La generazione di intelligenza artificiale (GenAI) e le reti di comunicazione wireless sono destinate ad avere sinergie rivoluzionarie nella rete 6G. Connettendo gli agenti GenAI attraverso una rete wireless, si può potenzialmente liberare la potenza dell’intelligenza collettiva e aprire la strada all’intelligenza artificiale generale (AGI). Tuttavia, le attuali reti wireless sono progettate come un “tubo di dati” e non sono adatte ad accogliere e sfruttare la potenza della GenAI.

In questo articolo, proponiamo il framework GenAINet in cui gli agenti GenAI distribuiti comunicano conoscenza (concetti di alto livello o astratti) per svolgere compiti arbitrari. Forniamo innanzitutto un’architettura di rete che integra le capacità GenAI per gestire sia i protocolli di rete che le applicazioni. Successivamente, esaminiamo i problemi di comunicazione ed elaborazione efficaci proponendo un GenAINet nativo semantico. In particolare, gli agenti GenAI estraggono concetti semantici da dati grezzi multimodali, costruiscono una base di conoscenza che rappresenta le loro relazioni semantiche, che viene recuperata dai modelli GenAI per la pianificazione e il ragionamento.

2402.16631v2Download

In questo paradigma, un agente può apprendere rapidamente dall’esperienza di altri agenti per prendere decisioni migliori con comunicazioni efficienti. Inoltre, presentiamo due casi di studio in cui mostriamo come l’estrazione e il trasferimento di conoscenza possano migliorare l’accuratezza delle query e il controllo della potenza wireless attraverso il ragionamento collaborativo.

Infine, sottolineiamo che lo sviluppo di un modello semantico gerarchico del mondo delle telecomunicazioni è un percorso chiave verso una rete di intelligenza collettiva.

Architettura GenAINet

L’architettura GenAINet integra le capacità GenAI nella gestione dei protocolli di rete e delle applicazioni, come mostrato in Figura 1. Gli agenti GenAI sono distribuiti su diversi nodi della rete, come cloud, edge e dispositivi, e comunicano conoscenza semantica per svolgere vari compiti.

L’architettura GenAINet comprende tre livelli principali:

  1. Livello applicativo: Gli agenti GenAI eseguono compiti specifici come generazione di contenuti, pianificazione e ragionamento, sfruttando la conoscenza semantica.
  2. Livello di rete: I protocolli di rete sono progettati per supportare la comunicazione di conoscenza semantica tra gli agenti GenAI, ottimizzando parametri come latenza, affidabilità e consumo energetico.
  3. Livello di gestione: Questo livello coordina l’interazione tra il livello applicativo e di rete, gestendo la distribuzione degli agenti GenAI, l’allocazione delle risorse e la sincronizzazione della conoscenza.

Rappresentazione della Conoscenza Semantica

Gli LLM (Large Language Models) sono stati addestrati per comprendere la semantica. L’estrazione della conoscenza da dati grezzi in uno spazio di concetti consente agli LLM di comporre efficacemente le informazioni per diversi compiti, portando a una migliore generalizzazione.

In GenAINet, la conoscenza può essere recuperata da fonti comuni come il web, oppure appresa dalle esperienze di pianificazione ed esecuzione degli agenti. Questa conoscenza recuperata e appresa è essenziale per un processo decisionale o di generazione efficace.

Essendo la rete GenAINet vincolata da risorse di comunicazione, calcolo e archiviazione, la conoscenza trasferita e memorizzata nella rete deve soddisfare i requisiti di minimalità e sufficienza, in modo che una quantità minima di informazioni possa risolvere in modo efficace una vasta gamma di compiti o problemi.

Per realizzare questo, possiamo scomporre la conoscenza in due componenti:

  1. Conoscenza comune in un dominio che può essere iniettata negli LLM attraverso il fine-tuning.
  2. Conoscenza evolutiva che opera sulla conoscenza comune per compiti specifici, e che dovrebbe essere trasferita nella rete e utilizzata dagli LLM.

La gestione appropriata della conoscenza comune ed evolutiva è la chiave per raggiungere un’elevata efficienza in GenAINet.

Comunicazione e Ragionamento Semantico-nativi

Con la conoscenza semantica e il ragionamento semantico, gli agenti GenAI possono apprendere collettivamente protocolli di comunicazione e strategie decisionali per risolvere diversi compiti, portando a un GenAINet efficiente.

GenAINet può essere implementato secondo un paradigma insegnante-studente o un paradigma distribuito:

  1. Paradigma insegnante-studente: Applicabile per la comunicazione tra agenti cloud, edge e dispositivo, dove vengono distribuiti LLM di diverse dimensioni. Un agente insegnante con un LLM addestrato su conoscenza universale funge da “modello del mondo”, guidando un agente studente a eseguire compiti specifici attraverso il trasferimento di conoscenza.
  2. Paradigma distribuito: Applicabile per la comunicazione tra dispositivi mobili, macchine, veicoli, dove gli agenti hanno capacità simili e devono completare i compiti in modo collaborativo. Ogni agente ha una memoria di conoscenza emergente appresa dalla sua esperienza passata. Durante la pianificazione, l’agente può recuperare o comunicare conoscenza con gli altri per ottimizzare le decisioni e aggiornare la conoscenza locale.

Rispetto ai sistemi di comunicazione standard, GenAINet è più efficiente in termini di risorse e più efficace per i compiti. Ad esempio, nel caso di una query remota, il paradigma insegnante-studente può ridurre il carico e la latenza nell’invio delle risposte; nel caso di un veicolo autonomo (AV), il paradigma distribuito può migliorare la sicurezza della guida e l’affidabilità della comunicazione.

Casi di Studio

  1. Query wireless del dispositivo: Estraendo e trasferendo conoscenza, si può migliorare l’accuratezza delle query con una comunicazione ridotta.
  2. Controllo della potenza wireless: Gli agenti distribuiti possono migliorare le decisioni attraverso il ragionamento collaborativo.

Questi casi di studio dimostrano come GenAINet possa sfruttare il trasferimento di conoscenza e il ragionamento semantico per migliorare l’efficienza delle comunicazioni wireless e l’efficacia delle applicazioni.

In questo articolo, abbiamo presentato il framework GenAINet, che abilita l’intelligenza collettiva wireless attraverso il trasferimento di conoscenza e il ragionamento semantico tra agenti GenAI distribuiti. Abbiamo descritto l’architettura di rete, la rappresentazione della conoscenza semantica e il paradigma di comunicazione e ragionamento semantico-nativi. I casi di studio hanno dimostrato i vantaggi di GenAINet in termini di efficienza delle comunicazioni e efficacia delle applicazioni.

Lo sviluppo di un modello semantico gerarchico del mondo delle telecomunicazioni è un passo fondamentale verso la realizzazione di una rete di intelligenza collettiva. Questo apre la strada a numerose opportunità di ricerca e sviluppo per sfruttare pienamente il potenziale della GenAI nelle reti wireless del futuro.