1.3.2 5G助力AI泛在化

5G网络具备强大的连接能力和数据传输能力，广泛的高质量连接与各行业的深入融合会催生大量新的数据与应用的产生。未来的车联网、工业互联网、物联网等行业网络将架构在5G网络基础之上，5G提供的超大容量、超低时延和超高可靠性网络使得大量的新型数据被采集并得到快速的处理。这些新的数据将为人工智能技术的应用提供更广阔的空间。

对于不同的行业、不同的应用，数据的类型、采集方式和使用方式也存在差别。各国为更好地保护数据隐私，提升数据安全性，也纷纷出台法律，对各种数据进行严格的管理。为适应不同的场景和不同的应用的挑战，除了基于云计算的集中式处理方式，各种分布式的人工智能算法和应用也应运而生。其中，最具有代表性的是联邦学习。

联邦学习的概念最早在2016年由谷歌提出，用于解决安卓手机终端用户在本地更新模型的问题。随后，联邦学习得到不断发展，逐步应用于在保证合法合规的前提下，在多个参与方或多计算结点之间开展高效率的机器学习。联邦学习也有横向联邦学习、纵向联邦学习、联邦迁移学习等多种形式。为了很好地支持各种联邦学习和分布式机器学习方式，参与联邦学习的不同节点需要具备一定的数据存储及处理能力。5G网络支持以边缘计算为代表的灵活的网络架构方式，可以把算力部署在网络的不同层级，从而很好地支持不同的机器学习算法及应用。

5G网络提供的超高可靠低时延网络也可以使基于AI的应用部署更加灵活。很多在边缘节点进行的处理可以集中到云端或者统一的处理中心进行。基于AI的算法往往需要较强的算力作为基础，这对执行AI算法的设备提出了较高的要求，从而提升了相关设备的成本。统一的处理方式一方面可以有效降低终端的要求，从而节省终端的成本；另一方面云端或者集中式处理器往往拥有更强大的存储和计算能力，可以采用更复杂和精准的模型和算法进行更有效的处理。

综合来看，5G可以为AI的发展和广泛应用提供更多的数据、更灵活的部署方式，拓展更多的使用及部署场景。第5章将对5G支持的各种AI模型及算法进行详细的分析。5G与AI的融合将逐步改变我们未来的生产及生活方式。我们在未来的生产和生活中将在更多场景中体验到5G与AI给我们带来的便利。第6章将对5G与AI融合服务千行百业进行分析与展望。