Mobile e deep learning, i modelli per arrivare a reti AI-native

Il deep learning si è evoluto da strumento per sostituire singoli blocchi funzionali nelle reti mobile in una metodologia più ampia per lo sviluppo dell’intelligenza wireless distribuita. Ma come arrivare concretamente a reti Ai-native? Il percorso viene tracciato nello studio di tre ricercatori cinesi, Hao Ye, Geoffrey Ye Li, and Biing-Hwang Juang, intitolato “Ten years of deep learning for wireless communications: from learned blocks to deployable wireless intelligence” e pubblicato per il National Center for Mathematics and Interdisciplinary Sciences (Ncmis) della Chinese Academy of Sciences a Pechino.

Lo studio sostiene che il deep learning non rappresenta più soltanto una tecnica per migliorare alcuni algoritmi delle comunicazioni wireless, ma costituisce il principale motore della trasformazione verso reti mobili intelligenti, adattive e autonome. Il successo di questa trasformazione dipenderà dalla capacità di integrare i modelli di intelligenza artificiale con le caratteristiche fisiche delle comunicazioni radio, con i protocolli standardizzati e con i severi vincoli di latenza, consumo energetico e affidabilità richiesti dalle future reti 6G.

Deep learning e mobile, una storia decennale

Nell’applicazione del deep learning al mobile, tre cambiamenti fondamentali si sono succeduti negli ultimi dieci anni: l’apprendimento di moduli funzionali wireless, la riprogettazione e la rinormalizzazione della comunicazione degli obiettivi e la possibilità di generalizzazione in presenza di vincoli fisici pratici. “Insieme, questi cambiamenti promuovono la più ampia ricerca della comunicazione sempre e ovunque, attraverso qualsiasi mezzo appropriato”, scrivono gli autori.

“Guardando al futuro”, afferma il team di ricerca cinese, “sosteniamo che la prossima era dell’intelligenza artificiale (Ai) mobile dipenda da qualcosa di più della semplice scalabilità e capacità del modello. Le direzioni promettenti includono modelli del mondo wireless basati su basi fisiche, ragionamento agentico e meccanismi di standardizzazione che consentono ai componenti appresi di operare con confini chiari, coerenza fisica e interoperabilità a livello di sistema”.

Dall’AI nei singoli blocchi alla rete intelligente

Fin dalle prime reti cellulari, la progettazione delle comunicazioni mobili si è basata su modelli matematici rigorosi, teoria dell’informazione e algoritmi di elaborazione del segnale. Questo approccio ha consentito di progettare sistemi estremamente efficienti suddividendo la rete in blocchi funzionali indipendenti, come la stima del canale, il rilevamento del segnale, la codifica e l’allocazione delle risorse radio, spiegano gli autori.

Il vantaggio consiste nella possibilità di trasferire una parte della complessità computazionale nella fase di addestramento offline. Una volta implementato, il modello può produrre rapidamente una stima o una decisione, una caratteristica particolarmente utile nelle operazioni sottoposte a vincoli stringenti di latenza.

Un esempio riguarda i sistemi Ofdm, nei quali le reti neurali possono supportare congiuntamente la stima del canale e il rilevamento dei segnali. Nei sistemi Massive Mimo in modalità frequency division duplex, invece, modelli come CsiNet trattano il feedback sullo stato del canale come un problema di compressione intelligente: il terminale genera una rappresentazione sintetica, successivamente ricostruita dalla stazione radio.

Il limite principale è rappresentato dalla dipendenza dai dati utilizzati durante l’addestramento. Cambiamenti nella topologia della rete, nel traffico, nell’hardware o nelle condizioni di propagazione possono ridurre l’affidabilità del modello.

I nuovi modelli per reti più complesse

Con l’aumento della complessità delle reti mobili, dovuto alla crescente densità delle celle, alla mobilità degli utenti, alla varietà dei servizi e alla presenza di interferenze sempre più dinamiche, questi primi modelli sono risultati spesso insufficienti per descrivere accuratamente il comportamento reale del sistema.

Il deep learning è così emerso come uno strumento complementare capace di apprendere direttamente dai dati relazioni molto complesse che difficilmente possono essere espresse mediante formule analitiche tradizionali.

La prima fase dell’applicazione del deep learning alle comunicazioni mobile ha riguardato l’apprendimento di specifici moduli funzionali della rete. Le reti neurali sono state utilizzate per migliorare la stima del canale radio, il rilevamento dei simboli trasmessi, la compressione delle informazioni di stato del canale (Csi) nei sistemi Massive Mimo e la gestione dell’allocazione delle risorse radio. In questi casi il deep learning non modifica l’architettura della rete, ma sostituisce algoritmi complessi con modelli addestrati offline che, durante il funzionamento della rete, sono in grado di fornire decisioni molto rapide, riducendo la latenza computazionale.

Il paradigma model-driven

Successivamente sono stati sviluppati approcci cosiddetti model-driven, nei quali le reti neurali incorporano direttamente la conoscenza dei modelli fisici delle comunicazioni, migliorando interpretabilità, robustezza e capacità di generalizzazione rispetto agli approcci puramente data-driven.

In questa impostazione, l’intelligenza artificiale non sostituisce completamente i modelli matematici tradizionali. Interviene invece sulle parti più difficili da rappresentare analiticamente, mantenendo la struttura degli algoritmi e la compatibilità con le funzioni circostanti.

Uno degli approcci è il deep unfolding, che trasforma le diverse iterazioni di un algoritmo in altrettanti livelli di una rete neurale. Alcuni parametri diventano addestrabili, mentre la struttura di base resta ancorata al funzionamento conosciuto del sistema.

Questo modello ibrido può ridurre il fabbisogno di dati, aumentare l’interpretabilità e rendere più semplice l’integrazione dell’AI nelle architetture e nei protocolli esistenti.

La comunicazione non punta più soltanto a trasmettere bit

La seconda trasformazione individuata dagli autori riguarda l’obiettivo stesso della comunicazione. Il deep learning permette di ottimizzare congiuntamente trasmettitore, canale e ricevitore, superando almeno in parte la tradizionale separazione tra blocchi indipendenti.

Da questa evoluzione nasce il concetto di comunicazione semantica, nella quale non è più necessario trasmettere tutte le informazioni disponibili, ma soltanto quelle realmente utili per il compito finale che il destinatario deve svolgere. In altre parole, il valore della comunicazione non viene più misurato esclusivamente in termini di accuratezza della ricostruzione del segnale, ma soprattutto in funzione del significato e dell’utilità delle informazioni trasmesse.

Un’immagine, un flusso video o un messaggio possono così essere codificati in funzione del risultato finale, come il riconoscimento di una scena, il controllo di un robot, l’individuazione di un oggetto o l’elaborazione automatica di una richiesta.

La trasmissione mobile diventa quindi uno scambio selettivo di informazioni rilevanti. Il valore del dato non dipende più soltanto dalla fedeltà della ricostruzione, ma dal significato, dal contesto e dall’uso che ne farà il destinatario.

Questa prospettiva è particolarmente significativa per il 6G, nel quale connettività, sensing, intelligenza artificiale e automazione dovrebbero essere progettati in modo sempre più integrato.

La edge intelligence mobile

Lo studio dedica particolare attenzione alla cosiddetta wireless edge intelligence, destinata a diventare uno degli elementi centrali delle future reti mobili cui si applica il deep learning. In questo scenario la rete non svolge più soltanto il ruolo di trasporto dei dati, ma diventa parte integrante dei processi di apprendimento distribuito.

Tecniche come il federated learning consentono, infatti, ai dispositivi mobili di addestrare localmente modelli di intelligenza artificiale utilizzando i propri dati senza trasferirli al cloud. La rete mobile deve quindi gestire contemporaneamente la trasmissione delle informazioni e lo scambio degli aggiornamenti dei modelli, ottimizzando banda, energia, latenza e tempi di convergenza dell’apprendimento distribuito. Questo richiede una progettazione congiunta delle risorse radio e degli algoritmi di machine learning.

I wireless foundation models per le Tlc

Un altro aspetto fondamentale è la necessità che i modelli di deep learning siano capaci di adattarsi rapidamente alle variazioni dell’ambiente radio. Le condizioni di propagazione cambiano continuamente a causa degli spostamenti degli utenti, delle condizioni atmosferiche, delle interferenze e delle caratteristiche dell’hardware. Per questo vengono proposte tecniche di transfer learning, meta-learning e apprendimento online, che consentono ai modelli di aggiornarsi utilizzando poche nuove osservazioni, evitando costosi riaddestramenti completi.

Gli autori spiegano anche il concetto di wireless foundation models, modelli pre-addestrati su grandi quantità di dati provenienti da molteplici scenari mobile, successivamente adattabili a differenti applicazioni mediante leggere fasi di fine-tuning.

Tali modelli rappresentano un possibile equivalente, nel settore delle telecomunicazioni, dei foundation models già diffusi nel campo dell’intelligenza artificiale generativa.

Efficienza: per le telco conta il costo complessivo dell’AI

La sostenibilità operativa rappresenta uno dei principali ostacoli alla diffusione dell’AI nelle infrastrutture mobili. Un modello molto preciso può risultare inutilizzabile se richiede troppa memoria, energia o capacità di calcolo, oppure se genera eccessivi scambi di segnalazione.

L’efficienza non deve quindi essere valutata soltanto sulla base del numero di parametri o dell’accuratezza ottenuta. Occorre considerare il costo complessivo per il sistema: pilot radio, feedback, trasferimento degli aggiornamenti, ritrasmissioni, latenza, consumi energetici e frequenza degli adattamenti.

Gli autori dello studio fanno notare che un modello più piccolo non è necessariamente più efficiente se produce errori che obbligano la rete a effettuare nuove trasmissioni. Allo stesso modo, distribuire l’elaborazione tra dispositivo, edge e cloud può ridurre il carico sul terminale, ma aumentare il traffico e la dipendenza dalla qualità della connessione.

Per le telco, la vera metrica sarà quindi il vantaggio netto generato dall’Ai dopo avere sottratto i costi necessari per addestrarla, aggiornarla ed eseguirla.

Le prospettive future

La parte finale dello studio è dedicata alle prospettive future e rappresenta il contributo più innovativo dell’articolo, che in parte riprende studi precedenti degli stessi autori. I ricercatori ritengono che la prossima generazione delle reti mobili sarà caratterizzata da un’integrazione sempre più profonda tra intelligenza artificiale e infrastrutture di comunicazione, fino a realizzare reti realmente Ai-native. Tuttavia, affinché ciò sia possibile, sarà necessario affrontare importanti problemi di standardizzazione.

I modelli di deep learning dovranno, infatti, essere descritti non solo attraverso la loro architettura, ma anche mediante metadati che specifichino il loro dominio di validità, il livello di affidabilità, le condizioni operative e le modalità di interoperabilità con gli algoritmi tradizionali. Questo permetterà a reti mobile sviluppate da produttori diversi di utilizzare componenti intelligenti compatibili tra loro.

I wireless world models

Secondo gli autori, una prospettiva particolarmente interessante è rappresentata dai Wireless world models, modelli multimodali capaci di costruire una rappresentazione predittiva dell’ambiente radio circostante. L’obiettivo non sarà più soltanto usare il deep learning per stimare lo stato attuale del canale di comunicazione mobile, ma prevederne l’evoluzione futura simulando l’effetto delle possibili decisioni della rete prima ancora che vengano applicate.

Integrando misurazioni di rete, informazioni sulla mobilità, sensing, interferenze e caratteristiche fisiche dello spazio circostante, questi modelli potrebbero simulare gli effetti di una decisione prima che venga applicata alla rete reale. In questo modo la rete mobile potrà pianificare in anticipo allocazione delle risorse, gestione della mobilità e mitigazione delle interferenze, aumentando significativamente efficienza e affidabilità.

Un operatore potrebbe, per esempio, valutare preventivamente l’impatto di una modifica alla potenza di trasmissione, al beamforming, all’associazione degli utenti o all’allocazione delle risorse.

Il vantaggio sarebbe la possibilità di sperimentare azioni operative in un ambiente simulato, riducendo i rischi di disservizio. Il modello dovrebbe però rispettare le leggi della propagazione, la causalità e i limiti del sistema: non basterebbe generare uno scenario plausibile, ma sarebbe necessario produrre una previsione fisicamente coerente.

Gli agenti intelligenti nella rete mobile

Il passaggio più avanzato è quello verso la agentic wireless intelligence. Un agente Ai non si limita a produrre una previsione, ma osserva la rete, interpreta un obiettivo, pianifica un intervento, utilizza gli strumenti di controllo disponibili e verifica gli effetti dell’azione.

Il ciclo è quello del “percepire, ragionare e agire”. L’agente raccoglie informazioni sul traffico, sui dispositivi, sul canale e sulle interferenze; le combina con gli obiettivi di servizio; seleziona un’azione e modifica le decisioni successive sulla base dei risultati.

In prospettiva, gli agenti potrebbero diagnosticare anomalie, coordinare più funzioni di rete, distribuire risorse, adattare la qualità del servizio e interagire con altri sistemi automatici o con gli operatori umani.

Gli autori ipotizzano anche forme di intelligent switching, nelle quali la rete individua il destinatario e il canale più appropriati sulla base dell’intento e del contesto, senza dipendere esclusivamente da un indirizzo o da un piano di numerazione tradizionale.

Si tratta, tuttavia, di una prospettiva ancora prevalentemente di ricerca. L’introduzione di agenti capaci di intervenire sulle reti richiederà limiti operativi chiari, sistemi di autorizzazione, verifiche sulle azioni e meccanismi di ritorno alle procedure tradizionali in caso di errore.

Deep learning e reti mobili: verso il 6G

In generale, il deep learning viene considerata come una delle tecnologie abilitanti delle reti mobile di nuova generazione perché consente di sostituire o affiancare algoritmi deterministici con modelli capaci di apprendere automaticamente dai dati raccolti dalla rete.

Le reti mobili moderne, infatti, generano enormi quantità di informazioni riguardanti qualità del segnale, mobilità degli utenti, traffico dati, interferenze e consumo delle risorse radio. Le reti neurali profonde possono analizzare questi dati per prevedere il comportamento del canale radio, ottimizzare dinamicamente l’allocazione dello spettro, migliorare il beamforming nei sistemi Massive Mimo, gestire gli handover tra celle, ridurre i consumi energetici e supportare applicazioni di edge computing e intelligenza artificiale distribuita.

Nelle future reti 6G il deep learning sarà quindi parte integrante dell’architettura della rete stessa, consentendo un funzionamento adattivo, autonomo e orientato ai servizi, nel quale la rete sarà in grado di prendere decisioni intelligenti in tempo reale sulla base delle condizioni operative e delle esigenze degli utenti.

La standardizzazione sarà decisiva

La standardizzazione rappresenta il passaggio fondamentale per trasformare i prototipi in componenti utilizzabili nelle reti commerciali, evidenzia lo studio cinese.

Secondo gli autori, non avrebbe senso standardizzare una particolare architettura neurale, destinata probabilmente a evolvere in tempi rapidi. Gli standard dovrebbero invece definire il ruolo del modello, i dati di ingresso e di uscita, le condizioni nelle quali può essere utilizzato, gli indicatori di incertezza e le modalità di verifica.

Dovrebbero inoltre stabilire come una funzione basata sull’Ai possa convivere con un algoritmo tradizionale e quali siano i confini entro i quali un agente può osservare, configurare o modificare la rete.

La questione è particolarmente importante negli ecosistemi multi-vendor. Modelli sviluppati da soggetti diversi dovranno essere scambiati, validati e integrati senza compromettere interoperabilità, sicurezza e continuità del servizio.

Per le telco si apre la sfida dell’AI-native networking

Un elemento cruciale per le telco che emerge dallo studio è che l’Ai-native networking non coincide con l’inserimento di modelli sempre più grandi nelle reti. Il vero salto riguarda la capacità di rendere adattive e programmabili le funzioni radio, collegando gli obiettivi del servizio alle decisioni operative.

Per gli operatori, le ricadute potenziali riguardano l’ottimizzazione dello spettro e dell’energia, la gestione delle interferenze, il beamforming, l’automazione delle operation, la manutenzione predittiva e la personalizzazione della qualità del servizio.

La distanza fra ricerca e deployment resta però significativa. Per entrare nelle reti commerciali, i modelli dovranno dimostrare di funzionare anche in condizioni differenti da quelle di addestramento, rispettare i tempi del controllo radio e garantire consumi sostenibili. Dovranno anche offrire strumenti di verifica, tracciabilità delle decisioni e meccanismi di fallback che consentano alla rete di tornare a un funzionamento convenzionale in caso di comportamento inatteso.