等。本公开中的终端设备可以广泛应用于各种场景中的通信，例如包括但不限于以下至少一个场景：增强移动宽带(enhanced mobile broadband，eMBB)、超可靠低时延通信(ultra-reliable low-latency communication，URLLC)、设备到设备(device-to-device，D2D)、车物(vehicle toeverything，V2X)、机器类通信(machine-type communication，MTC)、大规模机器类通信(massive machine-type communication，mMTC)、物联网(internet of things，IOT)、虚拟现实、增强现实、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能穿戴、智能交通、或智慧城市等。本公开对终端所采用的具体技术和具体设备形态不做限定。

在本公开中，用于实现终端的功能的装置可以是终端；也可以是能够支持终端实现该功能的装置，例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块，该装置可以被安装在终端中或可以与终端匹配使用。为了便于描述，下文以用于实现终端的功能的装置是终端为例，描述本公开提供的技术方案。

接入网设备可以是基站(base station)、节点B(NodeB)、演进型节点B(evolvedNodeB，eNodeB)、发送接收点(transmission reception point，TRP)、第五代(5thgeneration，5G)移动通信系统中的下一代节点B(next generation NodeB，gNB)、开放无线接入网(open radio access network，O-RAN或open RAN)中的接入网设备、第六代(6thgeneration，6G)移动通信系统中的下一代基站、未来移动通信系统中的基站或无线保真(wireless fidelity，WiFi)系统中的接入节点等；或者可以是完成基站部分功能的模块或单元，例如，可以是集中式单元(central unit，CU)、分布式单元(distributed unit，DU)、集中单元控制面(CU control plane，CU-CP)模块、或集中单元用户面(CU user plane，CU-UP)模块。接入网设备可以是宏基站，也可以是微基站或室内站，还可以是中继节点或施主节点等。本公开中对接入网设备所采用的具体技术和具体设备形态不做限定。

(1)协议层结构。

接入网设备和终端之间的通信遵循一定的协议层结构。该协议层结构可以包括控制面协议层结构和用户面协议层结构。例如，控制面协议层结构可以包括无线资源控制(radio resource control，RRC)层、分组数据汇聚层协议(packet data convergenceprotocol，PDCP)层、无线链路控制(radio link control，RLC)层、媒体接入控制(mediaaccess control，MAC)层和物理层等协议层的功能。例如，用户面协议层结构可以包括PDCP层、RLC层、MAC层和物理层等协议层的功能，在一种可能的实现中，PDCP层之上还可以包括业务数据适配协议(service data adaptation protocol，SDAP)层。

可选的，接入网设备和终端之间的协议层结构还可以包括人工智能(artificialintelligence，AI)层，用于传输AI功能相关的数据。

(2)集中单元(central unit，CU)和分布单元(distributed unit，DU)。

接入网设备可以包括CU和DU。多个DU可以由一个CU集中控制。作为示例，CU和DU之间的接口可以称为F1接口。其中，控制面(control panel，CP)接口可以为F1-C，用户面(user panel，UP)接口可以为F1-U。本公开不限制各接口的具体名称。CU和DU可以根据无线网络的协议层划分：比如，PDCP层及以上协议层的功能设置在CU，PDCP层以下协议层(例如RLC层和MAC层等)的功能设置在DU；又比如，PDCP层以上协议层的功能设置在CU，PDCP层及以下协议层的功能设置在DU，不予限制。

上述对CU和DU的处理功能按照协议层的划分仅仅是一种举例，也可以按照其他的方式进行划分。例如可以将CU或者DU划分为具有更多协议层的功能，又例如将CU或DU还可以划分为具有协议层的部分处理功能。在一种设计中，将RLC层的部分功能和RLC层以上的协议层的功能设置在CU，将RLC层的剩余功能和RLC层以下的协议层的功能设置在DU。在另一种设计中，还可以按照业务类型或者其他系统需求对CU或者DU的功能进行划分，例如按时延划分，将处理时间需要满足时延要求的功能设置在DU，不需要满足该时延要求的功能设置在CU。在另一种设计中，CU也可以具有核心网的一个或多个功能。示例性的，CU可以设置在网络侧方便集中管理。在另一种设计中，将DU的无线单元(radio unit，RU)拉远设置。可选的，RU可以具有射频功能。

可选的，DU和RU可以在物理层(physical layer，PHY)进行划分。例如，DU可以实现PHY层中的高层功能，RU可以实现PHY层中的低层功能。其中，用于发送时，PHY层的功能可以包括以下至少一项：添加循环冗余校验(cyclic redundancy check，CRC)位、信道编码、速率匹配、加扰、调制、层映射、预编码、资源映射、物理天线映射、或射频发送功能。用于接收时，PHY层的功能可以包括以下至少一项：CRC校验、信道解码、解速率匹配、解扰、解调、解层映射、信道检测、资源解映射、物理天线解映射、或射频接收功能。其中，PHY层中的高层功能可以包括PHY层的一部分功能，例如该部分功能更加靠近MAC层，PHY层中的低层功能可以包括PHY层的另一部分功能，例如该部分功能更加靠近射频功能。例如，PHY层中的高层功能可以包括添加CRC码、信道编码、速率匹配、加扰、调制、和层映射，PHY层中的低层功能可以包括预编码、资源映射、物理天线映射、和射频发送功能；或者，PHY层中的高层功能可以包括添加CRC码、信道编码、速率匹配、加扰、调制、层映射和预编码，PHY层中的低层功能可以包括资源映射、物理天线映射、和射频发送功能。例如，PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、和解层映射，PHY层中的低层功能可以包括信道检测、资源解映射、物理天线解映射、和射频接收功能；或者，PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、解层映射、和信道检测，PHY层中的低层功能可以包括资源解映射、物理天线解映射、和射频接收功能。

示例性的，CU的功能可以由一个实体来实现，或者也可以由不同的实体来实现。例如，可以对CU的功能进行进一步划分，即将控制面和用户面分离并通过不同实体来实现，分别为控制面CU实体(即CU-CP实体)和用户面CU实体(即CU-UP实体)。该CU-CP实体和CU-UP实体可以与DU相耦合，共同完成接入网设备的功能。

可选的，上述DU、CU、CU-CP、CU-UP和RU中的任一个可以是软件模块、硬件结构、或者软件模块+硬件结构，不予限制。其中，不同实体的存在形式可以是不同的，不予限制。例如DU、CU、CU-CP、CU-UP是软件模块，RU是硬件结构。这些模块及其执行的方法也在本公开的保护范围内。

一种可能的实现中，接入网设备包括CU-CP、CU-UP、DU和RU。例如，本公开的执行主体包括DU，或者包括DU和RU，或者包括CU-CP、DU和RU，或者包括CU-UP、DU和RU，不予限制。各模块所执行的方法也在本公开的保护范围内。

本公开中，用于实现接入网设备的功能的装置可以是接入网设备；也可以是能够支持接入网设备实现该功能的装置，例如芯片系统。该装置可以被安装在接入网设备中或者和接入网设备匹配使用。

为了在无线网络中支持AI，网络中还可能引入专门的AI实体(或称为AI模块)。AI实体可以对应一个独立的网元；或者可以位于某个网元内部，该网元可以是核心网设备、接入网设备、或网管(operation,administration and maintenance，OAM)等。例如，如图2所示，AI实体位于接入网设备的外部，可以和接入网设备进行通信。接入网设备可以将终端设备上报的与AI模型相关的数据转发给AI实体，由AI实体执行训练数据集构建与模型训练等操作，并将训练好的人工智能模型通过接入网设备转发给各终端设备。本公开中，OAM用于操作、管理和/或维护核心网设备(核心网设备的网管)，和/或，用于操作、管理和/或维护接入网设备(接入网设备的网管)。例如，本公开中包括第一OAM和第二OAM，第一OAM是核心网设备的网管，第二OAM是接入网设备的网管。第一OAM和/或第二OAM中可以包括AI实体。再例如，本公开中包括第三OAM，第三OAM同时是核心网设备和接入网设备的网管。

可选的，为了匹配支持AI，终端或终端芯片中可以集成AI实体。

可选的，本公开中，AI实体还可以称为其他名称，主要用于实现AI功能(或称为AI相关的操作)，本公开不限制其具体名称。

本公开中，AI模型是实现AI功能的具体方法，AI模型表征了模型的输入和输出之间的映射关系。AI模型可以是神经网络或者其他机器学习模型。其中，AI模型可以简称为模型。AI相关的操作可以包括以下至少一项：数据收集、模型训练、模型信息发布、模型推断(或称为模型推理、预测)、或推理结果发布等。

本公开可以适用于网络设备采用训练数据训练AI模型的场景。训练数据可以是终端设备收集并上报给网络设备的，可以是网络设备自己采集的，或者可以是部分数据由终端设备收集并上报给网络设备且部分数据由网络设备自己采集。训练数据可以是任何数据，比如终端设备获取到的下行信道状态信息(channel state information，CSI)，下行接收信号等，不予限制。举例来说，接入网设备与终端设备进行通信之前，接入网设备可以确定他们二者之间的无线信道的CSI，以便根据CSI确定调度终端设备的下行数据信道的资源、调制编码方案(modulation and coding scheme，MCS)、预编码矩阵等配置参数。例如，对于下行通信，接入网设备获取到的下行CSI越精确，所调度的下行传输就越能匹配当前的下行信道，下行传输的性能就越好。

一种可能的实现中，为了获取到相对准确的下行CSI，可以由终端设备测量得到下行CSI，并将所得到的CSI反馈给接入网设备。而终端设备为了降低CSI反馈的开销，可以对CSI进行压缩、和/或量化等操作，将压缩和/或量化后的CSI反馈给终端设备，这就会对所反馈的CSI的精度造成损失。为了提高下行CSI反馈的精度，可以采用基于AI的无线网络信号处理方法，即通过训练一对AI模型，终端设备利用该一对AI模型中的AI模型A进行下行CSI的压缩，将AI模型A输出的压缩CSI反馈给接入网设备，相应的，接入网设备利用该一对AI模型中的AI模型B对压缩CSI进行恢复，恢复出下行CSI。可选的，该方法可以适用于频分双工(frequency division duplex，FDD)系统或时分双工(time division duplex，TDD)系统。该方法较常用于FDD系统。

一种可能的实现中，利用上下行互易性，可以由接入网设备测量上行CSI，并将上行CSI用作下行信道的CSI。可选的，该方法可以适用FDD系统或时分双工TDD系统。该方法较常用于TDD系统。

训练这些无线信道相关的AI模型所需要的训练数据可以由终端设备上报至接入网设备或由接入网设备测量得到，再由接入网设备或者网络侧的具有训练功能的其他网络设备(如核心网设备、OAM、服务器或AI节点等)根据训练数据进行训练。其中，当训练是由该其他网络设备实现时，接入网设备可以将训练数据发送至该其他设备。可选的，训练数据还可以称为训练样本。可选的，AI模型还可以称为机器学习模型。

训练数据是机器学习的重要内容之一，模型的训练过程本质上就是从训练数据中学习特征，使得AI模型的输出尽可能接近目标输出，如AI模型的输出与目标输出之间的差异尽可能小。其中，目标输出也可以被称为标签。例如，机器学习可以包括监督学习、非监督学习、和强化学习。监督学习根据训练数据和数据标签，利用机器学习算法学习训练数据到数据标签的映射关系，并用AI模型来表达学到的映射关系。训练AI模型的过程就是学习这种映射关系的过程。无监督学习仅依据训练数据，利用算法自行发掘样本的内在模式。例如，无监督学习中有一类算法将训练数据自身作为监督信号，即学习从训练数据到训练数据的映射关系，称为自监督学习。训练时，通过计算模型的预测值与样本本身之间的误差来优化模型参数。强化学习是一种通过与环境进行交互来学习解决问题的策略的算法。与监督、无监督学习不同，强化学习问题并没有明确的“正确的”动作标签数据，算法需要与环境进行交互，获取环境反馈的奖励信号，进而调整决策动作以获得更大的奖励信号数值。

在无线网络中，由于模型训练对算力的要求较高，通常都是由网络侧设备(如接入网设备、核心网设备、OAM、服务器或AI节点等)进行模型训练，并可选的由该网络侧设备将训练得到的模型的信息发送给接入网设备，再由接入网设备将训练好的模型信息下发给终端设备。为了描述简洁，如无特别说明，下文描述的方法以接入网设备执行模型训练为例进行描述。

为了提高模型的准确性，需要接入网设备收集一个或多个终端设备的大量的训练数据。接入网设备收集到该一个或多个终端设备的训练数据后，可以根据这些训练数据构建训练数据集。

一种可能的实现方式中，接入网设备将所有终端设备的所有训练数据组成为一个混合数据集，用该混合数据集训练一个通用模型，然后将该通用模型广播给所有终端设备，所有终端设备都使用该通用模型。通过这种方式训练得到的通用模型为了兼顾各种信道分布，导致在每个信道分布下性能都不是最优的。

为了解决上面的问题，本公开提出一种无线网络中训练数据收集与训练数据集构建的方法，针对无线信道有关的训练数据集，构建场景化的训练数据集，即将场景相似，也就是信道分布相近的训练数据划分为一个数据集，从而划分和构建场景化的训练数据集，进而关联场景化的人工智能模型。可选的，本公开中，数据集还可以称为样本集，训练数据集还可以称为训练样本集。

在描述本公开的方法之前，先简单介绍一些关于人工智能的相关知识。人工智能，可以让机器具有人类的智能，例如可以让机器应用计算机的软硬件来模拟人类某些智能行为。为了实现人工智能，可以采取机器学习方法或很多其他方法。例如，机器学习包括神经网络。神经网络(neural network,NN)是机器学习的一种具体实现方式。根据通用近似定理，神经网络理论上可以逼近任意连续函数，从而使得神经网络具备学习任意映射的能力。因此神经网络可以对复杂的高维度问题进行准确地抽象建模。神经网络的思想来源于大脑组织的神经元结构。每个神经元都对其输入值做加权求和运算，将加权求和结果通过一个激活函数产生输出。假设神经元的输入为x＝[x

神经网络一般包括多层结构，每层可包括一个或多个神经元。增加神经网络的深度和/或宽度可以提高该神经网络的表达能力，为复杂系统提供更强大的信息提取和抽象建模能力。其中，神经网络的深度可以指神经网络包括的层数，每层包括的神经元个数可以称为该层的宽度。如图3所示，为神经网络的层关系示意图。一种实现中，神经网络包括输入层和输出层。神经网络的输入层将接收到的输入经过神经元处理后，将结果传递给输出层，由输出层得到神经网络的输出结果。另一种实现中，神经网络包括输入层、隐藏层和输出层。神经网络的输入层将接收到的输入经过神经元处理后，将结果传递给中间的隐藏层，隐藏层再将计算结果传递给输出层或者相邻的隐藏层，最后由输出层得到神经网络的输出结果。一个神经网络可以包括一层或多层依次连接的隐藏层，不予限制。神经网络的训练过程中，可以定义损失函数。损失函数描述了神经网络的输出值和理想目标值之间的差距或差异，本公开不限制损失函数的具体形式。神经网络的训练过程就是通过调整神经网络参数，如神经网络的层数、宽度、神经元的权值、和/或神经元的激活函数中的参数等，使得损失函数的值小于阈值门限值或者满足目标需求的过程，即使得神经网络的输出与理想目标值之间的差异最小。

如图4(a)所示为AI在通信系统中的第一种应用框架的示例图。在图4(a)中，数据源(data source)用于存储训练数据和推理数据。模型训练节点(model trainning host)通过对数据源提供的训练数据(training data)进行分析或训练，得到AI模型，且将AI模型部署在模型推理节点(model inference host)中。其中，AI模型表征了模型的输入和输出之间的映射关系。通过模型训练节点学习得到AI模型，相当于由模型训练节点利用训练数据学习得到模型的输入和输出之间的映射关系。模型推理节点使用AI模型，基于数据源提供的推理数据进行推理，得到推理结果。该方法还可以描述为：模型推理节点将推理数据输入到AI模型，通过AI模型得到输出，该输出即为推理结果。该推理结果可以指示：由执行对象使用(执行)的配置参数、和/或由执行对象执行的操作。推理结果可以由执行(actor)实体统一规划，并发送给一个或多个执行对象(例如，网元)去执行。其中，推理数据是用于AI模型进行推理的数据，相当于AI模型进行预测时的输入数据。

在本公开中，图4(a)所示的应用框架可以部署在图1或者图2中所示的网元，例如，图4(a)的应用框架可以部署在图1的接入网设备或者图2的AI实体。例如在接入网设备中，模型训练节点可对数据源提供的训练数据(training data)进行分析或训练，得到一个模型。模型推理节点可以使用该模型和数据源提供的推理数据进行推理，得到模型的输出。即该模型的输入包括推理数据，该模型的输出即为该模型所对应的推理结果。将终端设备视为图4(a)中的执行对象，接入网设备可以将模型对应的推理数据和/或推理结果发送给终端设备，终端设备可以根据推理数据和/或推理结果进行相应的操作。

下面结合图4(b)～图4(e)对本公开提供的通信方案能够应用的网络架构进行介绍。

如图4(b)所示，第一种可能的实现中，接入网设备中包括近实时接入网智能控制(RAN intelligent controller，RIC)模块，用于进行模型学习和/或推理。例如，近实时RIC可以从CU、DU和RU中的至少一个获得网络侧和/或终端侧的信息，该信息可以作为训练数据或者推理数据。可选的，近实时RIC可以将推理结果递交至CU、DU和RU中的至少一个。可选的，CU和DU之间可以交互推理结果。可选的，DU和RU之间可以交互推理结果，例如近实时RIC将推理结果递交至DU，由DU递交给RU。例如，近实时RIC可以用于训练AI模型，利用该AI模型进行推理。

如图4(b)所示，第二种可能的实现中，接入网之外包括非实时RIC(可选的，非实时RIC可以位于OAM中或者核心网设备中)，用于进行模型学习和推理。例如，非实时RIC可以从CU、DU和RU中的至少一个获得网络侧和/或终端侧的信息，该信息可以作为训练数据或者推理数据，该推理结果可以被递交至CU、DU和RU中的至少一个。可选的，CU和DU之间可以交互推理结果。可选的，DU和RU之间可以交互推理结果，例如非实时RIC将推理结果递交至DU，由DU递交给RU。例如，非实时RIC用于训练AI模型，利用该模型进行推理。

如图4(b)所示，第三种可能的实现中，接入网设备中包括近实时RIC，接入网设备之外包括非实时RIC(可选的，非实时RIC可以位于OAM中或者核心网设备中)。同上述第二种可能的实现，非实时RIC可以用于进行模型学习和/或推理；和/或，同上述第一种可能的实现，近实时RIC可以用于进行模型学习和/或推理；和/或，近实时RIC可以从非实时RIC获得AI模型信息，并从CU、DU和RU中的至少一个获得网络侧和/或终端侧的信息，利用该信息和该AI模型信息得到推理结果，可选的，近实时RIC可以将推理结果递交至CU、DU和RU中的至少一个，可选的，CU和DU之间可以交互推理结果，可选的，DU和RU之间可以交互推理结果，例如近实时RIC将推理结果递交至DU，由DU递交给RU。例如，近实时RIC用于训练模型A，利用模型A进行推理。例如，非实时RIC用于训练模型B，利用模型B进行推理。例如，非实时RIC用于训练模型C，将模型C递交给近实时RIC，近实时RIC利用模型C进行推理。

图4(c)所示为本公开提供的方法能够应用的一种网络架构的示例图。相对图4(b)，图4(b)中将CU分离为了CU-CP和CU-UP。

图4(d)所示为本公开提供的方法能够应用的一种网络架构的示例图。如图4(d)所示，可选的，接入网设备中包括一个或多个AI实体，该AI实体的功能类似上述近实时RIC。可选的，OAM中包括一个或多个AI实体，该AI实体的功能类似上述非实时RIC。可选的，核心网设备中包括一个或多个AI实体，该AI实体的功能类似上述非实时RIC。当OAM和核心网设备中都包括AI实体时，他们各自的AI实体所训练得到的模型不同，和/或用于进行推理的模型不同。

本公开中，模型不同包括以下至少一项不同：模型的结构参数(例如模型的层数、和/或权值等)、模型的输入参数、或模型的输出参数。

图4(e)所示为本公开提供的方法能够应用的一种网络架构的示例图。相对图4(d)，图4(e)中的接入网设备分离为CU和DU。可选的，CU中可以包括AI实体，该AI实体的功能类似上述近实时RIC。可选的，DU中可以包括AI实体，该AI实体的功能类似上述近实时RIC。当CU和DU中都包括AI实体时，他们各自的AI实体所训练得到的模型不同，和/或，用于进行推理的模型不同。可选的，还可以进一步将图4E中的CU拆分为CU-CP和CU-UP。可选的，CU-CP中可以部署有一个或多个AI模型。可选的，CU-UP中可以部署有一个或多个AI模型。可选的，图4(d)或图4(e)中，接入网设备的OAM和核心网设备的OAM可以分开独立部署。

本公开中，一个模型可以推理得到一个参数，或者推理得到多个参数。不同模型的学习过程可以部署在不同的设备或节点中，也可以部署在相同的设备或节点中。不同模型的推理过程可以部署在不同的设备或节点中，也可以部署在相同的设备或节点中。

可以理解的是，本公开中，AI实体或接入网设备等可以执行本公开中的部分或全部步骤，这些步骤或操作仅是示例，本公开还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照本公开呈现的不同的顺序来执行，并且有可能并非要执行本公开中的全部操作。

在本公开的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的示例之间的术语和/或描述具有一致性、且可以相互引用，不同的示例中的技术特征根据其内在的逻辑关系可以组合形成新的示例。

可以理解的是，在本公开的示例中涉及的各种编号仅为描述方便进行的区分，并不用来限制本公开的示例的范围。上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定。

本公开描述的网络架构以及业务场景是为了更加清楚的说明本公开的技术方案，并不构成对于本公开提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本公开提供的技术方案对于类似的技术问题，同样适用。

参见图5，为本公开提供的一种通信方法流程示意图，该流程以终端设备与接入网设备之间交互为例，该方法包括：

S501：接入网设备获取N个训练数据，N为大于0的整数。

本公开中，训练数据可以包括但不限于压缩后的下行CSI，未压缩的CSI，参考信号接收功率(reference signal receiving power，RSRP)等数据。训练数据可以是接入网设备或终端设备能够获得到的任何一种和无线通信相关的数据。一种实现方式中，训练数据的具体类型可以和人工智能模型所需实现的功能有关，例如需要训练的人工智能模型为用于预测CSI，那么训练数据可以为CSI；需要训练的人工智能模型为用于预测数据传输方向(即波束)，那么训练数据可以为RSRP。本公开对训练数据的具体类型并不限定。

本公开中，训练数据可以是由终端设备上报给接入网设备，也可以由接入网设备测量获得的，下面分别进行描述。

第一种可能的实现方式，训练数据是由终端设备上报给接入网设备的。

在该实现方式中，终端设备可以向接入网设备发送训练数据，终端设备发送的训练数据的具体数量并不限定。相应的，接入网设备可以通过一个或多个终端设备获取N个训练数据。该训练数据可以为无线信道数据，例如训练数据可以为压缩后的CSI等，不予限制。终端设备可以对来自接入网设备的参考信号进行测量，从而获得训练数据。终端设备也可以通过其他方式获得训练数据，本公开对此并不限定。

在该实现方式中，终端设备还可以向接入网设备发送训练数据对应的标记信息，相应的，接入网设备还可以获取到N个训练数据对应的N个标记信息。可选地，如果该N个训练数据中存在一组或多组训练数据，每组训练数据各自对应相同的标记信息，该方法还可以描述为：接入网设备可以通过一个或多个终端设备获取N个训练数据，接入网设备还可以同时获取到N个训练数据对应的L个标记信息。其中，L小于N。

本公开中，终端设备在获取训练数据时，可以记录与该训练数据对应的属性或属性的取值。为了描述方便，可以将与该训练数据对应的属性或属性的取值统称为该训练数据对应的标记信息，也就是说，标记信息可以用于指示与该标记信息对应的训练数据的属性。终端设备可以将训练数据对应的标记信息发送至接入网设备。可选的，不同的训练数据的标记信息可以相同或不同，不予限制。当多个训练数据的标记信息相同时，可以针对该多个训练数据记录和/或上报一个标记信息。

举例来说，如图6所示，接入网设备的一个小区内包括6个同步信号/物理广播信道块(synchronizing signal/physical broadcast channel block，SSB)，索引分别为SSB1至SSB6，每个SSB对应的发送波束的覆盖范围不同，具体可以参考图6所示。终端设备在获取训练数据(例如通过信道估计测量下行CSI)时，可以获取到多个SSB中每个SSB的参考信号接收功率(reference signal receiving power，RSRP)，终端设备可以将测量到的测量值较大的多个RSRP对应的多个SSB，作为训练数据关联的SSB。例如可以将取值最大的RSRP对应的SSB作为训练数据关联的SSB，将取值第二大的RSRP对应的SSB作为训练数据关联的SSB等。

结合前面的描述，一种可能的实现方式中，对于一个训练数据或者一组具有相同标记信息的多个训练数据，标记信息可以用于指示以下至少一项属性：

·训练数据关联的SSB的索引。其中，训练数据可以关联一个或多个SSB。例如，训练数据关联的SSB可以包括测量到的取值最大的RSRP对应的SSB，和/或测量到的取值第二大的RSRP对应的SSB等；训练数据关联的SSB可以是指终端设备获取到该训练数据时，测量到的测量值较大的多个RSRP对应的多个SSB，终端设备可以建立训练数据和该多个SSB的关联关系。

·训练数据关联的SSB的RSRP。其中，训练数据可以关联一个或多个RSRP，该RSRP可以为训练数据关联的SSB的RSRP。如果训练数据关联的SSB为多个，则该RSRP为该多个SSB分别对应的RSRP。

·训练数据关联的无线信道的类型。一种实现方式，所述类型包括视距(line ofsight，LOS)和非视距(non line of sight，NLOS)，表示该无线信道为LOS信道或NLOS信道。LOS和NLOS可以通过传统非AI的方式确定，也可以使用已经训练好的AI模型进行确定。另一种实现方式，所述类型还可以包括上行、下行和侧行(sidelink)，分别表示在该无线信道中获取到的CSI为上行CSI、下行CSI以及侧行CSI。

·训练数据关联的定时提前(time advance，TA)。其中，终端设备可以通过随机接入过程获得TA，或者，根据接入网设备发送的TA信息确定TA。终端设备获取TA后，该TA在预设的TA有效时间内，或者下次获取TA之前有效，即训练数据关联的TA为获取该训练数据时有效的TA，具体过程不再赘述。

·训练数据关联的小区的小区标识。换句话说，该小区标识用于指示该训练数据是在哪个小区获取的。

·训练数据的维度信息。例如，包括时域维度、频域维度、天线域(空域)维度中的一项或多项。可选地，该维度信息还可以包括每个维度的粒度，例如时域维度的粒度包括正交频分复用(orthogonal frequency division multiplexing，OFDM)符号或时隙，频域维度的粒度包括子载波或资源块(resource block，RB)。

以上只是示例，标记信息还可以包括其他属性，在此不再逐一举例说明。

第二种可能的实现方式，训练数据是由接入网设备测量获得的。

在该实现方式中，接入网设备可以将其获取训练数据的时间单元(例如无线帧、子帧、时隙、或符号等)指示给终端设备；或者，该获取训练数据的时间单元是协议约定的，不予限制。如果接入网设备是周期性的获取训练数据，接入网设备还可以指示其获取训练数据的周期和/或其获取训练数据的时间单元在周期中的偏置(offset)；或者，该周期或偏置中的至少一个可以是协议约定的。例如，周期是由接入网设备指示的，偏置是协议约定的。再例如，周期和偏置都是由接入网设备指示的。

终端设备接收到接入网设备指示的时间单元，则可以将该时间单元或者该时间单元附近获取到的属性或属性的取值发送给接入网设备。接入网设备可以将该属性或属性的取值作为该训练数据对应的标记信息。

举例来说，接入网设备向终端设备指示的时间单元为时间单元T，终端设备可以将在时间单元T获取到的以下至少一项信息发送至接入网设备：测量到的一个或多个RSRP；测量到的一个或多个RSRP对应的一个或多个SSB；测量到的RSRP所属的小区的小区标识；测量到的RSRP所对应的无线信道的类型。接入网设备将来自终端设备的以上至少一项信息作为时间单元T获取到的训练数据的标记信息。关于标记信息的更加详细的介绍请参加前文，此处不再赘述。例如，终端设备上报的SSB可以包括测量到的取值最大的RSRP对应的SSB，和/或测量到的取值第二大的RSRP对应的SSB等。

本公开中，接入网设备获取到的训练数据可以用于训练人工智能模型。具体的，接入网设备可以根据N个训练数据训练一个或多个人工智能模型。其中，人工智能模型的功能并不限定，例如可以包括但不限于用于CSI压缩反馈的人工智能模型，用于星座调制与解调的人工智能模型，用于信道编解码的人工智能模型，或用于上行预编码的人工智能模型等。本公开中，可以对N个训练数据进行划分，构建场景化的训练数据集，每个训练数据集内的训练数据包括相同的特征。相同的特征指的是训练数据关联的上述属性相同，或者属性的取值在同一范围内，每个训练数据集可以用于训练一个人工智能模型，从而实现场景化的人工智能模型训练。本公开中，强调的是场景化的人工智能模型训练，即针对不同的训练数据集分别训练人工智能模型，而不是强调一个训练数据集用于训练一个固定的人工智能模型。例如，利用一个训练数据集，采用不用的机器学习算法或者不同的模型参数(例如神经网络层数等)，可以学习出多个不同的人工智能模型。可选的，这多个不同的人工智能模型之间可能存在性能差异。针对不同的训练数据集，可以采用相同的机器学习算法进行模型学习，也可以采用不同的算法进行模型学习，不予限制。

举例来说，一种可能的实现方式中，一个人工智能模型可以对应一个训练条件，该训练条件可以为预设的或协议约定的，也可以为接入网设备确定的。该训练条件可以用于筛选出训练该人工智能模型的训练数据。在该实现方式中，用于训练该人工智能模型的训练数据是根据所述标记信息确定的，具体的，用于训练该人工智能模型的一个或多个(本公开中，用于训练该人工智能模型的一个或多个训练数据，还可以记为X个训练数据，其中，X为正整数，或者描述为X为大于0的整数)训练数据，为N个训练数据中对应的标记信息(或属性)满足该人工智能模型对应的训练条件的训练数据。可选的，训练条件还可以描述为条件。例如，对于接入网设备或者其他进行模型训练的网元，该条件可以看做训练条件，对于终端设备或者其他应用该模型进行推理的网元，该条件可以看做应用条件。

例如，标记信息包括SSB的索引，人工智能模型1对应的训练条件包括至少一个SSB的索引，例如包括的索引为SSB1和SSB2。此时可以将N个训练数据中，标记信息包括SSB的索引为SSB1和/或SSB2的训练数据，划分为一个训练数据集，可以采用上述训练数据集对人工智能模型1进行训练。

通过上面的描述可知，该实现方式中，先确定训练条件，再确定满足该训练条件的一个或多个训练数据，并利用该一个或多个训练数据训练模型。

另一种可能的实现方式中，可以将N个训练数据进行聚类，将聚类特征相同或者聚类特征在同一范围内的训练数据划分为一个训练数据集，其中聚类特征可以为方差、协方差矩阵或多径时延分布等特征。例如，将方差在同一范围内的训练数据划分为一个训练数据集；再例如，将协方差矩阵在同一范围内的训练数据划分为一个训练数据集。

由于训练数据关联第一标记信息，可以确定聚类特征相同或者在同一范围内的训练数据共同对应的属性，并将所述共同对应的属性作为训练条件，该训练条件与采用该聚类特征的训练数据训练得到的人工智能模型对应。例如，将方差在同一范围内的训练数据划分为一个训练数据集，确定该训练数据集包括的训练数据关联的SSB的索引均为SSB1，则可以将SSB1作为训练条件包括的属性。

通过上面的描述可知，该实现方式中，先确定训练人工智能模型的一个或多个训练数据，再根据该一个或多个训练数据确定该人工智能模型的训练条件。

本公开中，对训练条件的具体内容并不限定，举例来说，训练条件可以包括以下至少一项：

同步信号块的索引，该索引为一个或多个；参考信号接收功率的取值范围；无线信道的类型；定时提前的取值范围；小区标识，该标识可以为一个小区的标识或者多个小区的标识。

以上只是示例，训练条件还可以包括其他内容，在此不再逐一举例说明。

本公开中，接入网设备还可以向终端设备发送人工智能模型对应的训练条件，具体过程不再赘述。

S502：接入网设备向终端设备发送指示信息；相应的，终端设备接收来自接入网设备的指示信息。

其中，指示信息用于指示M个人工智能模型的信息，M为大于0的整数。M个人工智能模型可以是根据N个训练数据训练的全部人工智能模型，也可以是其中的一部分人工智能模型，具体根据实际情况确定。

本公开中，一种实现方式中，接入网设备训练完成人工智能模型之后，接入网设备可以主动向终端设备发送指示信息。接入网设备还可以向终端设备发送M个人工智能模型对应的M个训练条件。该M个人工智能模型和该M个训练条件一一对应，即每个人工智能模型对应一个训练条件。

在该方式中，终端设备获取到M个人工智能模型的信息后，可以根据实际情况确定所使用的人工智能模型。例如，终端设备可以在使用人工智能模型时或者使用人工智能模型之前，获取当前无线信道数据的属性和该属性满足的训练条件，将该训练条件对应的人工智能模型作为待使用的人工智能模型。例如，终端设备获取的当前无线信道数据的属性包括：关联的SSB为SSB1。如果M个人工智能模型中，有一个人工智能模型的训练条件为：采用关联SSB1的训练数据进行训练，那么终端设备可以使用该人工智能模型。该训练条件在终端设备侧可以看做应用条件。

另一种实现方式中，接入网设备训练完成人工智能模型之后，在接收到来自终端设备的请求消息后，再向终端设备发送指示信息。在该实现方式中，接入网设备向终端设备指示的人工智能模型的数量，可以小于或等于实际训练的人工智能模型的数量。例如，接入网设备通过指示信息指示1个人工智能模型的信息，即M＝1。M的具体取值，可以根据终端设备实际请求的数量确定。

在该方式中，终端设备可以根据实际需求的人工智能模型，向接入网设备请求相应的人工智能模型。例如，终端设备可以向接入网设备发送模型指示信息，该模型指示信息可以用于指示终端设备请求的人工智能模型。接入网设备可以根据该模型指示信息确定终端设备请求的人工智能模型，并通过指示信息指示终端设备请求的该人工智能模型的信息。

举例来说，模型指示信息可以为人工智能模型的索引。接入网设备在训练人工智能模型时，可以为不同场景的人工智能模型配置不同的索引，或者不同场景的人工智能模型的索引为预设的。接入网设备可以向终端设备指示每个场景的人工智能模型的索引。终端设备需要使用人工智能模型时，可以向接入网设备发送该人工智能模型对应的索引，就可以从接入网设备获得该人工智能模型的信息。

举例来说，模型指示信息可以为人工智能模型对应的训练条件。接入网设备可以预先将人工智能模型对应的训练条件发送至终端设备，如果训练条件为预设的，接入网设备也可以不发送训练条件。终端设备需要使用人工智能模型时，可以向接入网设备发送该人工智能模型对应的训练条件，就可以从接入网设备获得该人工智能模型的信息。

举例来说，模型指示信息可以为训练该人工智能模型的训练数据对应的标记信息。终端设备需要使用人工智能模型时，可能并不清楚具体需要哪一个人工智能模型。此时终端设备可以通过测量，获得当前无线信道的相关属性，例如获得多个RSRP、多个RSRP对应的多个SSB、多个RSRP所属的小区的小区标识以及RSRP所对应的无线信道的类型中的一项或多项，如前所述，这些信息可以统称为标记信息。终端设备可以向接入网设备发送包括上述至少一项的标记信息，接入网设备可以将该标记信息满足的训练条件对应的人工智能模型，指示给终端设备。

以上只是示例，模型指示信息还可能为其他实现形式，本公开对此并不限定。

终端设备获取到接入网设备训练的人工智能模型之后，可以根据实际需求使用相应的人工智能模型。

通过上面的过程，接入网设备在获取到N个训练数据时，可以将N个训练数据按照不同训练条件进行划分，构建不同训练条件对应的训练数据集。而训练条件包括的属性可以表征训练数据对应的场景，也就是相当于将N个训练数据划分为多个场景的训练数据集。当对人工智能模型进行训练时，训练一个人工智能模型的训练数据满足该人工智能模型对应的训练条件，可以实现场景化的人工智能模型训练。从而使得所得到的模型更加符合信道条件，模型的正确性更高，通信效率更高。此外，该方法在获得场景化人工智能模型时还能够保持较低的信令开销。例如，一种可能的实现方式中，接入网设备将每个终端设备的所有训练数据构成一个终端设备专用(specific)的数据集，使用每个终端设备专用的数据集训练终端设备专用的模型，然后给每个终端设备配置该终端设备对应的模型，每个终端设备都使用其专用的模型。这种方式中，针对每个终端设备训练专用的模型导致网络的信令开销较大，此外，即使同一个终端设备，终端设备移动也会使其所处的位置、环境发生变化，导致同一个终端设备不同时刻收集到的无线信道样本的分布也可能有较大差异。该实现方式虽然能获得终端设备特定的模型，但是却无法利用数据的相关性，且信令开销较高。

上面的过程中，以接入网设备与终端设备之间交互为例，当AI实体位于接入网设备之外，是一个独立的模块或网元时，接入网设备可以将N个训练数据转发至AI实体，由AI实体进行人工智能模型训练；AI实体可以向接入网设备指示训练好的人工智能模型的信息，再由接入网设备向终端设备指示训练好的人工智能模型的信息，其他过程都和图5的流程类似，在此不再赘述。

上面的过程中，以接入网设备为例进行描述，针对一个模型，实际执行模型训练的可以是接入网设备中的模块(或单元、网元等)，如近实时RIC、接入网设备中的AI实体、CU中AI实体、或DU中的AI实体，不予限制。用于训练不同模型的模块可以相同，也可以不同，不予限制。模型的信息可以由训练模型的模块递交给接入网中的其他模块后，发送给终端设备。例如，CU中的AI实体训练得到一个模型后，该模型的信息依次经过DU和RU后，通过空口发送给终端设备。不再一一举例。

结合前面的描述，下面给出标记信息包括不同属性时，在不同训练条件下，接入网设备如何构建不同训练条件对应的训练数据集。

实现方式一，假设训练数据对应的标记信息包括该训练数据关联的SSB的索引。

一个SSB关联一个接入网设备的发送波束，每个发送波束的覆盖范围通常比较集中，且较长时间不会发生明显的变化，即每个发送波束的覆盖范围内的无线信道环境、分布都比较相似，因此可以将一个SSB关联的训练数据作为一个训练数据集。

在该实现方式中，终端设备通过测量获得训练数据时，可以测量获得至少一个SSB的RSRP，终端设备可以认为其处于最大的RSRP关联的SSB的覆盖范围内，因此可以用最大的RSRP关联的SSB的索引对该训练数据进行标记，即该训练数据的标记信息可以包括所述至少一个SSB中RSRP最大的SSB的索引。

例如，如图6所示，接入网设备的一个小区内包括6个SSB，索引分别为SSB1至SSB6，每个SSB对应的发送波束的覆盖范围不同，具体可以参考图6所示。终端设备在测量训练数据时，如果测量到的最大的RSRP关联的SSB的索引为SSB1，那么该训练数据对应的标记信息可以包括SSB1。

在该实现方式中，接入网设备或者AI实体在训练人工智能模型时，可以根据SSB的索引确定训练人工智能模型的一个或多个训练数据，即构建训练人工智能模型的训练数据集。具体的，接入网设备或者AI实体在构建训练数据集时，可以将对应的SSB的索引相同的训练数据划分为一个训练数据集，此时人工智能模型的训练条件可以包括SSB的索引。例如，针对一个人工智能模型，其对应的训练条件包括第一SSB的第一索引；相应的，可以将N个训练数据中，对应的标记信息包括第一SSB的第一索引的一个或多个训练数据，用于训练人工智能模型。

举例来说，结合图6，小区中包括终端设备1和终端设备2，终端设备1上报的训练数据分别为训练数据1至训练数据6，终端设备2上报的训练数据分别为训练数据7至训练数据12。训练数据1至训练数据12分别关联的SSB可以参考表1所示。

表1

假设接入网设备或者AI实体通过上面的训练数据训练3个人工智能模型，其中人工智能模型1对应的训练条件包括的索引为SSB1，人工智能模型2对应的训练条件包括的索引为SSB2，人工智能模型3对应的训练条件包括的索引为SSB3。那么，用于训练每个人工智能模型的一个或多个训练数据可以如表2所示。

表2

结合表2，接入网设备或AI实体可以采用训练数据集1中的训练数据训练人工智能模型1，采用训练数据集2中的训练数据训练人工智能模型2，采用训练数据集3中的训练数据训练人工智能模型3。

一种实现方式中，接入网设备可以将训练得到的各个人工智能模型以及每个人工智能模型关联的训练条件指示给终端设备。终端设备在使用人工智能模型时，根据当前环境对应的训练条件确定应使用哪一个人工智能模型。例如，接入网设备向终端设备指示人工智能模型1的信息、人工智能模型2的信息以及人工智能模型3的信息，以及指示每个人工智能模型对应的训练条件。终端设备可以使用人工智能模型和推理数据进行推理。如果终端设备测量该推理数据时测量各个SSB，且测量到的SSB2的RSRP最大，那么终端设备可以使用人工智能模型2。

另一种实现方式中，终端设备在需要使用人工智能模型时，向接入网设备请求相应的人工智能模型。终端设备可以通过发送人工智能模型的索引，请求所使用的人工智能模型；终端设备也可以向接入网设备发送当前无线信道数据对应的标记信息，接入网设备可以向终端设备指示该标记信息满足的训练条件对应的人工智能模型。例如，终端设备发送的标记信息包括SSB3的索引，接入网设备确定人工智能模型3对应的训练条件包括SSB3，从而向终端设备指示人工智能模型3的信息。

上面的举例中，以训练条件包括一个SSB的索引为例，实际应用中，训练条件中可以包括多个SSB的索引。例如，接入网设备可以对SSB进行分组，将波束方向相邻或者波束指向的环境相似的一个或者多个SSB分为一组，将关联到同一组SSB的训练数据划分为一个训练数据集。如图6所示，如果索引为SSB1、SSB2以及SSB3的SSB对应的波束方向覆盖范围接近，则将索引为SSB1、SSB2以及SSB3的SSB分为一组；同理，也可以将索引为SSB4、SSB5以及SSB6的SSB分为一组。此时，可以将关联到SSB1、SSB2以及SSB3的训练数据划分为一个训练数据集，将关联到SSB4、SSB5以及SSB6的训练数据划分为另一个训练数据集。

例如，接入网设备获取到的N个训练数据如表3所示。

表3

结合前面的例子，根据表3，接入网设备确定的训练数据集、人工智能模型以及SSB的关联关系可以如表4所示。

表4

结合表4，在训练人工智能模型1时，采用与SSB1、SSB2或SSB3中的至少一项关联的训练数据进行训练；在训练人工智能模型2时，采用与SSB4、SSB5或SSB6中的至少一项关联的训练数据进行训练。

终端设备如果测量到SSB1或SSB2或SSB3的RSRP最大，则确定当前无线信道数据与SSB1或SSB2或SSB3关联，从而可以将通过SSB1或SSB2或SSB3关联的训练数据训练的人工智能模型，作为待使用的人工智能模型，此处待使用人工智能模型1；如果测量到SSB4或SSB5或SSB6的RSRP最大，则确定当前无线信道数据与SSB4或SSB5或SSB6关联，从而可以将通过SSB4或SSB5或SSB6关联的训练数据训练的人工智能模型，作为待使用的人工智能模型，此处待使用人工智能模型2。

通过上面的方法，接入网设备或AI实体收集到多个训练数据时，可以通过其关联的SSB的索引对这些训练数据进行划分，构建场景化的训练数据集，使得每个训练数据集内的无线信道分布比较集中或者相似，实现场景化的模型训练。

上面描述的实现方式中，多个训练数据关联到同一个SSB或同一组SSB，就可以认为这些训练数据对应的无线信道环境、分布相似。本公开中，还可以按照其他属性对训练数据进行划分，使得划分后的训练数据对应的无线信道环境、分布相似。

实现方式二，假设训练数据对应的标记信息包括以下至少一项属性：

该训练数据关联的第一RSRP，第一RSRP为终端设备在获取训练数据时，测量到的最大RSRP；

该训练数据关联的第一SSB的索引，第一SSB为第一RSRP对应的SSB；

该训练数据关联的第二RSRP，第二RSRP为终端设备在获取训练数据时，测量到的第二大RSRP；

该训练数据关联的第二SSB的索引，第二SSB为第二RSRP对应的SSB；

训练数据关联的无线信道的类型，所述类型包括视距和非视距；

训练数据关联的定时提前。

通过上面的描述可知，相比于实现方式一，实现方式二中，标记信息包括的属性较多，例如，由于视距类型的无线信道与非视距类型的无线信道的无线信道环境不同，因此通过增加无线信道的类型，可以避免将不同类型的无线信道的训练数据划分为一个训练数据集。

和实现方式一类似，实现方式二中，终端设备获取到训练数据时，记录训练数据的标记信息，终端设备向接入网设备上报训练数据时，将训练数据对应的标记信息也同时上报给接入网设备。

接入网设备或者AI实体在训练人工智能模型时，可以将对应的标记信息满足人工智能模型对应的训练条件的一个或多个训练数据用于训练该个人智能模型，即构建训练该人工智能模型的训练数据集，训练数据集包括一个或多个训练数据。训练数据集构建完成后，接入网设备或者AI实体根据构建好的各个训练数据集对人工智能模型进行训练，一个训练数据集可以训练一个人工智能模型。

例如，训练数据集、人工智能模型以及训练条件之间的关联关系如表5所示。

表5

接入网设备向终端设备指示人工智能模型时，还可以向终端设备指示该人工智能模型对应的训练条件。终端设备在使用人工智能模型时，根据人工智能模型对应的训练条件确定应使用哪一个人工智能模型。例如，终端设备在获取当前无线信道数据时，测量到当前无线信道数据属性为：最大的RSRP位于[a3,a4]内，且该RSRP对应SSB1，且确定无线信道的类型为非视距，且确定TA位于[b3,b4]内，则确定当前无线信道数据的属性满足人工智能模型2对应的训练条件，则可以确定使用人工智能模型2。

另外，如果终端设备确定测量获取到的当前无线信道数据不满足任何一个人工智能模型对应的训练条件，则该终端设备不使用任何一个人工智能模型，或者任意选择一个人工智能模型，或者从中选择训练条件较为接近的人工智能模型，或者使用默认人工智能模型，默认人工智能模型为预定义或者通过接入网设备配置的，不予限制。

通过上面的方法，接入网设备或AI实体收集到多个训练数据时，可以通过其关联的SSB的索引、RSRP、TA、LOS/NLOS等信息，对这些训练数据进行划分，构建场景化的训练数据集，使得每个训练数据集内的无线信道分布比较集中或者相似，实现场景化的人工智能模型训练。

前两个实现方式中，主要针对在同一个小区内收集到的训练数据对人工智能模型进行训练，在本实施例中，还可以考虑使用不同小区的训练数据对人工智能模型进行训练，即不同小区的训练数据可以划分为一个训练数据集。

实现方式三，在实现方式二的基础上，训练数据的标记信息还可以包括：训练数据关联的小区的小区标识。

在实现方式三中，一种实现方式中，可以直接根据人工智能模型的训练条件，将多个小区的训练数据划分为多个不同的训练数据集，因此每个人工智能模型对应的训练数据集中包括一个或多个小区的训练数据。

另一种实现方式中，可以针对每个小区的训练数据，划分为多个训练数据集，其中一个训练数据集包括一个或多个训练数据。在划分训练数据集时，可以按照标记信息进行划分，例如将标记信息中包括相同SSB的索引的训练数据划分为一个训练数据集。

在每个小区已经划分好训练数据集的情况下，可以对每个小区的每个训练数据集进行数据分析，提取每个训练数据集的主要特征，或者统计每个训练数据集的统计特征，例如方差、协方差矩阵、多径时延分布等，将多个小区中特征相似的训练数据集进一步融合成一个训练数据集，则可将多个小区的训练数据集进一步融合。

例如，存在小区1和小区2，小区1内收集到的训练数据划分为训练数据集1至训练数据集3，每个小区的训练数据集和标记信息的关联关系如表6所示。

表6

假设需要训练的人工智能模型1对应的训练条件包括标记信息1、标记信息2以及标记信息4，人工智能模型2对应的训练条件包括标记信息3以及标记信息5，人工智能模型3对应的训练条件包括标记信息6，那么得到融合后的训练数据集、训练条件和人工智能模型的关联关系如表7所示。

表7

从表7可知，用于训练人工智能模型1的训练数据集7，是由小区1中的训练数据集1、训练数据集2以及小区2中的训练数据集4合并后得到的，其他情况以此类推，不再赘述。

对于一个人工智能模型，如果用于训练该人工智能模型的训练数据来自多个小区，在其中一个小区，接入网设备可以将关联到该小区的标记信息的人工智能模型以及人工智能模型关联的该小区的一个或者多个标记信息发送给该小区的终端设备，终端设备在本地保存在本小区内可能用到的人工智能模型。例如，结合表7，对于小区1，接入网设备可以向小区1中的终端设备指示人工智能模型1和人工智能模型2，不指示人工智能模型3；当接入网设备向小区1中的终端设备指示人工智能模型1对应的训练条件时，可以只指示标记信息1和标记信息2，不指示标记信息4。

接入网设备也可以将关联到该小区和其他小区的标记信息的人工智能模型以及人工智能模型关联的本小区和上述其他小区的一个或者多个标记信息发送给本小区的各个终端设备。例如将关联到本小区和若干相邻小区的标记信息的各个人工智能模型以及每个人工智能模型关联的本小区和若干相邻小区一个或者多个标记信息发送给本小区的终端设备。又例如，关联到本小区所在的接入网通知区(RAN-based notification area，RNA)的标记信息的人工智能模型以及人工智能模型关联的该RNA的一个或者多个标记信息发送给本小区的终端设备。相应的，终端设备可以保存在本小区以及若干相邻小区可能用到的人工智能模型，便于在小区切换后快速确定适用的人工智能模型。

例如，结合表7，对于小区1，接入网设备可以向小区1中的终端设备指示人工智能模型1，人工智能模型2以及人工智能模型3；当接入网设备向小区1中的终端设备指示人工智能模型1对应的训练条件时，可以指示标记信息1、标记信息2以及标记信息4；同样的，当接入网设备向小区1中的终端设备指示人工智能模型3对应的训练条件时，可以指示标记信息6。

通过上面的方法，将对多个小区内的训练数据进行融合，使得多个小区内的训练数据可以共同构建用于训练人工智能模型的训练数据集，从而使多个小区可以共享相同的人工智能模型，提高人工智能模型的训练效率。

实现方式一至实现方式三中，都是依赖于终端设备上报的训练数据的标记信息确定用于训练人工智能模型的训练数据集，即是根据预先设定的训练条件对训练数据进行划分。本公开中，还可以先对训练数据进行划分，再根据划分后的训练数据，确定人工智能模型的训练条件，即从训练数据本身分析出训练数据的分布与标记信息中的哪些属性相关。

实现方式四中，人工智能模型对应的训练条件不再是预设的或预配置的，人工智能模型对应的训练条件根据训练该人工智能模型的一个或多个训练数据确定。

具体的，接入网设备或者AI实体获取到N个训练数据后，对这N个训练数据进行聚类，将聚类特征相同或者在同一范围内的训练数据划分为一个训练数据集，一个训练数据集中包括一个或多个训练数据，其中聚类特征可以为训练数据的方差、协方差矩阵或多径时延分布等特征。由于每个训练数据关联一个标记信息，可以根据划分好的训练数据集，确定每个训练数据集中训练数据对应的属性的交集或并集，从而确定人工智能模型对应的训练条件。

例如，根据划分好的训练数据集确定，该训练数据集内的训练数据关联的SSB比较集中，一部分与SSB1关联，另一部分与SSB2关联，但其他信息，比如RSRP、TA、LOS/NLOS等信息无明显规律，则可以认为无线信道的分布与SSB相关，可以确定该训练数据训练的人工智能模型的训练条件包括SSB的索引，例如包括SSB1和SSB2。

再例如，一个训练数据集内的训练数据关联的无线信道类型均为视距，但其他信息，比如RSRP、TA等信息无明显规律，则可以认为无线信道的分布与视距存在关联，此时可以确定该训练数据训练的人工智能模型的训练条件包括无线信道类型为视距。

接入网设备或者AI实体根据构建好的各个训练数据集进行人工智能模型训练，每个训练数据集可以训练得到一个人工智能模型，训练得到的每个人工智能模型也同样关联一个训练条件。接入网设备将每个人工智能模型与其关联的训练条件发送给终端设备，具体可以参考前面的描述，在此不再赘述。

上面的方法中，通过对训练数据进行聚类，确定无线信道的分布与哪些信息相关，而不是根据预设的训练条件划分训练数据集，可以提高数据划分的准确性，提高对人工智能模型训练的准确性。

上述本申请提供的实施例中，分别从各个设备之间交互的角度对本申请实施例提供的方法进行了介绍。为了实现上述本申请实施例提供的方法中的各功能，接入网设备或终端设备可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和设计约束条件。

本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

与上述构思相同，如图7所示，本申请实施例还提供一种通信装置700用于实现上述方法中接入网设备或终端设备的功能。该通信装置的形式不受限，可以是硬件结构、软件模块、或硬件结构加软件模块。例如，该装置可以为软件模块或者芯片系统。本申请实施例中，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。该装置700可以包括：处理单元701和通信单元702。

本申请实施例中，通信单元也可以称为收发单元，可以包括发送单元和/或接收单元，分别用于执行上文方法实施例中接入网设备、AI实体或终端设备执行的发送和接收的步骤。

以下，结合图7至图8详细说明本申请实施例提供的通信装置。应理解，装置实施例的描述与方法实施例的描述相互对应，因此，未详细描述的内容可以参见上文方法实施例，为了简洁，这里不再赘述。

通信单元也可以称为收发装置。处理单元也可以称为处理模块、或处理装置等。可选的，可以将通信单元702中用于实现接收功能的器件视为接收单元，将通信单元702中用于实现发送功能的器件视为发送单元，即通信单元702包括接收单元和发送单元。通信单元有时可以实现为管脚、收发机、收发器、或收发电路等。处理单元有时可以实现为处理器、或处理单板等。接收单元有时可以实现为管脚、接收机、接收器或接收电路等。发送单元有时可以实现为管脚、发射机、发射器或者发射电路等。

通信装置700执行上面实施例中图5所示的流程中接入网设备的功能时：

处理单元，用于通过通信单元获取N个训练数据，对于N个训练数据中的一个训练数据，该训练数据对应一个标记信息，该标记信息用于指示该训练数据的属性，N为大于0的整数；

处理单元，用于通过通信单元向终端设备发送指示信息，指示信息用于指示M个人工智能模型的信息，对于M个人工智能模型中的一个人工智能模型，该人工智能模型是根据N个训练数据中的X个训练数据训练的，该X个训练数据是根据所述标记信息确定的，M和X为大于0的整数。

一种可能的实现方式中，对于所述M个人工智能模型中的所述一个人工智能模型，所述人工智能模型对应一个训练条件，所述X个训练数据对应的标记信息满足所述人工智能模型对应的训练条件。

一种可能的实现方式中，所述标记信息用于指示以下至少一项属性：

所述训练数据关联的同步信号块的索引；

所述训练数据关联的同步信号块的参考信号接收功率；

所述训练数据关联的无线信道的类型，所述类型包括视距和非视距；

所述训练数据关联的定时提前；

所述训练数据关联的小区的小区标识。

一种可能的实现方式中，所述训练条件包括以下至少一项：同步信号块的索引；参考信号接收功率的取值范围；无线信道的类型；定时提前的取值范围；小区标识。

一种可能的实现方式中，所述人工智能模型对应的训练条件为预设的。

一种可能的实现方式中，所述人工智能模型对应的训练条件是根据用于训练所述人工智能模型的所述X个训练数据确定的，用于训练所述人工智能模型的所述X个训练数据为所述N个训练数据中具有相同聚类特征的训练数据，或者，用于训练所述人工智能模型的所述X个训练数据为所述N个训练数据中聚类特征在同一范围内的训练数据。

一种可能的实现方式中，通信单元还用于：向所述终端设备发送所述M个人工智能模型对应的M个训练条件，其中，所述M个人工智能模型和所述M个训练条件一一对应。

一种可能的实现方式中，通信单元还用于：接收来自所述终端设备的模型指示信息，所述模型指示信息用于指示所述终端设备请求的人工智能模型；向所述终端设备发送所述指示信息，所述指示信息指示所述终端设备请求的人工智能模型的信息。

通信装置700执行上面实施例中图5所示的流程中终端设备的功能时：

通信单元，用于接收指示信息，所述指示信息用于指示M个人工智能模型的信息，对于所述M个人工智能模型中的一个人工智能模型，所述人工智能模型是根据N个训练数据中的X个训练数据训练的，M、N和X为大于0的整数。

一种可能的实现方式中，对于所述N个训练数据中的一个训练数据，所述训练数据对应一个标记信息，所述标记信息用于指示所述训练数据的属性。

一种可能的实现方式中对于所述M个人工智能模型中的所述一个人工智能模型，所述人工智能模型对应一个训练条件，所述X个训练数据对应的标记信息满足所述人工智能模型对应的训练条件。

一种可能的实现方式中，标记信息用于指示以下至少一项属性：

所述训练数据关联的同步信号块的索引；

所述训练数据关联的同步信号块的参考信号接收功率；

所述训练数据关联的无线信道的类型，所述类型包括视距和非视距；

所述训练数据关联的定时提前；

所述训练数据关联的小区的小区标识。

一种可能的实现方式中，所述训练条件包括以下至少一项：同步信号块的索引；参考信号接收功率的取值范围；无线信道的类型；定时提前的取值范围；小区标识。

一种可能的实现方式中，所述人工智能模型对应的训练条件为预设的。

一种可能的实现方式中，所述人工智能模型对应的训练条件是根据用于训练所述人工智能模型的X个训练数据确定的，用于训练所述人工智能模型的所述X个训练数据为所述N个训练数据中具有相同聚类特征的训练数据，或者，用于训练所述人工智能模型的所述X个训练数据为所述N个训练数据中聚类特征在同一范围内的训练数据。

一种可能的实现方式中，通信单元还用于：接收所述M个人工智能模型对应的M个训练条件，其中，所述M个人工智能模型和所述M个训练条件一一对应。

一种可能的实现方式中，通信单元还用于：发送模型指示信息，所述模型指示信息用于指示所述终端设备请求的人工智能模型；

接收所述指示信息，所述指示信息指示所述终端设备请求的人工智能模型的信息。

以上只是示例，处理单元701和通信单元702还可以执行其他功能，更详细的描述可以参考图5所示的方法实施例中相关描述，这里不加赘述。

如图8所示为本申请实施例提供的装置800，图8所示的装置可以为图7所示的装置的一种硬件电路的实现方式。该通信装置可适用于前面所示出的流程图中，执行上述方法实施例中终端设备或者接入网设备的功能。为了便于说明，图8仅示出了该通信装置的主要部件。

如图8所示，通信装置800包括处理器810和接口电路820。处理器810和接口电路820之间相互耦合。可以理解的是，接口电路820可以为收发器、管脚、接口电路或输入输出接口。可选的，通信装置800还可以包括存储器830，用于存储处理器810执行的指令或存储处理器810运行指令所需要的输入数据或存储处理器810运行指令后产生的数据。可选地，存储器830的部分或全部可以位于处理器810中。

当通信装置800用于实现图5所示的方法时，处理器810用于实现上述处理单元701的功能，接口电路820用于实现上述通信单元702的功能。

当上述通信装置为应用于终端设备的芯片时，该终端设备芯片实现上述方法实施例中终端设备的功能。该终端设备芯片从终端设备中的其它模块(如射频模块或天线)接收信息，该信息是接入网设备发送给终端设备的；或者，该终端设备芯片向终端设备中的其它模块(如射频模块或天线)发送信息，该信息是终端设备发送给接入网设备的。

当上述通信装置为应用于接入网设备的芯片时，该接入网设备芯片实现上述方法实施例中接入网设备的功能。该接入网设备芯片从接入网设备中的其它模块(如射频模块或天线)接收信息，该信息是终端设备发送给接入网设备的；或者，该接入网设备芯片向接入网设备中的其它模块(如射频模块或天线)发送信息，该信息是接入网设备发送给终端设备的。

如前文所述，图5的方法以接入网设备与终端设备之间交互为例，当AI实体位于接入网设备之外，是一个独立的模块或网元时，接入网设备可以将N个训练数据转发至AI实体，由AI实体进行人工智能模型训练；AI实体可以向接入网设备指示训练好的人工智能模型的信息，再由接入网设备向终端设备指示训练好的人工智能模型的信息，其他过程都和图5的流程类似。因此，上述关于接入网设备的介绍可以应用于AI实体。

可以理解的是，本公开中的处理器可以是中央处理单元，还可以是其它通用处理器、数字信号处理器、专用集成电路或者其它可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。

本公开中的存储器可以是随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、寄存器、硬盘、移动硬盘或者本领域熟知的任何其它形式的存储介质中。

本领域内的技术人员可以理解，本公开可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。