在复杂的通信环境中，AIoT设备必须动态地选择干扰最小、可用性最高的信道，并能够根据接入点或基站的环境条件和流量需求调整通信策略。过去，这种通道评估/优化由预设查找表完成，如今已无法满足更复杂的需求，必须借助AI来管理。

这种优化不仅关乎吞吐量。对于安全关键型应用，如车联网（V2X）或外科与工业机器人等场景，超低延迟是基础要求。这是5G蜂窝标准（及后续标准）的关键组成部分，需网络与终端设备共同保障，而AI驱动的信道优化正日益成为这二者的保障。

另一个新兴的应用是定位，能帮助我们在智慧城市中准确找到像包裹、共享单车这样的移动设备，非常实用。基站与边缘设备之间的通信可提供飞行时间（ToF）与到达角度（AoA）数据，但其精度可能受到信号反射及其他因素的影响。AI可以通过长期学习来克服这些限制。

通信赋能AI

这是一个非常有前景的方向，通过通信技术，特别是Wi-Fi和移动网络，为AIoT设备增加一项新的感知能力。系统会监测信道状态信息（CSI），这种信号常常会受到障碍物或人走动的影响，然后汇总房间、办公室、整栋楼甚至整座城市中多个设备的数据，它可以判断出是否有人或物体在移动，甚至能精细到检测出呼吸频率。

这种感知输入非常依赖智能处理，以便从噪声中提取有用信号，过滤反射和无关动作（如天花板风扇、宠物活动），从而专注于人类活动。这项技术可以应用于家庭安防、手势识别以及非侵入式健康监测。

AIoT在该类应用中的具体作用仍在不断发展，但正如许多其他场景所显示的那样，边缘设备（如智能音箱、智能电视、智能插座等）具备一定程度的AI处理能力正逐渐成为必需，因为它们天然分布于环境各处。本地智能也有助于对数据进行预处理，减少需传输至中央枢纽进行最终分类的数据量。

另一个同样引人关注的例子是联邦学习。对于成批系统（如车辆、自动驾驶汽车、自动清洁设备等），学习必须是一个持续进行的过程，不能每次都把海量数据传回云端进行训练。相反，训练应首先在各个边缘系统本地进行，随后将优化后的AI模型在本地节点间之间共享，最后再统一上传到云端进行整合和优化。这就是联邦学习中“联邦”的含义。每个边缘系统都要把自己学到的东西贡献出来，共同提升整个系统的智能水平。边缘AI显然发挥了作用，而通信也不可或缺——因为它要负责把本地训练的成果高效上传，也要把最新的全局模型下载回来。

同时具备通信与AI技术和专业能力的企业极为罕见。Ceva正好拥有这样的专长，并擅长提供将AI和通信高度集成的整体解决方案，也能提供支持两者并行协作的灵活选项。若您想了解当前行业的发展趋势，或看看我们能如何助您一臂之力，欢迎访问我们的官网或致电联系。