WO2024146303A2 - 一种通信方法、网络设备和终端设备 - Google Patents

一种通信方法、网络设备和终端设备 Download PDF

Info

Publication number
WO2024146303A2
WO2024146303A2 PCT/CN2023/134580 CN2023134580W WO2024146303A2 WO 2024146303 A2 WO2024146303 A2 WO 2024146303A2 CN 2023134580 W CN2023134580 W CN 2023134580W WO 2024146303 A2 WO2024146303 A2 WO 2024146303A2
Authority
WO
WIPO (PCT)
Prior art keywords
model
report
terminal device
moment
resources
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2023/134580
Other languages
English (en)
French (fr)
Other versions
WO2024146303A3 (zh
Inventor
秦城
王四海
杨锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to EP23914437.1A priority Critical patent/EP4642089A4/en
Publication of WO2024146303A2 publication Critical patent/WO2024146303A2/zh
Publication of WO2024146303A3 publication Critical patent/WO2024146303A3/zh
Anticipated expiration legal-status Critical
Priority to US19/261,598 priority patent/US20250337659A1/en
Ceased legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/062—Generation of reports related to network traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models

Definitions

  • the embodiments of the present application relate to the field of communications, and specifically to a communication method, a network device, and a terminal device.
  • the communication method includes: a terminal device determines the number of AI resources required to simultaneously run a first artificial intelligence AI model and a second AI model at a first moment, the first AI model is used to determine a first report, and the second AI model is used to determine a second report; the terminal device determines that the first report is reported at a second moment based on the number of AI resources available at the first moment and the required number of AI resources; the terminal device reports the first report at the second moment, and reports the second report at a third moment after the second moment; or, the terminal device reports the first report at the second moment, and does not report the second report at the second moment; or, the terminal device reports the first report and the third report at the second moment, the third report is determined based on a non-AI model, and the third report is related to the second report.
  • the network device can indicate the priorities of different AI models through the first indication information, so that the network device can To control the terminal device to prioritize the execution of the AI model that the network device needs to execute.
  • the terminal device can report the number of AI resources required for different AI models and the number of AI resources required for AI model combinations to the network device through the first information, so that the network device and the terminal device can reach a consensus on the usage of the number of AI resources required for AI models and AI model combinations.
  • the terminal device can dynamically adjust the total number of AI resources and send the adjusted total number of AI resources to the network device through the third information, so that the terminal device can reduce the total number of available AI resources.
  • the network device when the network device receives the first report and the third report from the terminal device at a fourth moment, the network device determines that the terminal device cannot run the second AI model at the first moment to obtain the second report, including: the network device determines that the terminal device determines the third report based on the non-AI model at the first moment.
  • the first AI model includes one or more AI models
  • the second AI model includes one or more AI models
  • the multiple AI models correspond to at least one AI function
  • the method also includes: the terminal device sends fourth information to the network device, and the fourth information is used to report the number of AI resources required for each AI function in the at least one AI function.
  • the method further includes: the network device receives fifth information from the terminal device, and the fifth information is used to report the updated number of AI resources required for the first AI function among the at least one AI function.
  • the method further includes: the network device sending the multiple AI models to the terminal device.
  • a terminal device is provided.
  • the terminal device is used to execute the first aspect and any one of its implementation modes.
  • the terminal device includes a processor and a memory, the memory is used to store a computer program; the processor is used to call and run the computer program from the memory, so that the first relay device executes the first aspect and any one of its implementation modes.
  • a network device is provided.
  • the network device is used to execute the second aspect and any one of the implementation modes thereof.
  • the network device includes a processor and a memory, the memory is used to store a computer program; the processor is used to call and execute the computer program from the memory; A computer program enables the network device to execute the above-mentioned second aspect and any one of its implementation modes.
  • a communication device is provided.
  • the communication device is used to execute the method provided in the first aspect and the second aspect and any one of the embodiments thereof.
  • the communication device may include a unit and/or module (e.g., a processing unit, a transceiver unit) for executing the method provided in the first aspect and the second aspect and any one of the embodiments thereof.
  • the present application provides a processor for executing the methods provided in the first and second aspects above.
  • a computer-readable storage medium stores a computer program, and when the computer program is executed on a communication device, the communication device executes a method in any one of the implementation modes of the first and second aspects.
  • a chip comprising a processor and a communication interface, the processor reads instructions through the communication interface and executes the method provided by any one of the implementation modes of the first and second aspects.
  • the chip also includes a memory, the memory stores a computer program or instructions, and the processor is used to execute the computer program or instructions stored in the memory.
  • the processor is used to execute the method provided by any implementation method of the first and second aspects above.
  • FIG1 is a schematic diagram of a communication system to which the present application is applicable.
  • FIG2 is a schematic flow chart of a communication method provided in the present application.
  • FIG4 is a schematic diagram of a resource conflict of an AI model provided in an embodiment of the present application.
  • FIG5 is a schematic diagram of reporting the number of AI resources provided in an embodiment of the present application.
  • FIG6 is a schematic flow chart of another communication method provided by the present application.
  • FIG. 7 is a schematic flow chart of yet another communication method provided in the present application.
  • FIG8 is a schematic flowchart of yet another communication method provided in the present application.
  • FIG9 is a schematic flow chart of yet another communication method provided in the present application.
  • FIG. 10 is a schematic block diagram of a communication device provided in an embodiment of the present application.
  • FIG. 11 is a schematic diagram of another communication device provided in an embodiment of the present application.
  • FIG. 12 is a schematic diagram of a chip system provided in an embodiment of the present application.
  • the technical solutions of the embodiments of the present application can be applied to various communication systems.
  • the fifth generation (5th generation, 5G) system or new radio (new radio, NR) long term evolution (long term evolution, LTE) system, LTE frequency division duplex (frequency division duplex, FDD) system, LTE time division duplex (time division duplex, TDD), etc.
  • the technical solutions provided in the present application can also be applied to future communication systems, such as the sixth generation mobile communication system.
  • the technical solutions of the embodiments of the present application can also be applied to device to device (D2D) communication, vehicle-to-everything (V2X) communication, machine to machine (M2M) communication, machine type communication (MTC), and Internet of Things (IoT) communication system or other communication systems.
  • D2D device to device
  • V2X vehicle-to-everything
  • M2M machine to machine
  • MTC machine type communication
  • IoT Internet of Things
  • the terminal equipment in the embodiments of the present application may refer to an access terminal, a user unit, a user station, a mobile station, a mobile station, a relay station, a remote station, a remote terminal, a mobile device, a user terminal, a user equipment (UE), a terminal, a wireless communication device, a user agent or a user device.
  • the terminal equipment may also be a cellular phone, a cordless phone, a session initiation protocol (SIP) phone, a wireless local loop (WLL) station, a personal digital assistant (PDA), a handheld device with wireless communication function, a computing device or other processing device connected to a wireless modem, a vehicle-mounted device, a wearable device, a terminal device in a 5G network or a terminal device in a future public land mobile network (PLMN) or a terminal device in a future Internet of Vehicles, etc., and the embodiments of the present application are not limited to this.
  • SIP session initiation protocol
  • WLL wireless local loop
  • PDA personal digital assistant
  • PDA personal digital assistant
  • wearable devices may also be referred to as wearable smart devices, which are a general term for wearable devices that are intelligently designed and developed using wearable technology for daily wear.
  • wearable devices are portable devices that are worn directly on the body or integrated into the user's clothes or accessories.
  • Wearable devices are not only hardware devices, but also powerful functions achieved through software support, data interaction, and cloud interaction.
  • wearable smart devices include full-featured devices that can achieve complete or partial functions without relying on smartphones.
  • smart watches or smart glasses it can also be a portable device that only focuses on a certain type of application function and needs to be used in conjunction with other devices such as smartphones.
  • smart bracelets and smart jewelry for vital sign monitoring.
  • the terminal device may also be a terminal device in an IoT system.
  • IoT is an important part of the future development of information technology. Its main technical feature is to connect objects to the network through communication technology, thereby realizing an intelligent network of human-machine interconnection and object-to-object interconnection.
  • IoT technology can achieve massive connections, deep coverage, and terminal power saving through, for example, narrowband (NB) technology.
  • NB narrowband
  • the terminal device may also include a sensor, whose main functions include collecting data (part of the terminal device), receiving control information and downlink data from the network device, and sending electromagnetic waves to transmit uplink data to the network device.
  • the network device in the embodiment of the present application can be any communication device with wireless transceiver function for communicating with the terminal device.
  • the device includes but is not limited to: evolved Node B (eNB), radio network controller (RNC), Node B (NB), home evolved Node B (HeNB, or home Node B, HNB), baseband unit (BBU), access point (AP) in wireless fidelity (WIFI) system, wireless relay node, wireless backhaul node, transmission point (TP) or transmission and reception point (TRP), etc.
  • eNB evolved Node B
  • RNC radio network controller
  • NB Node B
  • HeNB home evolved Node B
  • BBU baseband unit
  • AP access point
  • WIFI wireless fidelity
  • WIFI wireless relay node
  • TP transmission point
  • TRP transmission and reception point
  • It can also be a 5G system, such as gNB in NR system, or transmission point (TRP or TP), one or a group of (including multiple antenna panels) antenna panels of a base station in 5G system, or it can also be a network node constituting gNB or transmission point, such as baseband unit (BBU), or distributed unit (DU), etc.
  • gNB in NR system
  • TRP or TP transmission point
  • BBU baseband unit
  • DU distributed unit
  • the network equipment and terminal equipment can be deployed on land, including indoors or outdoors, handheld or vehicle-mounted; they can also be deployed on the water surface; they can also be deployed on aircraft, balloons and satellites in the air.
  • the embodiments of the present application do not limit the scenarios in which the network equipment and terminal equipment are located.
  • the terminal device or network device includes a hardware layer, an operating system layer running on the hardware layer, and an application layer running on the operating system layer.
  • the hardware layer includes hardware such as a central processing unit, a memory management unit (MMU), and a memory (also called main memory).
  • MMU memory management unit
  • the operating system can be any one or more computer operating systems that implement business processing through processes, for example, operating system, operating system, operating system, Operating system or Operating system, etc.
  • the application layer includes applications such as browsers, address books, word processing software, and instant messaging software.
  • various aspects or features of the present application can be implemented as methods, devices or products using standard programming and/or engineering techniques.
  • product used in this application covers computer programs that can be accessed from any computer-readable device, carrier or medium.
  • computer-readable media include, but are not limited to: magnetic storage devices (e.g., hard disks, floppy disks or tapes, etc.), optical disks (e.g., compact discs (CDs), digital versatile discs (DVDs), etc.), smart cards and flash memory devices (e.g., erasable programmable read-only memory (EPROM), cards, sticks or key drives, etc.).
  • the various storage media described herein may represent one or more devices and/or other machine-readable media for storing information.
  • machine-readable storage medium may include, but is not limited to, wireless channels and various other media capable of storing, containing and/or carrying instructions and/or data.
  • the communication system 100 may include at least one network device 101 and at least one terminal device 102 to 107.
  • the terminal devices 102 to 107 may be mobile or fixed.
  • the network device 101 and one or more of the terminal devices 102 to 107 may communicate via a wireless link.
  • Each network device may provide communication coverage for a specific geographic area and may communicate with other devices located within the coverage area. terminal equipment to communicate.
  • the terminal devices may communicate directly with each other.
  • direct communication between the terminal devices may be achieved using device to device (D2D) technology.
  • D2D device to device
  • the terminal devices 105 and 106 and the terminal devices 105 and 107 may communicate directly using D2D technology.
  • the terminal devices 106 and 107 may communicate with the terminal device 105 individually or simultaneously.
  • Terminal devices 105 to 107 may also communicate with network device 101 respectively. For example, they may communicate directly with network device 101, such as terminal devices 105 and 106 in the figure may communicate directly with network device 101. They may also communicate indirectly with network device 101, such as terminal device 107 in FIG. 1 communicates with network device 101 via terminal device 105.
  • Each communication device may be configured with multiple antennas.
  • the multiple antennas configured may include at least one transmitting antenna for sending signals and at least one receiving antenna for receiving signals. Therefore, the communication devices in the communication system 100 may communicate with each other through multi-antenna technology.
  • the interface between the network device and the terminal device can be a Uu interface (or air interface).
  • Uu interface or air interface
  • the names of these interfaces may remain unchanged, or may be replaced by other names, which is not limited in this application.
  • the communication between the network device and the terminal device follows a certain protocol layer structure, and the network layering is to send, forward, package or unpack data of the network nodes (such as network devices and terminal devices), load or unpack control information, etc., which are completed by different hardware and software modules respectively. In this way, the complex problem of communication and network interconnection can be made simpler.
  • FIG1 is only a simplified schematic diagram for ease of understanding, and the communication system 100 may also include other network devices or other terminal devices (not shown in FIG1).
  • the communication system 100 may also include a core network device.
  • the access network device provides a wireless access connection for the terminal device, and can send data to the terminal device or receive data sent by the terminal device; on the other hand, the access network device and the core network device are also connected, and the data received from the terminal device can be forwarded to the core network, or the data that needs to be sent to the terminal device can be received from the core network.
  • AI model It can also be called AI algorithm (or AI operator), which is a general term for mathematical algorithms built on the principles of artificial intelligence, and is also the basis for using AI to solve specific problems.
  • AI algorithm or AI operator
  • the type of AI model is not limited in the embodiments of the present application.
  • the AI model can be a machine learning model, a deep learning model, a reinforcement learning model, or a federated learning model.
  • machine learning is a method to achieve artificial intelligence.
  • the goal of this method is to design and analyze some algorithms (also known as models) that allow computers to "learn" automatically.
  • the designed algorithms are called machine learning models.
  • Machine learning models are a type of algorithm that automatically analyzes patterns from data and uses the patterns to predict unknown data.
  • Deep learning is a new technical field that emerged in the process of machine learning research. Specifically, deep learning is a method in machine learning based on deep representation learning of data. Deep learning interprets data by establishing a neural network that simulates the human brain for analysis and learning. Since in machine learning methods, almost all features need to be determined by industry experts and then encoded. However, deep learning algorithms try to learn features from data by themselves. Algorithms designed based on deep learning ideas are called deep learning models.
  • Reinforcement learning is a special field in machine learning. It is a process of continuously learning the optimal strategy, making sequential decisions, and obtaining the maximum reward through the interaction between the agent and the environment. In layman's terms, reinforcement learning is learning "what to do (i.e. how to map the current situation into actions) to maximize the numerical benefit signal". The agent will not be told what action to take, but must try to find out which actions will produce the most lucrative benefits. Reinforcement learning is different from supervised learning and unsupervised learning in the field of machine learning. Supervised learning is the process of learning from labeled training data provided externally (task-driven), and unsupervised learning is the process of finding implicit structures in unlabeled data (data-driven). Reinforcement learning is the process of finding a better solution through "trials”. The agent must develop existing experience to obtain benefits, and also conduct trials so that it can obtain a better action selection space in the future (i.e. learn from mistakes). The algorithm designed based on reinforcement learning is called a reinforcement learning model.
  • Federated learning also known as collaborative learning
  • collaborative learning is a machine learning technique that trains algorithms on multiple decentralized edge devices or servers holding local data samples without exchanging them. This approach is in stark contrast to traditional centralized machine learning techniques, where all local datasets are uploaded to a single server for training.
  • Federated learning enables multiple participants to build a common, robust machine learning model without sharing data, allowing key issues such as data privacy, data security, data access rights, and access to heterogeneous data to be addressed.
  • AI model training refers to the process of using a specified initial model to calculate the training data, and adjusting the parameters in the initial model using a certain method based on the calculation results, so that the model gradually learns certain rules and has specific functions.
  • AI model reasoning is the process of using a trained AI model to calculate the input data and obtain the predicted reasoning results (also called output data).
  • the AI module is a module with AI learning and computing capabilities.
  • the AI module can be located in the operation administration and maintenance (OAM) network element, or in the RAN (e.g., the separation architecture is located in the CU), in some UEs, or as a separate network element entity.
  • OAM operation administration and maintenance
  • the main function of the AI module in a wireless communication system is to perform a series of AI calculations such as model building, training approximation, and reinforcement learning based on input data (e.g., in a wireless communication system, the input data can be network operation data provided by the RAN side or monitored by OAM, such as network load, channel quality, etc.).
  • the trained model provided by the AI module has the function of predicting network changes on the RAN side, and can usually be used for load prediction, UE trajectory prediction, etc.
  • the AI module can also perform policy reasoning from the perspectives of network energy saving and mobility optimization based on the prediction results of the trained model on the RAN network performance, so as to obtain reasonable and efficient energy saving strategies, mobility optimization strategies, etc.
  • the AI module When the AI module is located in OAM, its communication with the gNB on the RAN side can reuse the current northbound interface; when the AI module is located in the gNB or CU, the current F1, Xn, Uu and other interfaces can be reused; when the AI module becomes an independent network entity, it is necessary to re-establish the communication link to the OAM and RAN side, such as based on a wired link or a wireless link.
  • Model transfer The model is transferred from the network side to the UE side, or from the UE side to the network side, regardless of whether the transfer is implemented through air interface definition or non-air interface definition. If it is implemented through air interface definition, it can be called model transmission.
  • Model activation Enable (disable) an AI model for a specific AI application function.
  • Model switching For a specific AI application function, deactivate a currently activated model and activate another different model.
  • an AI function may include functional modules, such as AI CSI feedback is an AI function, and AI positioning is another AI function. It may also be at the configuration level, such as an AI CSI configuration is an AI function. It can also be at the usage scenario level, such as a specific usage scenario is an AI function.
  • Single-end model refers to model reasoning only on the network side or terminal side. Typical single-end model scenarios include AI beam management or AI positioning.
  • Two-end model refers to the model reasoning that requires the joint participation of the terminal and the network side, that is, the models on the terminal side and the network side constitute a whole model. After the terminal side reasoning is completed, the reasoning result is sent to the network side for further reasoning, so as to obtain the final output of the overall model.
  • Typical two-end model scenarios include AI CSI feedback.
  • Batch size Indicates the number of data (samples) that are passed to the AI model for training or reasoning at one time. For example, if the training set has 1,000 data, and batch_size is set to 100, the AI model will first use the first 100 parameters in the data set, that is, the 1st to 100th data, to train the AI model. When the training is completed, the weights are updated, and then the 101st to 200th data are used for training, and the training stops after the 1,000 data in the training set are used for the tenth time.
  • AI resources The AI resources involved in this application are virtual resources. Corresponding to physical resources, they can be storage resources in an AI processor, or computing resources of an AI processor, etc. Actual physical resources can be mapped to virtual resources through normalization and other methods.
  • the total AI resources of the AI processor can be mapped to 0.1 for an agreed nominal value (such as 1 gigabyte (GB)).
  • the maximum computing power of an AI processor is 1 Giga Floating-point Operations Per Second (GFLOPS).
  • GFLOPS Giga Floating-point Operations Per Second
  • the total resources of the AI processor can be mapped to 1.
  • CSI processing rules CSI calculation in NR consumes a lot of computing resources, including the need to complete channel measurement and channel estimation for the configured measurement resources, and calculate CSI based on the estimated results.
  • the concept of CSI processing unit CPU
  • the CSI processing unit is used to represent the ability of the terminal device to process CSI.
  • the CSI processing unit is a concept of virtual resources, not a specific physical resource concept. For example, a CPU is a computing core, and it can also be a computing thread, etc., which is not defined in the standard.
  • CSI calculations include multiple categories, such as different CSI calculation amounts, or different configurations of the measured channels, such as different numbers of ports.
  • the CPU will be different according to the different calculation contents, which is predefined for the protocol.
  • the terminal device's capability information will carry a total number of CPUs and report it to the network device.
  • the terminal device can calculate the current remaining CPU resources based on the number of currently occupied CPU resources L.
  • the CPU needs to be occupied from a specific symbol to perform CSI calculation.
  • the terminal device determines which CSI reports need to be updated based on the remaining CPU resources on the corresponding OFDM symbol.
  • the CPU is occupied for calculation, or which CSI reports do not need to be updated, and the specific determination can be made according to the priority predefined in the protocol. For example, the terminal device determines the priority of the corresponding report according to the type of report (such as periodic or semi-static or non-periodic), the reporting content (such as reference signal received power (RSRP) or signal to interference plus noise ratio (SINR)), the cell, or the report ID.
  • the type of report such as periodic or semi-static or non-periodic
  • the reporting content such as reference signal received power (RSRP) or signal to interference plus noise ratio (SINR)
  • RSRP reference signal received power
  • SINR signal to interference plus noise ratio
  • used for indication may include being used for direct indication and being used for indirect indication.
  • indication information When describing that a certain indication information is used for indicating A, it may include that the indication information directly indicates A or indirectly indicates A, but it does not mean that A must be included in the indication information.
  • the information indicated by the indication information is called the information to be indicated.
  • the information to be indicated can be sent as a whole, or it can be divided into multiple sub-information and sent separately, and the sending period and/or sending time of these sub-information can be the same or different.
  • the specific sending method is not limited in this application.
  • the sending period and/or sending time of these sub-information can be pre-defined, for example, pre-defined according to the protocol, or it can be configured by the transmitting device by sending configuration information to the receiving device.
  • the configuration information can be but is not limited to one or a combination of at least two of wireless resource control signaling, MAC layer signaling and physical layer signaling.
  • wireless resource control signaling for example, includes RRC signaling
  • MAC layer signaling for example, includes MAC CE
  • physical layer signaling for example, includes DCI.
  • the "storage” involved in the embodiments of the present application may refer to storage in one or more memories.
  • the one or more memories may be separately set or integrated in an encoder or decoder, a processor, or a communication device.
  • the one or more memories may also be partially separately set and partially integrated in a decoder, a processor, or a communication device.
  • the type of memory may be any form of storage medium, which is not limited by the present application.
  • the “protocol” involved in the embodiments of the present application may refer to a standard protocol in the communication field, for example, it may include an LTE protocol, an NR protocol, and related protocols used in future communication systems, and the present application does not limit this.
  • RRC radio resource control
  • the term "and/or" in this article is only a description of the association relationship of the associated objects, indicating that there can be three relationships.
  • a and/or B can mean: A exists alone, A and B exist at the same time, and B exists alone.
  • the character "/" in this article generally indicates that the associated objects before and after are in an "or" relationship.
  • the training or reasoning of the AI model is a computationally intensive task, it can generally be implemented through devices with denser computing units, such as GPUs or NPUs, to achieve higher computing efficiency. Therefore, the UE-side AI algorithm used for communication in the future may also follow this model and be executed on AI-specific hardware.
  • communication-related calculations may overlap in time, for example, for measurement resources, it is necessary to calculate the relevant reporting amount reported to the base station. Therefore, after the introduction of AI, the terminal may need to execute multiple AI models or AI functions at the same time.
  • the AI model may be used to generate relevant reports (called Normal AI reasoning), for example, in CSI, based on the measurement quantities supported by the air interface, such as channels, the model is input and the corresponding AI CSI report is output.
  • the reasoning of the AI model may also be used for model monitoring. Since the AI method is data-driven, the quality of the model generally depends on the quality of the collected data set. Therefore, compared with traditional algorithms, the performance of the AI algorithm may not be guaranteed when the scene or configuration changes, that is, the model performance may deteriorate due to substandard generalization performance. Therefore, AI model monitoring is very necessary.
  • the network side or UE can get results and monitor the performance of the model by running the AI model periodically, semi-statically or non-periodically.
  • the capabilities and resources of these devices on the terminal side may be limited (such as the number of AI accelerators, the number of accelerator cores, the memory size of the accelerator, etc.), when multiple AI models need to run simultaneously, it may not be possible to run all AI models. At this time, model conflicts occur, so it is necessary to solve the problem of which AI models are running and which AI models are not running among these conflicting models.
  • the present application provides a communication method, which mainly defines the terminal device's operation strategy for multiple AI models when multiple AI models need to be run simultaneously on the terminal device side, but are limited by the insufficient capabilities of the terminal AI processor.
  • the communication method provided in the embodiment of the present application can be applied to a system that communicates through a multi-antenna technology, for example, the communication system 100 shown in Figure 1.
  • the communication system may include at least one network device and at least one terminal device.
  • the network device and the terminal device can communicate through a multi-antenna technology.
  • the embodiments shown below do not specifically limit the specific structure of the execution subject of the method provided in the embodiments of the present application, as long as it is possible to communicate according to the method provided in the embodiments of the present application by running a program that records the code of the method provided in the embodiments of the present application.
  • the execution subject of the method provided in the embodiments of the present application may be a terminal device, or a functional module in the terminal device that can call and execute a program.
  • FIG2 is a schematic flow chart of a communication method provided by the present application. The method comprises the following steps:
  • the first AI model is used to determine the first report
  • the second AI model is used to determine the second report.
  • the reports involved in this embodiment include, but are not limited to: CSI measurement feedback report, positioning result report, beam management report, etc. It should be understood that the first report and the second report involved in this embodiment may be reports obtained by running the AI model, and examples are not given one by one here.
  • the first report may be one or more reports, and the reports determined based on the first AI model may be referred to as the first report.
  • the second report may be one or more reports, and the reports determined based on the second AI model may be referred to as the second report.
  • the network device can determine the number of AI resources required for the terminal device to simultaneously run the first AI model and the second AI model at the first moment on the premise that: the network device knows the number of AI resources required for the terminal device to run the first AI model, and knows the number of AI resources required for the terminal device to run the second AI model. For example, the terminal device reports the number of AI resources required to run the first AI model and the number of AI resources required to run the second AI model to the network device, so that the network device can determine the number of AI resources required for the terminal device to simultaneously run the first AI model and the second AI model at the first moment.
  • the terminal device may be triggered to run the first AI model and the second AI model simultaneously at the first moment through the following possible implementation methods:
  • the network device triggers the terminal device non-periodically through trigger information to simultaneously run the first AI model and the second AI model at a first moment to obtain the first report and the second report, and report them.
  • the network device sends trigger information to the terminal device at the first moment #1, and the trigger information is used to trigger the terminal device to measure the corresponding measurement resources, and report a first report and a second report, wherein the first report is determined based on the first AI model and the second report is determined based on the second AI model.
  • the first moment is the starting point of the time slot where the trigger information is located, and the trigger information and the reference signal are in the same time slot, and the starting point may be the first symbol of the time slot.
  • the terminal device determines the first report, which can be based on the corresponding measurement resources first, and then use the corresponding model based on the measurement results. Therefore, the first moment can refer to the moment where the measurement resource is located, such as the first symbol (or the starting time point of the first symbol) where the time domain resource position of the measurement resource is located, the first time slot (or the starting time point of the first time slot), the first subframe (or the starting time point of the first subframe), or the first radio frame (or the starting time point of the first radio frame), etc.
  • FIG 3 is a schematic diagram of the first moment provided by an embodiment of the present application. It can be seen from Figure 3 that the first moment refers to the first symbol where the required AI resource is located.
  • the trigger information carried by the physical downlink control channel (PDCCH) is sent in the first OFDM symbol.
  • the first moment is the first OFDM symbol where the measurement resource (such as the channel state information-reference signal (CSIRS) shown in Figure 3) is located.
  • CSIRS channel state information-reference signal
  • the measurement resources can be the corresponding reference signals.
  • the measurement resources are CSI-RS resources; for example, in beam management, the measurement resources are CSI-RS resources or synchronization signal block SSB resources; for example, in positioning, the measurement resources are positioning reference signal PRS resources, etc.
  • the network device first configures two AI CSI reporting configurations for the terminal device in the CSI measurement configuration (e.g., CSI-MeasConfig), for example, configures two CSI-ReportConfigs, and configures the corresponding CSI report as an AI report in the CSI-ReportConfig, and the AI model used by the CSI report can also be indicated in the relevant report configuration.
  • CSI-MeasConfig CSI-MeasConfig
  • the two CSI report configurations and the corresponding measurement resources are associated therein (the measurement resources associated with the two reports may be the same or different), so that the network device side can dynamically trigger the aperiodic CSI-RS measurement and reporting corresponding to the two CSI reports at the first moment #1 through DCI indication.
  • the first moment can be the symbol, time slot, subframe, or start time of the radio frame where the DCI or aperiodic CSI-RS is located.
  • the measurement resources are also sent in the time slot where the first moment #1 is located, and the terminal device also starts measuring the corresponding CSI-RS resources in the time slot where the first moment #1 is located.
  • the network device first configures two beam measurement sets or reference signal sets SetB#1 and SetB#2 for the terminal device in the beam management measurement configuration (such as Beam-MeasConfig or CSI-MeasConfig), wherein SetB#1 is used for beam prediction in the spatial domain, and is used for the terminal to use AI model #1 to predict the best beam in the spatial domain beam set SetA#1, and SetB#2 is used for beam prediction in the time domain, and is used for the terminal to use AI model #2 to predict the best beam in the time domain beam set SetA#2.
  • the beam management measurement configuration such as Beam-MeasConfig or CSI-MeasConfig
  • the two beam management report configurations and corresponding measurement resources are associated therein (the measurement configuration associated with one report is SetB#1, and the measurement configuration associated with the other report is SetB#2), so that the network device side can dynamically trigger the two non-periodic beam measurements and reports at the first moment #1 through DCI indication.
  • the network device first configures the AI positioning measurement report for line-of-sight (LOS) or non-line-of-sight (NLOS) judgment and the AI positioning measurement report for obtaining the time of arrival (TOA) for the terminal device in the positioning-related configuration.
  • the two measurement reports are obtained using AI model #1 and AI model #2 respectively, and the two AI positioning reports are associated with the same PRS measurement resource.
  • the network device associates the two positioning reports in the same trigger state, so that the network device side can dynamically trigger the two non-periodic positioning measurements and reports at the first moment #1 through DCI indication.
  • the network device configures the terminal device to periodically determine the first report and the second report, wherein the moments for periodically or semi-statically determining the first report and the second report include the above-mentioned first moment, so that the terminal device determines to simultaneously run the first AI model and the second AI model at the first moment.
  • the first report can be a non-periodic report
  • the second report can be a periodic report (or the first report is a periodic report, and the second report is a non-periodic report)
  • the starting time of the measurement resources corresponding to the first report and the starting time of the measurement resources corresponding to the second report are both the first time.
  • the first report and the second report can be any combination of an AI CSI measurement feedback report, an AI beam management report, or an AI positioning measurement report.
  • the first report can be an AI CSI measurement feedback report
  • the second report can be an AI beam management report.
  • determining the number of AI resources required for the terminal device to simultaneously run the first AI model and the second AI model at the first moment can be understood as: determining the number of AI resources required for the first AI model and the second AI model to occupy each other starting from the first moment.
  • the number of AI resources required for the AI model to be occupied may refer to the process from the terminal device measuring the corresponding measurement resources to the end of reporting the corresponding report, or the process from the terminal device measuring the corresponding measurement resources to obtaining the corresponding report, or the process from the terminal device inputting the measurement results into the model to obtaining the corresponding report, etc.
  • This is not limited in this embodiment.
  • there may be multiple definitions of the time period for running the AI model to occupy AI resources, which is not limited in this embodiment.
  • the time period for running the AI model to occupy the number of AI resources is from the first symbol or the first time slot where the time domain resource location of the measurement resource is located, etc., until the end time point of the last symbol of the physical uplink shared channel (PUSCH) or physical uplink control channel (PUCCH) carrying the report.
  • PUSCH physical uplink shared channel
  • PUCCH physical uplink control channel
  • the number of AI resources occupied by the first AI model starting at the first moment is number #1
  • the number of AI resources occupied by the second AI model starting at the first moment is number #2
  • the number of AI resources required for the terminal device to simultaneously run the first AI model and the second AI model at the first moment is number #1 + number #2.
  • the number of AI resources required for multiple AI models simultaneously running on the terminal device at the first moment can be determined.
  • the example of determining the number of AI resources required for the terminal device to simultaneously run the first AI model and the second AI model at the first moment is used for illustration.
  • the number of AI resources required for the first AI model, the second AI model, and the third AI model simultaneously running on the terminal device at the first moment can also be determined, which is not repeated here.
  • the terminal device after determining the number of AI resources required for the terminal device to simultaneously run the first AI model and the second AI model at the first moment, it can be determined whether the terminal device can obtain the first report and the second report based on the first AI model and the second AI model respectively at the first moment based on the number of AI resources available to the terminal device at the first moment and the required number of AI resources obtained by the aforementioned determination.
  • the method flow shown in FIG. 2 also includes:
  • the terminal device and the network device determine whether the terminal device can obtain the first report and the second report.
  • This embodiment mainly considers the situation that the terminal device needs to run multiple AI models at the same time, but the terminal device AI processor capacity is insufficient. Take the example that the terminal device needs to run the first AI model and the second AI model at the same time, and the terminal device AI processor capacity cannot support the operation of the first AI model and the second AI model at the same time, such as the terminal device supports the operation of the first AI model at the first moment, but does not support the operation of the second AI model.
  • FIG4 is used to illustrate the situation where the network device triggers the terminal device to report the first report and the second report, but the terminal device cannot support the operation of the first AI model and the second AI model at the same time.
  • FIG4 is a schematic diagram of a resource conflict of an AI model provided in an embodiment of the present application.
  • the total number of AI resources of the terminal device is 2 (such as AI resource #1' and AI resource #2' shown in FIG4), and the number of AI resources that each AI model needs to occupy is 1 (such as the occupied AI resource #1' or AI resource #2' shown in FIG4).
  • the network device triggers the terminal device to non-periodically report CSI report #1 and CSI report #2 through DCI #1 at the first moment #1 (e.g., the AI resource required for determining CSI report #1 as shown in Figure 4 is AP-CSIRS #1, and the AI resource required for determining CSI report #2 is AP-CSIRS #2.
  • the AP-report #1 shown in Figure 4 is CSI report #1, and AP-report #2 is CSI report #2), and triggers the terminal device to non-periodically report positioning report #1 through DCI #2 at the first moment #2 (e.g., the AI resource required for determining positioning report #1 as shown in Figure 4 is AP-PRS #1, and the AP-pos #1 shown in Figure 4 is positioning report #1).
  • the terminal device determines CSI report #1 and CSI report #2 based on the AI model
  • the number of AI resources available to the terminal device is 1 (because AI resource #1’ is occupied by the periodic CSI report, and the AI resource required for determining the periodic CSI report as shown in Figure 4 is P-CSIRS, and the P-report shown in Figure 4 is the periodic CSI report).
  • AI resource #2’ is used to support the determination of CSI report #1, so the terminal device does not support the determination of CSI report #2 based on the AI model; when the terminal device determines the positioning report #1 based on the AI model, among the number of AI resources available to the terminal device, AI resource #1’ is released, and AI resource #2’ is occupied by the periodic CSI report.
  • the terminal device can occupy AI resource #1’ and determine the positioning report #1 based on the AI model.
  • the terminal device and the network device determine the number of AI resources available to the terminal device at the first moment and ... Determine the amount of AI resources required to run the first AI model and the second AI model, and determine that the terminal device can report the first report at the second moment, but cannot report the second report at the second moment.
  • the terminal device can run the first AI model at the first moment to obtain a first report, and report it at the second moment; and the terminal device cannot run the second AI model at the first moment to obtain a second report.
  • the terminal device can determine how to allocate the available AI resources based on the amount of AI resources required by different AI models.
  • the first AI model is one AI model
  • the second AI model is also one AI model.
  • the first AI model is AI model #1
  • the second AI model is AI model #2
  • the number of AI resources required to run AI model #1 and AI model #2 at the first moment is AI resource number #1.
  • the terminal device determines, based on the number of AI resources available at the first moment and the number of AI resources #1, that the first report is reported at the second moment, and determines that the second report cannot be reported at the second moment, including:
  • the terminal device determines, based on the number of AI resources available at the first moment and the number of AI resources #1, that the number of AI resources available at the first moment is less than the number of AI resources #1;
  • the terminal device determines that the number of AI resources #3 required by AI model #1 is less than the number of AI resources #2 required by AI model #2, and allocates the number of AI resources #3 from the number of AI resources available at the first moment to AI model #1;
  • the terminal device determines that the first report corresponding to AI model #1 allocated to AI resource quantity #3 is reported at the second moment, and determines that the second report corresponding to AI model #2 not allocated to AI resource quantity #2 cannot be reported at the second moment.
  • the terminal device can also allocate AI resources to more than two AI models based on the AI resources required by each of the two or more AI models.
  • the first AI model is a plurality of AI models
  • the second AI model is also a plurality of AI models.
  • the first AI model includes AI model #1_1 and AI model #1_2, and AI model #1_1 and AI model #1_2 can be referred to as AI model combination #1;
  • the second AI model includes AI model #2_1 and AI model #2_2, and AI model #2_1 and AI model #2_2 can be referred to as AI model combination #2.
  • the terminal device determines, based on the number of AI resources available at the first moment and the number of AI resources #1, that the first report is reported at the second moment, and determines that the second report cannot be reported at the second moment, including:
  • the terminal device determines, based on the number of AI resources available at the first moment and the number of AI resources #1, that the number of AI resources available at the first moment is less than the number of AI resources #1;
  • the terminal device determines that the number of AI resources #1_1 required by the AI model combination #1 is less than the number of AI resources #2_1 required by the AI model #2, and allocates the number of AI resources #1_1 of the available AI resources at the first moment to the AI model combination #1;
  • the terminal device determines that the first report corresponding to the AI model combination #1 allocated to the AI resource quantity #1_1 is reported at the second moment, and determines that the second report corresponding to the AI model combination #2 not allocated to the AI resource quantity #2_1 cannot be reported at the second moment.
  • the terminal device can also allocate AI resources to more than two AI model combinations based on the AI resources required by each of the more than two AI model combinations.
  • the first AI model may be a set including AI models and AI model combinations.
  • the second AI model may be a set including AI models and AI model combinations.
  • the terminal device may determine the number of AI resources required for the first AI model based on the AI models and AI model combinations included in the first AI model, and determine the number of AI resources required for the second AI model based on the AI models and AI model combinations included in the second AI model. After determining the number of AI resources required for the first AI model and the second AI model, the available number of AI resources are allocated according to the above-mentioned method, which will not be repeated here.
  • the terminal device can determine how to allocate available AI resources based on the priorities of different AI models. Number of sources.
  • the first AI model is one AI model
  • the second AI model is also one AI model.
  • the first AI model is AI model #1
  • the second AI model is AI model #2
  • the number of AI resources required to run AI model #1 and AI model #2 at the first moment is AI resource number #1.
  • the terminal device determines, based on the number of AI resources available at the first moment and the number of AI resources #1, that the first report is reported at the second moment, and determines that the second report cannot be reported at the second moment, including:
  • the terminal device determines, based on the number of AI resources available at the first moment and the number of AI resources #1, that the number of AI resources available at the first moment is less than the number of AI resources #1;
  • the terminal device determines that the priority of AI model #1 is higher than the priority of AI model #2, and allocates AI resource number #3 of the AI resource number available at the first moment to AI model #1;
  • the terminal device determines that the first report corresponding to AI model #1 allocated to AI resource quantity #3 is reported at the second moment, and determines that the second report corresponding to AI model #2 not allocated to AI resource quantity #2 cannot be reported at the second moment.
  • the terminal device allocates AI resources to different AI models using the example of the terminal device allocating AI resources to AI model #1 and AI model #2 based on the priorities of AI model #1 and AI model #2 does not constitute any limitation on the scope of protection of the present application.
  • the terminal device can also allocate AI resources to more than two AI models based on the priorities of more than two AI models.
  • the terminal device determines that multiple AI models need to be run simultaneously at the first moment, and determines the AI models that prioritize the use of AI resources in turn according to the priorities of the multiple AI models, until the number of AI resources available at the first moment is fully occupied. For example, among the number of AI resources available at the first moment, the AI model corresponding to the priority P1 is run first to occupy the AI resources. If there are remaining AI resources after the AI model corresponding to P1 occupies the number of AI resources, the AI model with the priority P2 is run to occupy the AI resources, where the priority of P1 is higher than the priority of P2.
  • the number of AI resources is allocated according to the number of AI resources required by each of them. For example, if the first AI model and the second AI model have the same priority, the number of AI resources is allocated to the first AI model and the second AI model according to the first AI resource number required by the first AI model and the second AI resource number required by the second AI model.
  • the above-mentioned first AI model is a plurality of AI models
  • the second AI model is also a plurality of AI models.
  • the first AI model includes AI model #1_1 and AI model #1_2, and AI model #1_1 and AI model #1_2 can be referred to as AI model combination #1;
  • the second AI model includes AI model #2_1 and AI model #2_2, and AI model #2_1 and AI model #2_2 can be referred to as AI model combination #2.
  • the priority of the AI model combination can be defined in a predetermined manner, such as pre-defining the priority of the AI model combination as the priority corresponding to a higher or lower AI model.
  • the priority of the AI model combination can also be defined directly, such as directly defining the priority of model combination #1 and model combination #2, without obtaining the priority of the model combination according to the priority of the AI models in the AI model combination.
  • the terminal device can determine the priorities of different AI models or AI model combinations by itself; alternatively, the network device can indicate the priorities of different AI models or AI model combinations through first indication information.
  • the network device can indicate the priorities of different AI models or AI model combinations through first indication information.
  • the terminal device sends a first report and a second report to the network device.
  • the terminal device and the network device determine that the terminal device cannot run the second AI model at the first moment to obtain the second AI model.
  • the second report includes: the terminal device and the network device determine that the terminal device can run the second AI model after the first moment to obtain the second report, and report the second report at a third moment after the second moment. For example, the terminal device can run the second AI model to obtain the second report after some AI resources are released.
  • Method 2 The terminal device reports the first report at the second moment, and does not report the second report at the second moment. This can be understood as an agreement between the terminal device and the network device that the report that cannot be obtained by running the AI model at the first moment can be not reported.
  • the network device may receive the first report of the terminal device at the fourth moment (if the air interface delay is not considered, the fourth moment is the second moment mentioned above), and the second report is not received.
  • the method flow shown in FIG. 2 also includes:
  • the terminal device and the network device determine that the terminal device cannot run the second AI model at the first moment to obtain the second report, including: the terminal device and the network device determine that the terminal device does not report the second report at the second moment.
  • Method 3 The terminal device reports the first report and the third report at the second moment, the third report is determined based on the non-AI model, and the third report is related to the second report. It can be understood that the terminal device and the network device agree that the report that cannot be obtained by running the AI model at the first moment can be determined and reported by the non-AI model.
  • the method determined by the non-AI model may be to determine the report based on the legacy method, such as the PMI report determined by the codebook-based method of NR R15/R16/R17, wherein the legacy method may be to execute an algorithm on a general-purpose processor to determine the third report.
  • the legacy method may be to execute an algorithm on a general-purpose processor to determine the third report.
  • the traditional computing resources such as DSP resources
  • the third report may be calculated and reported using the legacy method.
  • the network device can associate the relevant configuration of the third report in the configuration related to the second report, such as the reporting information or reporting amount of the third report, the physical resources carrying the third report, etc.
  • the terminal device uses the configuration of the associated third report to report the third report.
  • the terminal device can send a request message #1 to the network device, where the request message #1 is used to request the network device to agree to determine and report based on the traditional method. If the network device agrees to determine and report based on the traditional method, the terminal device reports a third report.
  • the terminal device carries the third report and the identifier of the third report in a pre-allocated reporting air interface channel, and the identifier of the third report indicates that the third report is a traditional report rather than a report determined based on the AI model.
  • the third report and the identifier of the third report may be carried in RRC signaling.
  • the network device may receive the first report and the third report of the terminal device at the fourth moment (if the air interface delay is not considered, the fourth moment is the second moment mentioned above), then in the case shown in the third mode, the method flow shown in FIG. 2 further includes:
  • the above-mentioned methods 1 to 3 list several processing strategies implemented by the terminal device and the network device when the terminal device cannot start running the second AI model at the first moment to obtain the second report. It should be noted that this embodiment does not limit how the terminal device specifically handles the conflict situation in which the second report cannot be obtained based on the second AI model.
  • the processing method for the conflict situation can be agreed upon in advance with the network device.
  • the first AI model can also be understood as a first type of AI model.
  • the second AI model can also be understood as a second type of AI model.
  • the number of AI resources available on the terminal device cannot support the simultaneous operation of the first type of AI model and the second type of AI model.
  • AI model for example, at a first moment, the AI resources available to the terminal device support the operation of a first type of AI model, then multiple AI models of the first type can start running at the same time at the first moment and occupy AI resources.
  • the AI model on the terminal device side may be received from the network device side.
  • the following will describe in detail how the network device sends the AI model to the terminal device in conjunction with Figure 6, which will not be described in detail here.
  • the AI model on the terminal device side may also be determined by the terminal device itself.
  • the AI model required to be used on the terminal device side (whether it is the terminal device side AI model in the dual-end model or only the single-end model) is developed separately for the terminal device or chip manufacturer. In this embodiment, there is no restriction on how the terminal device obtains the AI model.
  • the terminal device sends first information to the network device, or the network device receives first information from the terminal device.
  • the first information is used to indicate the number of AI resources required for each AI model in at least one AI model of the terminal device, and the number of AI resources required for different AI model combinations composed of the at least one AI model.
  • the resources required for the AI model combination can be understood as the number of AI resources occupied when multiple AI models on the terminal device side are running at the same time. For example, the number of AI resources occupied when AI model #n and AI model #m on the terminal device side are running at the same time.
  • Two AI models forming an AI model combination is just an example, and it may not be limited to two in actual implementation.
  • the terminal device can report the number of AI resources required by the second AI model through the first information. If the second AI model includes multiple AI models #2, the first information is used to report the number of AI resources required for each AI model #2 in the multiple AI models #2, and the number of AI resources required for each AI model combination #2 in at least one AI model combination #2 composed of multiple AI models #2, and AI model combination #2 includes multiple AI models #2.
  • the terminal device can consider the number of AI resources required by different AI models and allocate the number of AI resources.
  • the number of AI resources required by different AI models or AI model combinations shown in Table 1 is combined with specific examples to illustrate how the terminal device allocates the number of AI resources.
  • Example 1 The number of AI resources available to the terminal device at time #1 is 0.4. Based on the number of AI resources required for different AI models, the terminal device can determine that it supports running Model 1 but not Model 2 at time #1.
  • Example 2 The number of AI resources available to the terminal device at time #1 is 0.6. Since Model 1 and Model 2 have been jointly optimized to ⁇ Model 1, Model 2 ⁇ , the number of AI resources required is 0.5. Therefore, Model 1 and Model 2 can be supported at the same time.
  • Example 3 The terminal device can determine the number of AI resources actually required by the AI model based on the input sample size (i.e. batch_size) corresponding to different AI models. For example, if Model 1 uses two corresponding CSI reports, two samples can be input into Model 1 at one time, and the resource usage of Model 1 is 0.4.
  • the process of the terminal device sending the first information to the network device can be understood as the terminal device capability reporting stage, that is, the reported content can be carried in the terminal device capability information (UECapabilityInformation), for example, the first information is sent to the network device in UECapabilityInformation.
  • the terminal device capability reporting stage that is, the reported content can be carried in the terminal device capability information (UECapabilityInformation)
  • UECapabilityInformation terminal device capability information
  • the terminal device may also send the first information to the network device through other signaling.
  • the terminal device sends the number of AI resources required by the local AI model to the network device through RRC signaling or MAC CE or UCI.
  • ModelResourceInfo which carries the model ID or identifier (such as the above-mentioned ModelId field) and the number of AI resources corresponding to the AI model (such as the above-mentioned Resource field).
  • the number of AI resources can be one of a set of discrete values.
  • FIG5 is used to illustrate how to send the number of AI resources, which is a schematic diagram of reporting the number of AI resources provided in an embodiment of the present application.
  • a 1-byte MAC-CE signaling is used to describe the AI model and the number of AI resources required for the AI model, where the number of AI resources can be represented by n1 (e.g., 6) bits, which are used to represent a value in a discrete value set (i.e., a possible set of AI resource quantities).
  • the network device and the terminal device agree in advance on the corresponding UCI format, for example, first reporting the number of AI models that need to report resources, and then reporting the identification ID of each AI model and the number of AI resources required.
  • the information in the UCI can be encoded independently or jointly. It can be carried in the PUCCH channel or the PUSCH channel.
  • the network device and the terminal device may have a default value for the number of AI resources required for the AI model or AI model combination, such as a default value predetermined by the protocol, such as 0.1. If the corresponding resource occupancy value is not configured for a certain AI model or AI model combination in the above configuration, it is considered that the default value is used.
  • the terminal device sends the second information to the network device, or the network device receives the second information from the terminal device.
  • the second information is used to report the number of AI resources required after an update of any AI model among the multiple AI models and the number of AI resources required after an update of the AI model combination including the any AI model.
  • the terminal device notifies the network device through the second information that the number of AI resources required for AI model #1 changes from O#1 to O#2 (for example, the second information indicates O#2 or the second information indicates the difference between O#1 and O#2, etc.).
  • AI model #1 is updated, and the AI model combination containing AI model #1 includes AI model combination #1 and AI model combination #2, then the terminal device indicates the number of AI resources required by AI model combination #1 and AI model combination #2 through second information, and the number of AI resources required after the update.
  • the number of AI resources required by AI model combination #1 is O#1′
  • the number of AI resources required by the updated AI model combination #1 is O#2′.
  • the structure of AI model #1 changes, or the structure of AI model #1 remains unchanged but only the parameters of AI model #1 change.
  • the number of parameters may change, or the operator used by AI model #1 may change, which may cause the memory occupied by AI model #1 in the AI processor or the computing resources consumed when executing the model to change, thereby causing the number of AI resources required by AI model #1 to change; if the structure of AI model #1 remains unchanged but the parameters of AI model #1 change, a large number of parameters may be 0, which may also cause the memory occupied by AI model #1 to change, thereby causing the number of AI resources required by AI model #1 to change.
  • the second information is related signaling for updating capability information of the terminal device.
  • the implementation method of MAC-CE of the first information can be similar, and each AI model uses 1 byte of MAC-CE to indicate the required number of AI resources. Regardless of whether an update occurs, the MAC-CE corresponding to all AI models and AI model combinations will be sent.
  • FIG7 is a schematic flow chart of another communication method provided by the present application, comprising the following steps:
  • the fourth information is used to report the number of AI resources required by each AI function in the at least one AI function.
  • Example 4 The number of AI resources available to the terminal device at time #1 is 0.4. Based on the number of AI resources required for different AI functions, the terminal device can determine to support AI CSI feedback but not AI beam management at time #1.
  • the terminal device reports the updated number of AI resources required for the AI function to the network device.
  • the network device can trigger the terminal device to perform an uplink report based on the AI function.
  • an AI resource occupancy conflict occurs during the uplink report based on the AI function of the terminal device (for example, multiple AI functions need to be run simultaneously on the terminal device side, but the AI processor capacity of the terminal device is insufficient)
  • the reporting process can refer to the communication method shown in Figure 2, which will not be repeated here; if no AI resource occupancy conflict occurs during the uplink report based on the AI function of the terminal device, the terminal device can obtain the corresponding report based on the AI function and report it.
  • the terminal can dynamically update the number of AI resources required for its AI function and report it to the network device, so that the network device and the terminal device can reach a consensus on the use rules and usage of the AI function. And it can be combined with the communication method shown in FIG2 to determine which AI functions need to run first when multiple AI functions need to run at the same time, and can reach a consensus on the processing method of the report corresponding to the unusable AI function.
  • FIG8 is a schematic flow chart of another communication method provided by the present application, comprising the following steps:
  • the first indication information is used to indicate the priority of each AI model in at least one local AI model of the terminal device.
  • the network device determines the priority of different AI models based on its own situation and the AI model usage of the terminal device, and sends the first indication information indicating the priority of different AI models to the terminal device.
  • the use priority of the AI model can be lowered without shutting down or deactivating the AI model. If there are not sufficient AI resources, the AI model will not be used.
  • the inconsistency can be handled in a predetermined manner, for example, the priority of the AI model combination can be predefined as the priority corresponding to the higher or lower AI model.
  • the network device may send one or more AI models to the terminal device in any of the following ways:
  • FIG10 is a schematic block diagram of a communication device 10 provided in an embodiment of the present application.
  • the device 10 includes a transceiver module 11 and a processing module 12.
  • the transceiver module 11 can implement corresponding communication functions, and the processing module 12 is used to perform data processing, or in other words, the transceiver module 11 is used to perform operations related to receiving and sending, and the processing module 12 is used to perform other operations besides receiving and sending.
  • the transceiver module 11 can also be called a communication interface or a communication unit.
  • the transceiver module 11 can be used to execute the steps of sending and receiving information in the method, such as steps S231, S232 and S233; the processing module 12 can be used to execute the processing steps in the method, such as steps S210 and S220.
  • the transceiver module 11 may be used to execute the steps of sending and receiving information in the method, such as step S510 ; and the processing module 12 may be used to execute the processing steps in the method.
  • module here may refer to an application specific integrated circuit (ASIC), an electronic circuit, a processor (such as a shared processor, a dedicated processor or a group processor, etc.) and a memory for executing one or more software or firmware programs, a merged logic circuit and/or other suitable components that support the described functions.
  • ASIC application specific integrated circuit
  • processor such as a shared processor, a dedicated processor or a group processor, etc.
  • memory for executing one or more software or firmware programs, a merged logic circuit and/or other suitable components that support the described functions.
  • the device 10 may be specifically a mobile management network element in the above-mentioned embodiment, and may be used to execute the various processes and/or steps corresponding to the mobile management network element in the above-mentioned method embodiments; or, the device 10 may be specifically a terminal device in the above-mentioned embodiment, and may be used to execute the various processes and/or steps corresponding to the terminal device in the above-mentioned method embodiments. To avoid repetition, it will not be repeated here.
  • the device 20 further includes a transceiver 23, and the transceiver 23 is used for receiving and/or sending signals.
  • the processor 21 is used to control the transceiver 23 to receive and/or send signals.
  • the processor is a general-purpose processor, DSP, ASIC, FPGA or other programmable logic device, discrete gate or transistor logic device, discrete hardware component, the memory (storage module) can be integrated into the processor.
  • memory described herein is intended to include, but is not limited to, these and any other suitable types of memory.
  • FIG12 is a schematic diagram of a chip system 30 provided in an embodiment of the present application.
  • the chip system 30 (or also referred to as a processing system) includes a logic circuit 31 and an input/output interface 32.
  • the logic circuit 31 can be a processing circuit in the chip system 30.
  • the logic circuit 31 can be coupled to the storage unit and call the instructions in the storage unit so that the chip system 30 can implement the methods and functions of each embodiment of the present application.
  • the input/output interface 32 can be an input/output circuit in the chip system 30, outputting information processed by the chip system 30, or inputting data or signaling information to be processed into the chip system 30 for processing.
  • the chip system 30 is used to implement the operations performed by the terminal device in the above various method embodiments.
  • the logic circuit 31 is used to implement the processing-related operations performed by the terminal device in the above method embodiment
  • the input/output interface 32 is used to implement the sending and/or receiving-related operations performed by the terminal device in the above method embodiment.
  • An embodiment of the present application also provides a computer-readable storage medium on which computer instructions for implementing the methods executed by the device in the above-mentioned method embodiments are stored.
  • An embodiment of the present application also provides a computer program product, comprising instructions, which, when executed by a computer, implement the methods performed by a terminal device or a network device in the above-mentioned method embodiments.
  • An embodiment of the present application also provides a communication system, including the aforementioned terminal device and network device.
  • the disclosed devices and methods can be implemented in other ways.
  • the device embodiments described above are only schematic.
  • the division of the units is only a logical function division. There may be other division methods in actual implementation, such as multiple units or components can be combined or integrated into another system, or some features can be ignored or not executed.
  • the mutual coupling or direct coupling or communication connection shown or discussed can be through some interfaces, indirect coupling or communication connection of devices or units, which can be electrical, mechanical or other forms.
  • the computer can be a general-purpose computer, a special-purpose computer, a computer network, or other programmable devices.
  • the computer can be a personal computer, a server, or a network device, etc.
  • the computer instructions can be stored in a computer-readable storage medium, or transmitted from one computer-readable storage medium to another computer-readable storage medium, for example, the computer instructions can be transmitted from a website site, computer, server or data center by wired (e.g., coaxial cable, optical fiber, digital subscriber line (DSL)) or wireless (e.g., infrared, wireless, microwave, etc.) mode to another website site, computer, server or data center.
  • the computer-readable storage medium can be any available medium that a computer can access or a data storage device such as a server or data center that contains one or more available media integrations.
  • the available medium may be a magnetic medium (e.g., a floppy disk, a hard disk, a magnetic tape), an optical medium (e.g., a DVD), or a semiconductor medium (e.g., a solid state disk (SSD)).
  • the aforementioned available medium includes, but is not limited to, various media that can store program codes, such as a USB flash drive, a mobile hard disk, a read-only memory (ROM), a random access memory (RAM), a magnetic disk or an optical disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供一种通信方法，包括：终端设备确定在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量，第一AI模型用于确定第一报告，第二AI模型用于确定第二报告；终端设备根据第一时刻可用的AI资源数量和所需的AI资源数量，确定第一报告在第二时刻上报，终端设备采用以下方式中的任一种向网络设备上报报告：终端设备在第二时刻上报第一报告，以及在第二时刻之后上报第二报告；或者，在第二时刻上报第一报告，以及在第二时刻不上报第二报告；或者，在第二时刻上报第一报告和第三报告，第三报告基于非AI模型确定。针对无法上报的报告，定义终端设备的处理方式，避免网络设备误认为是链路质量等原因而无法收到相应报告。

Description

一种通信方法、网络设备和终端设备
本申请要求于2023年01月6日提交国家知识产权局、申请号为202310020588.6、发明名称为“一种AI冲突的处理方法、终端设备、网络设备、通信系统”和于2023年02月14日提交国家知识产权局、申请号为202310149561.7、发明名称为“一种通信方法、网络设备和终端设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请实施例涉及通信领域，具体涉及一种通信方法、网络设备和终端设备。
背景技术
第五代(5th generation，5G)系统中，已经引入对于空口人工智能(artificial intelligence，AI)的相关讨论，例如，使用AI解决信道状态信息(channel state information，CSI)反馈、波束管理、定位等问题。借助AI强大的学习能力，可以取得相比现有算法更佳的性能，因此未来可能使用不同的AI模型替代传统的算法模块解决特定的通信问题。传统的通信算法实现中，终端设备侧的算法一般在通用处理器上执行，如中央处理单元、数字信号处理器(Digital Signal Processor，DSP)等。由于AI模型的训练或推理属于计算密集型的任务，一般可以通过计算单元更密集的器件，例如图形处理器(graphics processing unit，GPU)、网络处理单元(Network Processing Unit，NPU)等器件实现，达到更高的计算效率。因此，未来应用于通信的终端设备侧AI算法，也可能沿用这种模式，在AI专用的硬件上执行。
对于终端设备而言，通信相关的计算可能在时间上有重合，例如针对测量资源，要计算上报给网络设备的相关上报量等。因此，在引入AI后，终端可能存在需要同时执行多个AI模型或功能的情况。针对终端设备侧出现同时需要运行多个AI模型，但终端设备AI处理器能力不够的情况，如何定义终端设备对于多个AI模型的运行策略成为亟待解决的问题。
发明内容
本申请实施例提供一种通信方法，以便于在多个AI模型无法同时运行获得多个报告的情况下，定义终端设备的处理策略，避免网络设备误认为是链路质量等原因而无法收到相应报告。
第一方面，提供了一种通信方法。该方法可以由终端设备执行，也可以由终端设备的组成部件(例如芯片或者电路)执行，本申请对此不作限定。为了便于描述，下面以终端设备执行为例进行说明。
该通信方法包括：终端设备确定在第一时刻同时运行第一人工智能AI模型和第二AI模型所需的AI资源数量，所述第一AI模型用于确定第一报告，所述第二AI模型用于确定第二报告；所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在第二时刻上报；所述终端设备在所述第二时刻上报所述第一报告，以及在所述第二时刻之后的第三时刻上报所述第二报告；或者，所述终端设备在所述第二时刻上报所述第一报告，以及在所述第二时刻不上报所述第二报告；或者，所述终端设备在第二时刻上报所述第一报告和第三报告，所述第三报告基于非AI模型确定，且所述第三报告与所述第二报告相关。
基于上述技术方案，针对无法在第一时刻基于第二AI模型获得的第二报告，定义终端设备的多种不同的处理策略：可以是延迟上报(如，至第一时刻之后基于第二AI模型获得的第二报告，并在第二时刻之后上报)，还可以是不上报(如，终端设备不上报第二报告)，还可以是在第一时刻通过其他方式确定得到第三报告(如，基于非AI模型确定的方式，确定得到第三报告，并在第二时刻上报)等。该多种不同的处理策略可以是终端设备和网络设备协商确定的，也可以是网络设备配置给终端设备的，还可以是预配置在终端设备和网络设备中的，从而可以避免网络设备误认为是链路质量等原因而无法收到相应报告。
结合第一方面，在第一方面的某些实现方式中，所述终端设备根据所述第一时刻可用的AI资源数量 和所述所需的AI资源数量，确定所述第一报告在第二时刻上报，包括：所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在所述第二时刻上报，以及确定在所述第二时刻无法上报所述第二报告。
基于上述技术方案，终端设备可以根据第一时刻可用的AI资源数量和在第一时刻运行第一AI模型和第二AI模型所需的AI资源数量，确定可以在第一时刻运行第一AI模型获取第一报告，以及无法在第一时刻运行第二AI模型获得第二报告。从而终端设备确定可以在第二时刻上报第一报告，但是无法在第二时刻上报第二报告。
结合第一方面，在第一方面的某些实现方式中，在所述终端设备在第二时刻上报所述第一报告，以及在所述第二时刻之后的第三时刻上报所述第二报告的情况下，所述终端设备确定在所述第二时刻无法上报所述第二报告，包括：所述终端设备确定在所述第二时刻之后的第三时刻上报所述第二报告。
基于上述技术方案，终端设备在第二时刻上报第一报告以及在第二时刻之后的第三时刻上报第二报告的前提是，终端设备确定在第二时刻无法上报第二报告，但是终端设备可以在第二时刻之后的第三时刻上报该第二报告，也就是说终端设备可以在某些AI资源被释放之后，运行该第二AI模型获得第二报告并上报，从而避免网络设备无法获得该第二报告。
结合第一方面，在第一方面的某些实现方式中，在所述终端设备在第二时刻上报所述第一报告，以及在所述第二时刻不上报所述第二报告的情况下，所述终端设备确定在所述第二时刻无法上报所述第二报告，包括：所述终端设备确定在所述第二时刻不上报所述第二报告。
结合第一方面，在第一方面的某些实现方式中，所述终端设备在第二时刻上报所述第一报告和所述第三报告的情况下，所述终端设备确定在所述第二时刻无法上报所述第二报告，包括：所述终端设备确定在所述第一时刻基于非AI模型确定所述第三报告，并在所述第二时刻上报所述第三报告。
结合第一方面，在第一方面的某些实现方式中，所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在所述第二时刻上报，以及确定在所述第二时刻无法上报所述第二报告，包括：所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一时刻可用的AI资源数量少于所述所需的AI资源数量，所述所需的AI资源数量为所述第一AI模型所需的第一AI资源数量和所述第二AI模型所需的第二AI资源数量之和；所述终端设备确定所述第一AI资源数量少于所述第二AI资源数量，并将所述第一时刻可用的AI资源数量中的所述第一AI资源数量分配给所述第一AI模型；所述终端设备确定分配到所述第一AI资源数量的第一AI模型对应的第一报告在所述第二时刻上报，以及确定未分配到所述第二AI资源数量的第二AI模型对应的第二报告无法在所述第二时刻上报。
基于上述技术方案，终端设备确定第一时刻可用的资源无法满足同时运行第一AI模型和第二AI模型的情况下，可以优先满足所需AI资源数量较少的AI模型的运行，以使得终端设备可以直接基于不同的AI模型各自所需的AI资源数量进行AI资源分配，简化了终端设备的AI资源分配过程，提高AI资源分配效率，尽可能保证更多的AI模型能够使用。
结合第一方面，在第一方面的某些实现方式中，所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在所述第二时刻上报，以及确定在所述第二时刻无法上报所述第二报告，包括：所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一时刻可用的AI资源数量少于所述所需的AI资源数量，所述所需的AI资源数量为所述第一AI模型所需的第一AI资源数量和所述第二AI模型所需的第二AI资源数量之和；所述终端设备确定所述第一AI模型的优先级高于所述第二AI模型的优先级，并将所述第一时刻可用的AI资源数量中的所述第一AI资源数量分配给所述第一AI模型；所述终端设备确定分配到所述第一AI资源数量的第一AI模型对应的第一报告在所述第二时刻上报，以及确定未分配到所述第二AI资源数量的第二AI模型对应的第二报告无法在所述第二时刻上报。
基于上述技术方案，终端设备确定第一时刻可用的资源无法满足同时运行第一AI模型和第二AI模型的情况下，可以优先满足优先级高的AI模型的运行，以使得高优先级的AI模型可以优先执行。
结合第一方面，在第一方面的某些实现方式中，在所述终端设备确定所述第一AI模型的优先级高于所述第二AI模型的优先级之前，所述方法还包括：所述终端设备接收来自所述网络设备的第一指示信息，所述第一指示信息用于指示所述第一AI模型的优先级高于所述第二AI模型的优先级。
基于上述技术方案，网络设备可以通过第一指示信息指示不同AI模型的优先级，以使得网络设备可 以控制终端设备优先执行网络设备需要其执行的AI模型。
结合第一方面，在第一方面的某些实现方式中，所述第一AI模型包括一个或者多个AI模型，所述第二AI模型包括一个或者多个AI模型。
基于上述技术方案，终端设备运行一个或者多个AI模型获得第一报告，和/或，终端设备运行一个或者多个AI模型获得第二报告，可以理解为某个报告是基于一个或者多个AI模型获得的，从而终端设备可以联合运行多个AI模型获得某个报告，优化终端设备基于AI模型获得报告的方式。
结合第一方面，在第一方面的某些实现方式中，在所述第一AI模型包括多个AI模型的情况下，所述方法还包括：所述终端设备向所述网络设备发送第一信息，所述第一信息用于上报所述多个AI模型中每个AI模型所需的AI资源数量，以及所述多个AI模型组成的至少一个AI模型组合中每个AI模型组合所需的AI资源数量，所述AI模型组合包括多个AI模型。
基于上述技术方案，终端设备可以通过第一信息向网络设备上报不同的AI模型所需的AI资源数量，以及AI模型组合所需的AI资源数量，从而使得网络设备和终端设备之间就AI模型和AI模型组合所需的AI资源数量使用情况达成一致了解。
结合第一方面，在第一方面的某些实现方式中，所述方法还包括：所述终端设备向网络设备发送第二信息，所述第二信息用于上报所述多个AI模型中的任一AI模型更新后的所需AI资源数量和包括所述任一AI模型的AI模型组合更新后的所需AI资源数量。
基于上述技术方案，终端设备可以通过第二信息动态更新AI模型以及AI模型组合的AI资源数量占用情况，使得网络设备和终端设备对待运行的AI模型以及AI模型组合的资源占用情况动态达成一致了解。
结合第一方面，在第一方面的某些实现方式中，所述方法还包括：所述终端设备向所述网络设备发送第三信息，所述第三信息用于指示调整可用的AI资源总数。
基于上述技术方案，终端设备可动态调整AI资源总数并将调整后的AI资源总数情况通过第三信息发送给网络设备，使得终端设备可降低可用的AI资源总数。
结合第一方面，在第一方面的某些实现方式中，所述多个AI模型对应至少一个AI功能，所述方法还包括：所述终端设备向网络设备发送第四信息，所述第四信息用于上报所述至少一个AI功能中每个AI功能所需的AI资源数量。
基于上述技术方案，终端设备可以通过第四信息向网络设备上报不同的AI功能所需的AI资源数量，从而使得网络设备和终端设备之间就AI功能所需的AI资源数量使用情况达成一致了解。
结合第一方面，在第一方面的某些实现方式中，所述方法还包括：所述终端设备向网络设备发送第五信息，所述第五信息用于上报所述至少一个AI功能中的第一AI功能更新后的所需AI资源数量。
基于上述技术方案，终端设备可以通过第五信息动态更新AI功能的AI资源数量占用情况，使得网络设备和终端设备对待运行的AI功能的资源占用情况动态达成一致了解。
结合第一方面，在第一方面的某些实现方式中，在所述终端设备向所述网络设备发送第一信息之前，所述方法还包括：所述终端设备接收来自所述网络设备的所述多个AI模型；所述终端设备确定所述多个AI模型中每个AI模型所需的AI资源数量。
基于上述技术方案，终端设备侧可用的AI模型可以是从网络设备侧获取的，例如，AI模型为网络设备开发，这种情况下，传输的AI模型在终端设备中运行时AI资源的占用情况是不可知的，终端设备可以基于传输的AI模型评估AI资源占用情况，并将该情况上报给网络设备，以使得网络设备获知发送给终端设备的AI模型在终端设备侧运行时的AI资源占用情况。
结合第一方面，在第一方面的某些实现方式中，所述AI资源包括：AI处理器中的存储资源和/或所述AI处理器的算力资源。
第二方面，提供了一种通信方法。该方法可以由网络设备执行，也可以由网络设备的组成部件(例如芯片或者电路)执行，本申请对此不作限定。为了便于描述，下面以网络设备执行为例进行说明。
该通信方法包括：网络设备触发终端设备在第一时刻同时运行第一人工智能AI模型和第二AI模型，所述第一AI模型用于确定第一报告，所述第二AI模型用于确定第二报告；所述网络设备根据所述第一时刻所述终端设备可用的AI资源数量和在所述第一时刻同时运行所述第一AI模型和所述第二AI模型所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告；所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及在所述第四时刻之后的第五时刻接 收来自所述终端设备的所述第二报告；或者，所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及未接收到来自所述终端设备的所述第二报告；或者，所述网络设备在第四时刻接收来自所述终端设备的所述第一报告和第三报告，所述第三报告基于非AI模型确定，且所述第三报告与所述第二报告相关。
结合第二方面，在第二方面的某些实现方式中，所述网络设备根据所述第一时刻所述终端设备可用的AI资源数量和所述所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告，包括：所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告，以及确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告。
结合第二方面，在第二方面的某些实现方式中，在所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及在所述第四时刻之后的第五时刻接收来自所述终端设备的所述第二报告的情况下，所述网络设备确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告，包括：所述网络设备确定所述终端设备在所述第一时刻之后运行所述第二AI模型获得所述第二报告。
结合第二方面，在第二方面的某些实现方式中，在所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及未接收到来自所述终端设备的所述第二报告的情况下，所述网络设备确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告，包括：所述网络设备确定所述终端设备不在所述第一时刻运行所述第二AI模型。
结合第二方面，在第二方面的某些实现方式中，在所述网络设备在第四时刻接收来自所述终端设备的所述第一报告和第三报告的情况下，所述网络设备确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告，包括：所述网络设备确定所述终端设备在所述第一时刻基于非AI模型确定所述第三报告。
结合第二方面，在第二方面的某些实现方式中，所述方法还包括：所述网络设备向所述终端设备发送第一指示信息，所述第一指示信息用于指示所述第一AI模型的优先级高于所述第二AI模型的优先级。
结合第二方面，在第二方面的某些实现方式中，所述第一AI模型包括一个或者多个AI模型，所述第二AI模型包括一个或者多个AI模型。
结合第二方面，在第二方面的某些实现方式中，在所述第一AI模型包括多个AI模型的情况下，所述方法还包括：所述网络设备接收来自所述终端设备的第一信息，所述第一信息用于上报所述多个AI模型中每个AI模型所需的AI资源数量，以及所述多个AI模型组成的至少一个AI模型组合中每个AI模型组合所需的AI资源数量，所述AI模型组合包括多个AI模型。
结合第二方面，在第二方面的某些实现方式中，所述方法还包括：所述网络设备接收来自所述终端设备的第二信息，所述第二信息用于上报所述多个AI模型中的任一AI模型更新后的所需AI资源数量和包括所述任一AI模型的AI模型组合更新后的所需AI资源数量。
结合第二方面，在第二方面的某些实现方式中，所述方法还包括：所述网络设备接收来自所述终端设备的第三信息，所述第三信息用于指示调整可用的AI资源总数。
结合第二方面，在第二方面的某些实现方式中，所述多个AI模型对应至少一个AI功能，所述方法还包括：所述终端设备向网络设备发送第四信息，所述第四信息用于上报所述至少一个AI功能中每个AI功能所需的AI资源数量。
结合第二方面，在第二方面的某些实现方式中，所述方法还包括：所述网络设备接收来自所述终端设备的第五信息，所述第五信息用于上报所述至少一个AI功能中的第一AI功能更新后的所需AI资源数量。
结合第二方面，在第二方面的某些实现方式中，所述方法还包括：所述网络设备向所述终端设备发送所述多个AI模型。
以上第二方面及其可能的设计所示方法的技术效果可参照第一方面及其可能的设计中的技术效果。
第三方面，提供了一种终端设备。终端设备用于执行上述第一方面及其任意一种实施方式。具体地，终端设备包括处理器和存储器，该存储器用于存储计算机程序；该处理器用于从存储器中调用并运行该计算机程序，使得该第一中继设备执行上述第一方面及其任意一种实施方式。
第四方面，提供了一种网络设备。网络设备用于执行上述第二方面及其任意一种实施方式。具体地，网络设备包括处理器和存储器，该存储器用于存储计算机程序；该处理器用于从存储器中调用并运行该 计算机程序，使得该网络设备执行上述第二方面及其任意一种实施方式。
第五方面，提供了一种通信装置。该通信装置用于执行上述第一方面和第二方面及其任意一种实施方式提供的方法。具体地，该通信装置可包括用于执行第一方面和第二方面及其任意一种实施方式提供的方法的单元和/或模块(如，处理单元，收发单元)。
在一种实现方式中，该通信装置为终端设备。当该通信装置为终端设备时，收发单元可以是收发器，或，输入/输出接口。处理单元可以是至少一个处理器。可选地，收发器可以为收发电路。可选地，输入/输出接口可以为输入/输出电路。
在另一种实现方式中，该通信装置可以为终端设备中的芯片、芯片系统或电路。此时，收发单元可以是该芯片、芯片系统或电路上的输入/输出接口、接口电路、输出电路、输入电路、管脚或相关电路等；处理单元可以是至少一个处理器、处理电路或逻辑电路等。
第六方面，本申请提供一种处理器，用于执行上述第一方面和第二方面提供的方法。
对于处理器所涉及的发送和获取/接收等操作，如果没有特殊说明，或者，如果未与其在相关描述中的实际作用或者内在逻辑相抵触，则可以理解为处理器输出和接收、输入等操作，也可以理解为由射频电路和天线所进行的发送和接收操作，本申请对此不做限定。
第七方面，提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序，当计算机程序在通信装置上运行时，使得通信装置执行上述第一方面和第二方面的任意一种实现方式的方法。
第八方面，提供一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行上述第一方面和第二方面的任意一种实现方式提供的方法。
第九方面，提供一种芯片，芯片包括处理器与通信接口，处理器通过通信接口读取指令，执行上述第一方面和第二方面的任意一种实现方式提供的方法。
可选地，作为一种实现方式，芯片还包括存储器，存储器存储有计算机程序或指令，处理器用于执行存储器上存储的计算机程序或指令，当计算机程序或指令被执行时，处理器用于执行上述第一方面和第二方面的任意一种实现方式提供的方法。
第十方面，提供一种通信系统，包括第三方面的终端设备和第四方面的网络设备。
附图说明
图1是本申请适用的通信系统示意图。
图2是本申请提供的一种通信方法的示意性流程图。
图3是本申请实施例提供的第一时刻的示意图。
图4是本申请实施例提供的一种AI模型占用资源冲突的示意图。
图5是本申请实施例提供的上报AI资源数量的示意图。
图6是本申请提供的另一种通信方法的示意性流程图。
图7是本申请提供的又一种通信方法的示意性流程图。
图8是本申请提供的又一种通信方法的示意性流程图。
图9是本申请提供的又一种通信方法的示意性流程图。
图10是本申请实施例提供的通信装置的示意性框图。
图11是本申请实施例提供另一种通信装置的示意图。
图12是本申请实施例提供一种芯片系统的示意图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行具体描述。
本申请实施例的技术方案可以应用于各种通信系统。例如：第五代(5th generation，5G)系统或新空口(new radio，NR)、长期演进(long term evolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)等。本申请提供的技术方案还可以应用于未来的通信系统，如第六代移动通信系统。本申请实施例的技术方案还可以应用于设备到设备(device to device，D2D)通信，车辆外联(vehicle-to-everything，V2X)通信，机器到机器(machine to machine，M2M)通信，机器类型通信(machine type communication，MTC)，以及物联网(internet of things，IoT)通信系统或者其他通信系统。
为便于理解本申请实施例，示例性地，首先结合图1来介绍本申请适用的通信系统。本申请实施例中的终端设备(terminal equipment)可以指接入终端、用户单元、用户站、移动站、移动台、中继站、远方站、远程终端、移动设备、用户终端(user terminal)、用户设备(user equipment，UE)、终端(terminal)、无线通信设备、用户代理或用户装置。终端设备还可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备，5G网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的终端设备或者未来车联网中的终端设备等，本申请实施例对此并不限定。
示例性地，在本申请实施例中，可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称。如眼镜、手套、手表、服饰及鞋等。可穿戴设备是直接穿在身上，或是整合到用户的衣服或配件的便携式设备。可穿戴设备不仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、可不依赖智能手机实现完整或者部分的功能。例如：智能手表或智能眼镜等。另外，还可以为只专注于某一类应用功能，需要和其它设备如智能手机配合使用的便携式设备。如各类进行体征监测的智能手环、智能首饰等。
此外，在本申请实施例中，终端设备还可以是IoT系统中的终端设备。IoT是未来信息技术发展的重要组成部分，其主要技术特点是将物品通过通信技术与网络连接，从而实现人机互连，物物互连的智能化网络。在本申请实施例中，IoT技术可以通过例如窄带(narrow band，NB)技术，做到海量连接，深度覆盖，终端省电。
此外，在本申请实施例中，终端设备还可以包括传感器，主要功能包括收集数据(部分终端设备)、接收网络设备的控制信息与下行数据，并发送电磁波，向网络设备传输上行数据。
本申请实施例中的网络设备可以是用于与终端设备通信的任意一种具有无线收发功能的通信设备。该设备包括但不限于：演进型节点B(evolved Node B，eNB)、无线网络控制器(radio network controller，RNC)、节点B(Node B，NB)、家庭基站(home evolved NodeB，HeNB，或home Node B，HNB)、基带单元(baseBand unit，BBU)，无线保真(wireless fidelity，WIFI)系统中的接入点(access point，AP)、无线中继节点、无线回传节点、传输点(transmission point，TP)或者发送接收点(transmission and reception point，TRP)等，还可以为5G系统，如NR系统中的gNB，或传输点(TRP或TP)，5G系统中的基站的一个或一组(包括多个天线面板)天线面板，或者，还可以为构成gNB或传输点的网络节点，如基带单元(BBU)，或分布式单元(distributed unit，DU)等。
网络设备和终端设备可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在空中的飞机、气球和卫星上。本申请实施例中对网络设备和终端设备所处的场景不做限定。
在本申请实施例中，终端设备或网络设备包括硬件层、运行在硬件层之上的操作系统层，以及运行在操作系统层上的应用层。该硬件层包括中央处理单元、内存管理单元(memory management unit，MMU)和内存(也称为主存)等硬件。该操作系统可以是任意一种或多种通过进程(process)实现业务处理的计算机操作系统，例如，操作系统、操作系统、操作系统、操作系统或操作系统等。该应用层包含浏览器、通讯录、文字处理软件、即时通信软件等应用。
另外，本申请的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本申请中使用的术语“制品”涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如，计算机可读介质包括但不限于：磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，压缩盘(compact disc，CD)、数字通用盘(digital versatile disc，DVD)等)，智能卡和闪存器件(例如，可擦写可编程只读存储器(erasable programmable read-only memory，EPROM)、卡、棒或钥匙驱动器等)。另外，本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读存储介质”可包括但不限于，无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
为便于理解本申请实施例，首先以图1中示出的通信系统为例详细说明适用于本申请实施例的通信系统。如图1所示，通信系统100可以包括至少一个网络设备101和至少一个终端设备102至107。其中，终端设备102至107可以是移动的或固定的。网络设备101和终端设备102至107中的一个或多个均可以通过无线链路通信。每个网络设备可以为特定的地理区域提供通信覆盖，并且可以与位于该覆盖区域内 的终端设备进行通信。
可选地，终端设备之间可以直接通信。例如可以利用设备到设备(device to device，D2D)技术等实现终端设备之间的直接通信。如图1中所示，终端设备105与106之间、终端设备105与107之间，可以利用D2D技术直接通信。终端设备106和终端设备107可以单独或同时与终端设备105通信。
终端设备105至107也可以分别与网络设备101通信。例如可以直接与网络设备101通信如图中的终端设备105和106可以直接与网络设备101通信。也可以间接地与网络设备101通信，如图1中的终端设备107经由终端设备105与网络设备101通信。
各通信设备均可以配置多个天线。对于通信系统100中的每一个通信设备而言，所配置的多个天线可以包括至少一个用于发送信号的发射天线和至少一个用于接收信号的接收天线。因此，通信系统100中的各通信设备之间，可通过多天线技术通信。
网络设备与终端设备之间的接口可以为Uu接口(或称为空口)。当然，在未来通信中，这些接口的名称可以不变，或者也可以用其它名称代替，本申请对此不限定。示例性地，网络设备和终端设备之间的通信遵循一定的协议层结构，网络分层就是将网络节点(如，网络设备和终端设备)的数据发送、转发、打包或拆包，控制信息的加载或拆出等工作，分别由不同的硬件和软件模块去完成。这样可以将往来通信和网络互连这一复杂的问题变得较为简单。
应理解，图1仅为便于理解而示例的简化示意图，通信系统100中还可以包括其他网络设备或者还可以包括其他终端设备(图1未示出)。例如，通信系统100还可以包括核心网设备。接入网设备一方面为终端设备提供无线接入连接，可以向终端设备发送数据或者接收终端设备发送的数据；另一方面接入网设备和核心网设备也有连接，可以将从终端设备接收的数据转发至核心网，或者从核心网接收需要发送给终端设备的数据。
为便于理解本申请实施例，对本申请涉及的一些基本概念做简要说明。应理解，下文所介绍的基本概念是以NR协议中规定的基本概念为例进行说明，但并不限定本申请实施例只能够应用于NR系统。因此，以NR系统为例描述时出现的标准名称，都是功能性描述，具体名称并不限定，仅表示设备的功能，可以对应扩展到未来的其它系统。
AI模型：也可以称为AI算法(或者AI算子)，是基于人工智能的原理构建的数学算法的统称，也是利用AI解决特定问题的基础。本申请实施例中对AI模型的类型并不限定。例如，AI模型可以是机器学习模型，也可以是深度学习模型，也可以是强化学习模型，还可以是联邦学习等。
其中，机器学习是实现人工智能的一种方法，该方法的目标是设计和分析一些让计算机可以自动“学习”的算法(也即模型)，所设计的算法称为机器学习模型。机器学习模型是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。机器学习模型包括多种多样，根据模型训练时是否需要依赖训练数据对应的标签，机器学习模型可以分为：1、有监督学习模型；2、无监督学习模型。
深度学习是机器学习研究过程中产生的一个新的技术领域，具体地，深度学习是机器学习中一种基于对数据进行深层次表征学习的方法，深度学习通过建立模拟人脑进行分析学习的神经网络来解释数据。由于在机器学习方法中，几乎所有的特征都需要通过行业专家确定，然后对特征进行编码。然而深度学习算法试图自己从数据中学习特征，根据深度学习思想设计的算法称为深度学习模型。
强化学习是机器学习中的一个特殊领域，是通过智能体(agent)和环境(environment)的相互作用，不断学习最优策略，做出序列决策，并获得最大回报的过程。通俗言之，强化学习是学习“做什么(即如何把当前的情景映射成动作)才能使得数值化的收益信号最大化”。智能体不会被告知应该采取什么动作，而是必须自己通过尝试去发现哪些动作会产生最丰厚的收益。强化学习与机器学习领域中的有监督学习和无监督学习不同，有监督学习是从外部提供的带标签的训练数据中进行学习的过程(任务驱动型)，无监督学习是寻找未标注的数据中隐含结构的过程(数据驱动型)。强化学习是通过“试探”寻找更优解的过程。智能体必须开发已有的经验来获取收益，同时也要进行试探，使得未来可以获得更好的动作选择空间(即从错误中学习)。根据强化学习设计的算法称为强化学习模型。
联邦学习(也称为协作学习)是一种机器学习技术，它可以在多个分散的边缘设备或持有本地数据样本的服务器上训练算法，而不交换它们。这种方法与传统的集中式机器学习技术形成了鲜明对比，即集中式机器学习中所有本地数据集都上传到一台服务器从而完成训练。联邦学习使多个参与者能够在不共享数据的情况下构建一个共同的、健壮的机器学习模型，从而允许解决数据隐私、数据安全、数据访问权限和访问异构数据等关键问题。
任何一个AI模型在用于解决特定的技术问题之前，都需要经过训练。AI模型的训练是指利用指定初始模型对训练数据进行计算，根据计算的结果采用一定的方法对初始模型中的参数进行调整，使得该模型逐渐学习到一定的规律，具备特定的功能的过程。经过训练后具有稳定功能的AI模型即可用于推理。AI模型的推理是利用训练完成的AI模型对输入数据进行计算，获得预测的推理结果(也可以称为输出数据)的过程。
AI模块为具备AI学习计算能力的模块。在无线通信系统中，AI模块可位于操作维护管理(operation administration and maintenance，OAM)网元中，也可位于RAN中(如，分离架构位于CU中)，可以位于部分UE中，也可以单独成为一个网元实体。AI模块在无线通信系统中主要功能为根据输入数据(例如，在无线通信系统中，输入数据可以是RAN侧提供的、或OAM监测的网络运行数据，例如网络负载、信道质量等)，进行模型建立、训练逼近、强化学习等一系列AI计算。AI模块提供的已训练完成的模型，具备针对RAN侧网络变化的预测功能，通常可以用于负载预测，UE轨迹预测等。此外，AI模块还可以根据训练完成的模型对RAN网络性能的预测结果，从网络节能、移动性优化等角度进行策略推理，以得到合理高效的节能策略、移动性优化策略等。当AI模块位于OAM中时，其与RAN侧gNB的通信，可以复用当前的北向接口；当AI模块位于gNB或CU中时，可以复用当前的F1、Xn、Uu等接口；当AI模块独立成一个网络实体时，需要重新建立到OAM和RAN侧等的通信链路，例如基于有线链路，或无线链路。
模型传递：模型从网络侧传递到UE侧，或者由UE侧传递到网络侧，不限定传递是通过空口定义还是非空口定义实现。如果是通过空口定义的方式实现，则可称为模型传输。
模型激活(去激活)：针对特定的AI应用功能，使能(去使能)一个AI模型。
模型切换：对于一个特定的AI应用功能，去激活一个当前激活状态的模型，并激活另一个不同的模型。
AI功能：相比于AI模型更粗粒度的描述，一个AI功能可能包括功能模块，例如AI CSI反馈是一个AI功能，AI定位是另一个AI功能。也可能是配置级别的，例如一种AI CSI的配置是一个AI功能。也可以是使用场景级别的，例如一种特定的使用场景是一个AI功能。
单端模型：指的是模型推理仅在网络侧或终端侧，典型的单端模型场景包括AI波束管理或AI定位；
双端模型：指的是模型推理需要终端和网络侧共同参与完成，即终端侧和网络侧的模型构成一个模型整体。终端侧推理完成后，将推理结果发送给网络侧继续推理，从而得到整体模型的最终输出。典型的双端模型场景包括AI CSI反馈。
批尺寸(batch_size)：表示单次传递给AI模型用以训练或推理的数据(样本)个数。比如训练集有1000个数据，如果设置batch_size＝100，那么AI模型首先会用数据集中的前100个参数，即第1-100个数据来训练AI模型。当训练完成后更新权重，再使用第101-200的个数据训练，直至第十次使用完训练集中的1000个数据后停止。
AI资源：本申请中涉及的AI资源，是一种虚拟的资源。对应于物理资源，可以为AI处理器中的存储资源，或者AI处理器的算力资源等。可以将实际的物理资源通过归一化等方法映射为虚拟资源。
例如，AI处理器的内存容量为100兆字节(mega byte，MB)，针对一个约定的标称值(如1十亿字节(GigaByte，GB))，可以将该AI处理器的AI总资源映射为0.1。
又例如，AI处理器的最大算力为1每秒千兆次浮点运算(Giga Floating-point Operations Per Second，GFLOPS)，针对一个约定的标称值(如1GFLOPS)，可以将该AI处理器的总资源映射为1。
CSI处理规则：NR中的CSI计算需要消耗较多计算资源，包括需要对配置的测量资源完成信道测量、信道估计，并基于估计的结果计算CSI。在NR中，引入了CSI处理单元(CSI Processing Unit，CPU)的概念，CSI处理单元用于表示终端设备处理CSI的能力。CSI处理单元是一个虚拟资源的概念，不是一个具体的物理资源概念。例如，一个CPU是一个计算核，还可以是一个计算线程等，标准中对此不做定义。
CSI计算包括多类，例如不同的CSI计算量，或者测量的信道具有不同的配置，例如端口数量不同等。CPU将会依据不同的计算内容有所不同，为协议预定义好。终端设备的能力信息中，将携带一个总CPU数量的内容，并报告给网络设备。在每个正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)符号的粒度上，终端设备可以基于当前已占用的CPU资源数L，计算当前剩余的CPU资源。
如果触发了CSI的计算，根据目前协议定义，需要从特定符号开始占用CPU用于进行CSI计算，终端设备则根据对应OFDM符号上剩余的CPU资源，确定被触发的哪些CSI的报告需要进行更新，即需要 占用CPU进行计算，或者哪些CSI报告可以无需更新，而具体的确定，可以根据协议预定义好的优先级来进行确定。例如，终端设备根据报告的种类(如，周期或半静态或非周期)、上报内容(如，参考信号接收功率(Reference Signal Received Power，RSRP)或信号噪声干扰比(Signal to Interference plus Noise Ratio，SINR))、小区、或报告标识(report ID)等，确定相应报告的优先级。
此外，为了便于理解本申请实施例，做出以下几点说明。
第一，在本申请中，“用于指示”可以包括用于直接指示和用于间接指示。当描述某一指示信息用于指示A时，可以包括该指示信息直接指示A或间接指示A，而并不代表该指示信息中一定包括有A。
将指示信息所指示的信息称为待指示信息，则具体实现过程中，对待指示信息进行指示的方式有很多种。待指示信息可以作为一个整体一起发送，也可以分成多个子信息分开发送，而且这些子信息的发送周期和/或发送时机可以相同，也可以不同。具体发送方法本申请不进行限定。其中，这些子信息的发送周期和/或发送时机可以是预先定义的，例如根据协议预先定义的，也可以是发射端设备通过向接收端设备发送配置信息来配置的。其中，该配置信息可以是但不限于包括无线资源控制信令、MAC层信令和物理层信令中的一种或者至少两种的组合。其中，无线资源控制信令例如包括RRC信令；MAC层信令例如包括MAC CE；物理层信令例如包括DCI。
第二，在本申请中示出的“至少一个”是指一个或者多个，“多个”是指两个或两个以上。另外，在本申请的实施例中，“第一”、“第二”以及各种数字编号(例如，“#1”、“#2”等)只是为了描述方便进行的区分，并不用来限制本申请实施例的范围。下文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，而不应对本申请实施例的实施过程构成任何限定，应该理解这样描述的对象在适当情况下可以互换，以便能够描述本申请的实施例以外的方案。此外，在本申请实施例中，“210”、“220”等字样仅为了描述方便作出的标识，并不是对执行步骤的次序进行限定。
第三，在本申请中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
第四，本申请实施例中涉及的“保存”，可以是指的保存在一个或者多个存储器中。所述一个或者多个存储器，可以是单独的设置，也可以是集成在编码器或者译码器，处理器、或通信装置中。所述一个或者多个存储器，也可以是一部分单独设置，一部分集成在译码器、处理器、或通信装置中。存储器的类型可以是任意形式的存储介质，本申请并不对此限定。
第五，本申请实施例中涉及的“协议”可以是指通信领域的标准协议，例如可以包括LTE协议、NR协议以及应用于未来的通信系统中的相关协议，本申请对此不做限定。
第六，在本申请实施例中，“在…情况下”、“当…时”、“若…”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。
第七，在本申请实施例中，各术语及英文缩略语，如无线资源控制(RRC)等，均为方便描述而给出的示例性举例，不应对本申请构成任何限定。本申请并不排除在已有或未来的协议中定义其它能够实现相同或相似功能的术语的可能。
第八，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
上文结合图1简单介绍了本申请实施例提供的通信方法能够应用的场景，以及介绍了本申请实施例中可能涉及到的基本概念，并在基本概念中介绍了AI模型，当前NR R18中，已经引入对于空口AI的相关讨论，例如使用AI解决CSI反馈、波束管理、定位等问题。借助AI强大的学习能力，可以取得相比现有算法更佳的性能，因此未来可能使用不同的AI模型替代传统的算法模块解决特定的通信问题。传统的通信算法实现中，UE侧的算法一般在通用处理器上执行，例如中央处理单元、DSP等。由于AI模型的训练或推理属于计算密集型的任务，一般可以通过计算单元更密集的器件，例如GPU或NPU等器件实现，达到更高的计算效率。因此，未来应用于通信的UE侧AI算法，也可能沿用这种模式，在AI专用的硬件上执行。
对于终端而言，通信相关的计算可能在时间上有重合，例如针对测量资源，要计算上报给基站的相关上报量等。因此，在引入AI后，终端可能存在需要同时执行多个AI模型或AI功能的情况。
此外，AI模型在UE侧使用的目的可能也有不同，一方面可能AI模型是用于产生相关的报告(称为 正常的AI推理)，例如CSI中，基于空口支持的测量量，如信道等，输入模型并输出相应的AI CSI报告。另一方面，AI模型的推理还可能用于模型监控。由于AI方法是数据驱动的，模型的质量一般而言依赖于收集的数据集质量，因此，相比于传统算法，AI算法的性能在更换场景或配置等变化的情况下，其性能也不一定能得到保证，即可能由于泛化性能不达标而导致模型性能变差。因此，AI模型监控显得十分必要。网络侧或UE可以周期或半静态或非周期性的通过运行AI模型，得到结果并监控该模型性能。
考虑到终端侧的这些器件的能力和资源可能是有限的(例如AI加速器的个数、加速器的核数、加速器的内存大小等)，因此在多个AI模型需要同时运行的情况下，可能无法满足所有AI模型都进行运行。此时即出现模型冲突的情况，因此需要解决这些冲突的模型中，哪些AI模型运行，哪些AI模型不运行的问题。
一种AI冲突的处理方法是：定义了一种AI处理单元(AI processing unit，APU)的概念，和CSI计算单元的概念类似，且指出不同AI模型可以占用不同的APU。APU的占有数量，和AI模型的参数量大小有关。此外，还定义了，UE在多个AI模型同时使用的情况下，需要满足APU之和不超过一个最大APU数量的条件。也就是说通过APU来表征了终端的AI运行时的能力。但是该AI冲突的处理方法存在以下缺点：
仅考虑单个AI模型之间占用的AI资源量不同。而实际上，如果多个AI模型同时使用时，所占用资源也不一定是简单的所有单个模型的资源占用求和，其中可能会有些优化方式，因此还需进一步考虑AI模型组合情况下的资源占用。
为了解决目前AI冲突的处理方法存在的问题，本申请提供一种通信方法，主要针对终端设备侧出现同时需要运行多个AI模型，但受限于终端AI处理器能力不够，定义终端设备对于多个AI模型的运行策略。
应理解，本申请实施例提供的通信方法可以应用于通过多天线技术通信的系统，例如，图1中所示的通信系统100。该通信系统可以包括至少一个网络设备和至少一个终端设备。网络设备和终端设备之间可通过多天线技术通信。
还应理解，下文示出的实施例并未对本申请实施例提供的方法的执行主体的具体结构特别限定，只要能够通过运行记录有本申请实施例的提供的方法的代码的程序，以根据本申请实施例提供的方法进行通信即可。例如，本申请实施例提供的方法的执行主体可以是终端设备，或者，是终端设备中能够调用程序并执行程序的功能模块。
图2是本申请提供的一种通信方法的示意性流程图。包括以下步骤：
S210，终端设备和网络设备确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量。
具体地，第一AI模型用于确定第一报告，第二AI模型用于确定第二报告。该实施例中涉及的报告包括但不限于：CSI测量反馈报告、定位结果报告、波束管理报告等。应理解，该实施例中涉及的第一报告和第二报告可以是运行AI模型得到的报告，这里不再一一举例说明。另外，该实施例中，第一报告可以是一个或者多个报告，基于第一AI模型确定的报告均可以称为第一报告，同理第二报告可以是一个或者多个报告，基于第二AI模型确定的报告均可以称为第二报告。
需要说明的是，该实施例中网络设备可以确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量的前提是：网络设备已知终端设备运行第一AI模型所需的AI资源数量，以及已知终端设备运行第二AI模型所需的AI资源数量。例如，终端设备向网络设备上报了运行第一AI模型所需的AI资源数量以及运行第二AI模型所需的AI资源数量源，从而网络设备可以确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量。
为了便于理解，下面将结合图6详细介绍终端设备如何向网络设备上报运行AI模型所需的AI资源数量，这里不进行详细说明。另外，该实施例中AI模型的粒度还可以替换为AI功能的粒度，下面将结合图7详细介绍终端设备如何向网络设备上报运行AI功能所需的AI资源数量，这里不进行详细说明。
示例性地，可以通过以下可能的实现方式触发终端设备在第一时刻同时运行第一AI模型和第二AI模型：
作为一种可能的实现方式，网络设备通过触发信息非周期触发终端设备在第一时刻同时运行第一AI模型和第二AI模型以获得第一报告和第二报告，并上报。
例如，网络设备在第一时刻#1向终端设备发送触发信息，所述触发信息用于触发终端设备测量相应 的测量资源，并上报第一报告和第二报告，其中，第一报告基于第一AI模型确定，第二报告基于第二AI模型确定。
可选地，第一时刻为触发信息所在的时隙的起始点，且触发信息与参考信号在同一个时隙内，该起始点可以为时隙的第一个符号。
可选地，第一时刻为测量资源的起始时间点，例如测量资源的第一个符号，此时触发信息的时间点(如，下发DCI的时刻)和测量资源的时间点之间还有一定的间隔。
需要说明的是，在该实现方式下终端设备确定第一报告，可以先基于相应的测量资源，然后基于测量结果使用相应的模型。因此，第一时刻可以指测量资源所在的时刻，例如测量资源时域资源位置所在的第一个符号(或第一个符号的起始时间点)、第一个时隙(或第一个时隙的起始时间点)、第一个子帧(或第一个子帧的起始时间点)、或第一个无线帧(或第一个无线帧的起始时间点)等。
为了便于理解，结合图3说明第一时刻，图3是本申请实施例提供的第一时刻的示意图，从图3中可以看出：第一时刻指所需的AI资源所在的第一个符号，如图3中所示物理下行控制信道(Physical downlink control channel，PDCCH)承载的触发信息在第一个OFDM符号下发，第一时刻为测量资源(如，图3中所示的信道状态信息参考信号(channel state information-reference signal，CSIRS))所在的第一个OFDM符号，这里测量CSIRS即开始占用所需的AI资源。可选地，终端设备上报报告的第二时刻(如图3中所示的物理上行共享信道(physical uplink shared channel，PUSCH)上行(uplink，UL)时隙)和终端设备确定报告的时刻之间存在一定的时间间隔(如图3所示的下一个下行(downlink，DL)时隙)。其中，测量资源，可以为相应的参考信号，如CSI测量反馈中，测量资源为CSI-RS资源；还如，波束管理中，测量资源为CSI-RS资源或同步信号块SSB资源；又如，定位中，测量资源为定位参考信号PRS资源等。
示例性地，以上述的第一报告和第二报告为AI CSI测量反馈的报告为例，网络设备首先在CSI测量配置(如，CSI-MeasConfig)中，为终端设备配置两个AI CSI上报配置，例如，配置两个CSI-ReportConfig，且在CSI-ReportConfig中配置对应的CSI报告为AI报告，在相关报告配置中还可以指示该CSI报告对应使用的AI模型。此外，在非周期CSI上报的相关配置中，例如CSI-AperiodicTriggerState中，将这两个CSI报告配置及对应的测量资源关联在其中(两个报告关联的测量资源可能相同也可能不同)，从而网络设备侧可以在第一时刻#1通过DCI指示，可同时动态触发这两个CSI上报对应的非周期CSI-RS测量以及上报。第一时刻可以为DCI或非周期CSI-RS所在的符号、时隙、子帧、或无线帧的起始时刻。如果相关非周期测量资源的时间偏移，例如aperiodicTriggeringOffset配置为0，则测量资源也在第一时刻#1所在的时隙内发送，则终端设备也在第一时刻#1所在时隙内开始测量对应的CSI-RS资源。
示例性地，以上述的第一报告和第二报告为AI波束管理的报告为例，网络设备首先在波束管理测量配置(如，Beam-MeasConfig或CSI-MeasConfig)中，为终端设备配置两个波束测量集合或参考信号集合SetB#1和SetB#2，其中SetB#1用于空域的波束预测，用于终端使用AI模型#1预测空域波束全集SetA#1中的最佳波束，SetB#2用于时域的波束预测，用于终端使用AI模型#2预测时域波束全集SetA#2中的最佳波束。此外，在非周期波束管理的相关配置中，例如CSI-AperiodicTriggerState中，将这两个波束管理报告配置及对应的测量资源关联在其中(其中一个报告关联的测量配置为SetB#1，另一个报告关联的测量配置为SetB#2)，从而网络设备侧可以在第一时刻#1通过DCI指示，可同时动态触发这两个非周期波束测量以及上报。
示例性地，以上述的第一报告和第二报告为AI定位的测量报告为例，网络设备首先在定位相关的配置中，为终端设备分别配置用于视距(line-of-sight，LOS)或非视距(non-line-of-sight，NLOS)判断的AI定位测量报告，以及用于获取到达时间(Time of Arrival，TOA)的AI定位测量报告，两个测量报告分别使用AI模型#1和AI模型#2得到，两个AI定位报告关联相同的PRS测量资源。在非周期的定位测量相关配置中，网络设备将这两个定位报告关联在相同的触发状态中，从而网络设备侧可以在第一时刻#1通过DCI指示，可同时动态触发这两个非周期定位测量以及上报。
作为另一种可能的实现方式，网络设备配置终端设备周期性确定第一报告和第二报告，其中，周期性或半静态确定第一报告和第二报告的时刻包括上述的第一时刻，从而终端设备确定在第一时刻同时运行第一AI模型和第二AI模型。
示例性地，以上述的第一报告和第二报告为AI CSI测量反馈的报告为例，网络设备为终端设备配置第一报告和第二报告的上报时刻和上报周期，以及第一报告和第二报告对应的周期性CSI-RS测量资源。 其中，第一报告和第二报告对应的CSI-RS起始时刻(资源所在的第一个符号)为第一时刻，从而终端设备确定在第一时刻同时运行第一AI模型和第二AI模型。
需指出的是，第一报告可以为非周期报告，第二报告可以为周期报告(或第一报告为周期报告，第二报告为非周期报告)，且第一报告对应的测量资源所在的起始时刻和第二报告对应的测量资源的起始时刻均为第一时刻。
还需指出的是，第一报告和第二报告可以为AI CSI测量反馈的报告、AI波束管理的报告、或AI定位的测量报告的任意组合，例如第一报告可以为AI CSI测量反馈的报告，第二报告可以为AI波束管理的报告。
可选地，确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量可以理解为：确定第一AI模型和第二AI模型在第一时刻开始占用各自所需的AI资源数量。
具体地，AI模型占用所需的AI资源数量，可以指从终端设备测量相应测量资源开始，到上报相应报告结束的过程，也可以指从终端设备测量相应测量资源开始，到获取相应报告的过程，还可以指终端设备从将测量结果输入到模型开始，到获取相应报告的过程等。该实施例中对此不做限定。其中，运行AI模型占用AI资源的时间段的定义可以有多种，该实施例中对此不做任何限定，例如，运行AI模型占用AI资源数量的时间段是从测量资源时域资源位置所在的第一个符号或第一个时隙等开始，直到携带报告的物理上行共享信道(physical uplink shared channel，PUSCH)或物理上行控制信道(Physical Uplink Control Channel，PUCCH)的最后一个符号的结束时间点为止。
例如，第一AI模型在第一时刻开始占用的AI资源数量为数量#1，第二AI模型在第一时刻开始占用的AI资源数量为数量#2，则确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量为数量#1+数量#2。
应理解，该实施例中可以确定终端设备在第一时刻同时运行的多个AI模型所需的AI资源数量，为了便于描述以确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量为例进行说明，例如，还可以确定终端设备在第一时刻同时运行的第一AI模型、第二AI模型和第三AI模型所需的AI资源数量，这里不进行赘述。
进一步地，该实施例中确定终端设备在第一时刻同时运行第一AI模型和第二AI模型所需的AI资源数量之后，可以基于第一时刻终端设备可用的AI资源数量和前述确定得到的所需的AI资源数量，进一步地确定终端设备在第一时刻是否可以分别基于第一AI模型和第二AI模型获得第一报告和第二报告，则图2所示的方法流程还包括：
S220，终端设备和网络设备确定终端设备是否可以获得第一报告和第二报告。
该实施例中主要考虑终端设备侧出现同时需要运行多个AI模型，但终端设备AI处理器能力不够的情况。以终端设备需要同时运行第一AI模型和第二AI模型，且终端设备AI处理器能力无法同时支持第一AI模型和第二AI模型运行，如，终端设备在第一时刻支持第一AI模型运行，但不支持第二AI模型运行为例进行说明。
为了便于理解，结合图4说明网络设备触发终端设备上报第一报告和第二报告，但是终端设备无法同时支持第一AI模型和第二AI模型运行的情况，图4是本申请实施例提供的一种AI模型占用资源冲突的示意图。其中，终端设备的AI资源总数量为2(如，图4中所示的AI资源#1’和AI资源#2’)，每个AI模型需要占用的AI资源数量为1(如，图4中所示的占用AI资源#1’或AI资源#2’)。
从图4中可以看出，网络设备在第一时刻#1通过DCI#1触发终端设备非周期上报CSI报告#1和CSI报告#2(如，图4中所示的确定CSI报告#1所需的AI资源为AP-CSIRS#1，确定CSI报告#2所需的AI资源为AP-CSIRS#2，图4中所示的AP-report#1即为CSI报告#1，AP-report#2即为CSI报告#2)，并且在第一时刻#2通过DCI#2触发终端设备非周期上报定位报告#1(如图4中所示的确定定位报告#1所需的AI资源为AP-PRS#1，图4中所示的AP-pos#1即为定位报告#1)。终端设备基于AI模型确定CSI报告#1和CSI报告#2时，终端设备可用的AI资源数量为1(因为AI资源#1’已被周期上报CSI报告占用，如图4中所示的确定周期CSI报告所需的AI资源为P-CSIRS，图4中所示的P-report即为周期CSI报告)，此时AI资源#2’用于支持确定CSI报告#1，因此终端设备不支持基于AI模型确定CSI报告#2；终端设备基于AI模型确定定位报告#1时，终端设备可用的AI资源数量中，AI资源#1’被释放，AI资源#2’被周期上报CSI报告占用，终端设备可以占用AI资源#1’并基于AI模型确定定位报告#1。
具体地，终端设备和网络设备根据终端设备在第一时刻可用的AI资源数量，以及上述步骤S210中 确定得到的运行第一AI模型和第二AI模型所需的AI资源数量，确定终端设备可以在第二时刻上报第一报告，且无法在第二时刻上报第二报告。
例如，终端设备可以在第一时刻运行第一AI模型获得第一报告，并在第二时刻上报；且终端设备无法在第一时刻运行第二AI模型获得第二报告。
作为一种可能的实现方式，终端设备可以基于不同的AI模型各自所需的AI资源数量确定如何分配可用的AI资源数量。
示例性地，在该实现方式下，上述的第一AI模型为一个AI模型，第二AI模型也为一个AI模型。如，第一AI模型为AI模型#1，第二AI模型为AI模型#2，在第一时刻运行AI模型#1和AI模型#2所需的AI资源数量为AI资源数量#1。
具体地，终端设备根据第一时刻可用的AI资源数量和AI资源数量#1，确定第一报告在第二时刻上报，以及确定在第二时刻无法上报第二报告，包括：
首先，终端设备根据第一时刻可用的AI资源数量和AI资源数量#1，确定第一时刻可用的AI资源数量少于AI资源数量#1；
其次，终端设备确定AI模型#1所需的AI资源数量#3少于AI模型#2所需的AI资源数量#2，并将第一时刻可用的AI资源数量中的AI资源数量#3分配给AI模型#1；
最后，终端设备确定分配到AI资源数量#3的AI模型#1对应的第一报告在第二时刻上报，以及确定未分配到AI资源数量#2的AI模型#2对应的第二报告无法在第二时刻上报。
应理解，上述以终端设备基于AI模型#1和AI模型#2各自所需的AI资源数量为AI模型#1和AI模型#2分配AI资源数量为例说明终端设备如何为不同的AI模型分配AI资源数量，对本申请的保护范围不构成任何的限定，终端设备还可以根据两个以上的AI模型各自所需的AI资源数量为两个以上的AI模型分配AI资源数量。
例如，终端设备确定需要在第一时刻同时运行的多个AI模型各自所需的AI资源数量，并根据所需的AI资源数量从小到大的顺序依次占用第一时刻可用的AI资源数量，进而确定第一时刻无法运行的AI模型。可以表示为：N个AI模型的AI资源数量占用大小从O1,…,ON从小到大排序，终端根据确定无法运行的AI模型，例如模型M,M+1,…,N为无法运行的模型，即报告M,M+1,…,N为无法计算的报告。其中，M为满足该公式的最大值，O_total为AI资源总量，L为当前AI资源已占用量。
示例性地，在该实现方式下，上述的第一AI模型为多个AI模型，第二AI模型也为多个AI模型。如，第一AI模型包括AI模型#1_1和AI模型#1_2，AI模型#1_1和AI模型#1_2可以称为AI模型组合#1；第二AI模型包括AI模型#2_1和AI模型#2_2，AI模型#2_1和AI模型#2_2可以称为AI模型组合#2。
具体地，终端设备根据第一时刻可用的AI资源数量和AI资源数量#1，确定第一报告在第二时刻上报，以及确定在第二时刻无法上报第二报告，包括：
首先，终端设备根据第一时刻可用的AI资源数量和AI资源数量#1，确定第一时刻可用的AI资源数量少于AI资源数量#1；
其次，终端设备确定AI模型组合#1所需的AI资源数量#1_1少于AI模型#2所需的AI资源数量#2_1，并将第一时刻可用的AI资源数量中的AI资源数量#1_1分配给AI模型组合#1；
最后，终端设备确定分配到AI资源数量#1_1的AI模型组合#1对应的第一报告在第二时刻上报，以及确定未分配到AI资源数量#2_1的AI模型组合#2对应的第二报告无法在第二时刻上报。
应理解，上述以终端设备基于AI模型组合#1和AI模型组合#2各自所需的AI资源数量为AI模型组合#1和AI模型组合#2分配AI资源数量为例说明终端设备如何为不同的AI模型组合分配AI资源数量，对本申请的保护范围不构成任何的限定，终端设备还可以根据两个以上的AI模型组合各自所需的AI资源数量为两个以上的AI模型组合分配AI资源数量。
另外，需要说明的是在该方式下，第一AI模型可以是包括AI模型和AI模型组合的集合，同理，第二AI模型可以是包括AI模型和AI模型组合的集合，终端设备可以根据第一AI模型包括的AI模型和AI模型组合确定第一AI模型所需的AI资源数量，以及根据第二AI模型包括的AI模型和AI模型组合确定第二AI模型所需的AI资源数量，在确定第一AI模型和第二AI模型各自所需的AI资源数量之后，根据上述的方式分配可用的AI资源数量，这里不再赘述。
作为另一种可能的实现方式，终端设备可以基于不同的AI模型的优先级确定如何分配可用的AI资 源数量。
示例性地，在该实现方式下，上述的第一AI模型为一个AI模型，第二AI模型也为一个AI模型。如，第一AI模型为AI模型#1，第二AI模型为AI模型#2，在第一时刻运行AI模型#1和AI模型#2所需的AI资源数量为AI资源数量#1。
具体地，终端设备根据第一时刻可用的AI资源数量和AI资源数量#1，确定第一报告在第二时刻上报，以及确定在第二时刻无法上报第二报告，包括：
首先，终端设备根据第一时刻可用的AI资源数量和AI资源数量#1，确定第一时刻可用的AI资源数量少于AI资源数量#1；
其次，终端设备确定AI模型#1的优先级高于AI模型#2的优先级，并将第一时刻可用的AI资源数量中的AI资源数量#3分配给AI模型#1；
最后，终端设备确定分配到AI资源数量#3的AI模型#1对应的第一报告在第二时刻上报，以及确定未分配到AI资源数量#2的AI模型#2对应的第二报告无法在第二时刻上报。
应理解，上述以终端设备基于AI模型#1和AI模型#2的优先级为AI模型#1和AI模型#2分配AI资源数量为例说明终端设备如何为不同的AI模型分配AI资源数量，对本申请的保护范围不构成任何的限定，终端设备还可以根据两个以上的AI模型的优先级为两个以上的AI模型分配AI资源数量。
例如，终端设备确定需要在第一时刻同时运行的多个AI模型，根据多个AI模型的优先级，依次确定优先使用AI资源的AI模型，直到占满第一时刻可用的AI资源数量。如，在第一时刻可用的AI资源数量中，优先运行优先级P1对应的AI模型占用AI资源，若P1对应的AI模型占用AI资源数量后，还有剩余AI资源数量，则运行优先级P2的AI模型的占用AI资源，其中，P1优先级高于P2优先级。
另外，需要说明的是，针对属于相同优先级的多个AI模型，按照上述的各自所需的AI资源数量分配AI资源数量。如，第一AI模型和第二AI模型的优先级相同，则根据第一AI模型所需的第一AI资源数量和第二AI模型所需的第二AI资源数量为第一AI模型和第二AI模型分配AI资源数量。
示例性地，在该实现方式下，上述的第一AI模型为多个AI模型，第二AI模型也为多个AI模型。如，第一AI模型包括AI模型#1_1和AI模型#1_2，AI模型#1_1和AI模型#1_2可以称为AI模型组合#1；第二AI模型包括AI模型#2_1和AI模型#2_2，AI模型#2_1和AI模型#2_2可以称为AI模型组合#2。则可以通过预定的方式定义AI模型组合的优先级，如可以预定义AI模型组合的优先级为其中较高或较低的AI模型对应的优先级。也可以直接定义AI模型组合的优先级，如直接定义模型组合#1和模型组合#2的优先级，而无需根据AI模型组合中的AI模型的优先级得到模型组合的优先级。
可选地，终端设备可以自行确定不同AI模型或AI模型组合的优先级；或者，网络设备可以通过第一指示信息指示不同AI模型或AI模型组合的优先级，下文中将结合图8详细介绍网络设备如何通过第一指示信息指示不同AI模型或AI模型组合的优先级，这里不进行详细说明。
需要说明的是，终端设备可以确定在多个不同的第二时刻上报测量得到的报告，例如，终端设备确定在第二时刻#1和第二时刻#2上报测量得到的报告，在该实施例中为了便于描述，将上报报告的时刻统称为第二时刻，也就是说在第二时刻无法上报的报告可以理解为：终端设备在报告需要上报的时刻，无法上报的报告。其中，报告无法上报的原因，可以由于该报告无法根据最新的测量资源计算得到。
该实施例中，针对终端设备无法在第一时刻运行第二AI模型获得第二报告的情况，终端设备和网络设备之间统一对该情况的处理方式，包括但不限于以下几种可能的处理方式：
方式一：终端设备在第二时刻上报第一报告，以及在第二时刻之后的第三时刻上报第二报告。可以理解为终端设备和网络设备之间约定针对无法在第一时刻运行AI模型获得的报告可以延时上报。
具体地，约定的延时上报的方式，可以是网络设备在第二报告对应的相关配置中，配置一个延迟上报的回退值X，用于指示在第二时刻之后推迟X个时间单位进行发送。约定的延迟上报方式，还可以为终端请求，例如终端设备在第二时刻之前向网络设备发送一个延迟上报的请求，网络设备根据该请求在第二时刻之后配置一个延迟上报的时刻。
示例性地，该方式一所述的处理方式下，网络设备可以在第四时刻(若不考虑空口时延，第四时刻为上述的第二时刻)接收到终端设备的第一报告，以及在第四时刻之后的第五时刻(若不考虑空口时延，第五时刻为上述的第三时刻)接收到第二报告，则方式一所示的情况下，图2所示的方法流程还包括：
S231，终端设备向网络设备发送第一报告和第二报告。
在方式一所示的情况下，终端设备和网络设备确定终端设备无法在第一时刻运行第二AI模型获得第 二报告，包括：终端设备和网络设备确定终端设备可以在第一时刻之后运行第二AI模型获得第二报告，并在第二时刻之后的第三时刻上报第二报告。例如，终端设备可以在某些AI资源被释放之后再运行第二AI模型获得第二报告。
方式二：终端设备在第二时刻上报第一报告，以及在第二时刻不上报第二报告。可以理解为终端设备和网络设备之间约定针对无法在第一时刻运行AI模型获得的报告可以不上报。
示例性地，该方式二所述的处理方式下，网络设备可以在第四时刻(若不考虑空口时延，第四时刻为上述的第二时刻)接收到终端设备的第一报告，以及未接收到第二报告，则方式二所示的情况下，图2所示的方法流程还包括：
S232，终端设备向网络设备发送第一报告。
在方式二所示的情况下，终端设备和网络设备确定终端设备无法在第一时刻运行第二AI模型获得第二报告，包括：终端设备和网络设备确定终端设备在第二时刻不上报第二报告。
方式三：终端设备在第二时刻上报第一报告和第三报告，第三报告基于非AI模型确定，且第三报告与第二报告相关。可以理解为终端设备和网络设备之间约定针对无法在第一时刻运行AI模型获得的报告可以通过非AI模型确定的方式进行确定并上报。
上述的第三报告与第二报告相关可以理解为，第三报告和第二报告均是要上报相同类型的信息(如，CSI、预编码矩阵指示(precoding matrix indicator，PMI)、秩指示(rank Indicator，RI)、信道质量指示(channel quality indicator，CQI)，或者，第三报告和第二报告均是针对相同的测量资源，不同点在于第二报告是基于第二AI模型(或者说AI算法)确定的，而第三报告是由于第二AI模型无法在第一时刻开始运行，从而采用非AI模型确定报告的方式确定得到的报告。
示例性地，非AI模型确定的方式可以是基于传统(legacy)方式确定报告，例如NR R15/R16/R17的基于码本的方式确定的PMI上报，其中，传统方式可以是在通用处理器上执行算法确定第三报告，例如，当前用于传统计算的传统计算资源(如，DSP资源)充足，则可以使用传统方式计算得到第三报告并上报。
作为一种可能的实现方式，网络设备可以在第二报告相关的配置中，关联第三报告的相关配置，例如第三报告的上报信息或上报量，承载第三报告的物理资源等，终端设备在无法上报第二报告时，采用关联的第三报告的配置上报第三报告。
作为另一种可能的实现方式，终端设备可以向网络设备发送请求消息#1，该请求消息#1用于请求网络设备同意基于传统的方式确定报告并上报，在网络设备同意基于传统的方式确定报告并上报的情况下，终端设备上报第三报告。
作为又一种可能的实现方式，终端设备在预先分配的上报空口信道中，携带第三报告和第三报告的标识，该第三报告的标识指示该第三报告为传统报告而非基于AI模型确定的报告。可选地，可以在RRC信令中携带第三报告和第三报告的标识。
示例性地，该方式三所述的处理方式下，网络设备可以在第四时刻(若不考虑空口时延，第四时刻为上述的第二时刻)接收到终端设备的第一报告和第三报告，则方式三所示的情况下，图2所示的方法流程还包括：
S233，终端设备向网络设备发送第一报告和第三报告。
在方式三所示的情况下，终端设备和网络设备确定终端设备无法在第一时刻运行第二AI模型获得第二报告，包括：终端设备和网络设备确定终端设备无法在第一时刻运行第二AI模型获得第二报告，但是终端设备可以在第一时刻基于非AI模型确定第三报告，并在第二时刻上报第三报告。
示例性地，上述通过方式一至三列举了几种终端设备针对无法在第一时刻开始运行第二AI模型得到第二报告的情况下，终端设备和网络设备实行的处理策略。需要说明的是，该实施例中对于终端设备具体如何处理无法基于第二AI模型得到第二报告的冲突情况不做限定，针对该冲突情况的处理方式和网络设备提前约定好即可，例如，还可以是：终端设备在第一时刻运行第一AI模型获得第一报告，并在第二时刻上报第一报告；以及终端设备无法在第一时刻运行第二AI模型获得第二报告时，终端设备和网络设备约定可以上报历史结果(如，针对相同测量资源得到的历史CSI计算结果)，即不更新计算结果；以及终端设备无法在第一时刻运行第二AI模型获得第二报告时，直接指示网络设备无法得到第二报告。
该实施例中第一AI模型还可以理解为第一类型的AI模型，同理第二AI模型还可以理解为第二类型的AI模型，在第一时刻终端设备可用的AI资源数量无法支持同时运行第一类型的AI模型和第二类型的 AI模型，例如，在第一时刻终端设备可用的AI资源支持第一类型的AI模型的运行，则属于第一类型的多个AI模型均可以在第一时刻同时开始运行，占用AI资源。
另外，该实施例中终端设备侧的AI模型可以是从网络设备侧接收到的，下文将结合图6详细介绍网络设备如何向终端设备发送AI模型，这里不进行详述。或者，终端设备侧的AI模型也可以是终端设备自行确定的，例如，AI模型为终端设备厂商自身开发，如终端设备侧所需使用的AI模型(无论是双端模型中的终端设备侧AI模型，还是仅单端模型)，都为终端设备或芯片厂商单独开发。该实施例中对于终端设备如何获得AI模型不做限制。
图2所示的通信方法中，针对无法在第一时刻基于第二AI模型获得的第二报告，定义终端设备的多种不同的处理策略：可以是延迟上报(如，至第一时刻之后基于第二AI模型获得的第二报告，并在第二时刻之后上报)，还可以是不上报(如，终端设备不上报第二报告)，还可以是在第一时刻通过其他方式确定得到第三报告(如，基于非AI模型确定的方式，确定得到第三报告，并在第二时刻上报)等。该多种不同的处理策略可以是终端设备和网络设备协商确定的，也可以是网络设备配置给终端设备的，还可以是预配置在终端设备和网络设备中的，从而可以避免网络设备误认为是链路质量等原因而无法收到相应报告。
图6是本申请提供的另一种通信方法的示意性流程图。包括以下步骤：
S310，终端设备向网络设备发送第一信息，或者说网络设备接收来自终端设备的第一信息。
该第一信息用于指示终端设备的至少一个AI模型中每个AI模型所需的AI资源数量，以及该至少一个AI模型分别组成的不同AI模型组合所需的AI资源数量。
其中，终端设备本地的AI模型可以理解为网络设备侧需要感知终端设备侧具有或使用了的AI模型，考虑到终端设备侧的AI模型可能不止一个，因此网络设备侧也需要能够区分终端设备侧使用的是哪些AI模型。因此，终端设备侧的AI模型需要先让网络设备侧获知，即通过模型注册流程之后，网络设备侧可以对注册后的AI模型进行相应的指示。
AI模型组合所需的资源可以理解为终端设备侧的多个AI模型同时运行时，占用的AI资源数量。如，终端设备侧的AI模型#n和AI模型#m同时运行时，占用的AI资源数量，两个AI模型组成一个AI模型组合只是一个示例，实际实施时可以不限于两个。
例如，终端设备本地的AI模型包括AI模型#1和AI模型#2，则终端设备通过第一信息上报终端设备可用的AI资源总数为O，AI模型#1所需的资源数量为O1，AI模型#2所需的资源数量为O2，以及AI模型#1和AI模型#2组成的不同AI模型组合#1所需资源数量O3。
示例性地，上述图2所示的通信方法中，终端设备可以通过第一信息上报第一AI模型所需的AI资源数量，若第一AI模型包括多个AI模型#1，第一信息用于上报多个AI模型#1中每个AI模型#1所需的AI资源数量，以及多个AI模型#1组成的至少一个AI模型组合#1中每个AI模型组合#1所需的AI资源数量，AI模型组合#1包括多个AI模型#1。
同理，上述图2所示的通信方法中，终端设备可以通过第一信息上报第二AI模型所需的AI资源数量，若第二AI模型包括多个AI模型#2，第一信息用于上报多个AI模型#2中每个AI模型#2所需的AI资源数量，以及多个AI模型#2组成的至少一个AI模型组合#2中每个AI模型组合#2所需的AI资源数量，AI模型组合#2包括多个AI模型#2。
可选地，终端设备还向网络设备上报可用的AI资源总数。例如，第一信息还用于指示终端设备可用的AI资源总数，或者，还例如，终端设备通过其他信息(如，信息#1)向网络设备上报可用的AI资源总数。
另外，需要说明的是，除了不同AI模型组合，同一个AI模型或者不同AI模型组合在输入数据不同的批尺寸(batch_size)下，所需的AI资源数量可能不同。如针对使用AI模型#n，输入一个样本和输入两个样本，其所需的AI资源数量不一定成比例关系，即输入两个样本时的资源占用不一定为输入一个样本时的两倍，因此，也可以从输入样本量的维度，进一步细分AI模型或AI模型组合的所需的AI资源数量。
为了便于理解，结合表1说明该实施例中第一信息可能的形式。
表1

从表1中第二行和第五行可以看出，针对Model 1在不同的batch_size下，所需的AI资源数量不同，且输入一个样本和输入两个样本，其所需的AI资源数量不成比例关系。
示例性地，终端设备运行AI模型的过程中，可以考虑不同AI模型所需的AI资源数量，进行AI资源数量分配，以表1中所示的不同AI模型或AI模型组合所需的AI资源数量结合具体的示例说明终端设备如何进行AI资源数量分配。
示例一：终端设备在时刻#1可用的AI资源数量为0.4，终端设备根据不同AI模型各自所需的AI资源数量，可确定在时刻#1支持运行Model 1，而不支持运行Model 2。
示例二：终端设备在时刻#1可用的AI资源数量为0.6，由于Model 1和Model 2联合进行过优化为{Model 1,Model2}所需的AI资源数量为0.5，因此，可以同时支持运行Model 1和Model 2。
示例三：终端设备可以结合不同AI模型对应的输入样本量(即batch_size)确定AI模型实际所需的AI资源数量。例如，Model 1使用对应两个CSI报告，则可以一次性将两个样本输入到Model 1中，此时Model 1的资源占用为0.4。
示例性地，该实施例中终端设备向网络设备发送第一信息的过程可以理解为终端设备能力上报阶段，即上报的内容可以承载在终端设备能力信息(UECapabilityInformation)中，例如，第一信息在UECapabilityInformation中发送给网络设备。
示例性地，终端设备也可以通过其他信令向网络设备发送第一信息。例如，终端设备通过RRC信令或MAC CE或UCI向网络设备发送本地的AI模型所需的AI资源数量。
示例性地，如果通过RRC信令发送AI资源数量，则可以在RRC信令中，增加专用的信元或字段，用于描述每个AI模型所需的AI资源数量。如下所示：
其中，每个AI模型的资源描述，携带在ModelResourceInfo中，该信元携带模型ID或标识(如，上述的ModelId字段)，以及AI模型对应的AI资源数量(如，上述的Resource字段)，该AI资源数量，可以为一个离散值集合中的一个。
示例性地，如果通过MAC-CE信令发送AI资源数量，则可以在MAC-CE信令中，携带每个模型的ID及对应的资源数量。为了便于理解，结合图5说明如何发送AI资源数量，图5是本申请实施例提供的上报AI资源数量的示意图。从图5中可以看出：使用1字节的MAC-CE信令描述AI模型和该AI模型所需的AI资源数量，其中，AI资源数量可以用n1(如，6)比特表示，用于表示一个离散值集合(即可能的AI资源数量集合)中的某一个值。
示例性地，如果通过上行控制信息(uplink control information，UCI)发送AI资源数量，则网络设备和终端设备就相应的UCI格式事先达成一致，例如先上报需要上报资源的AI模型数量，再上报每个AI模型的标识ID以及所需的AI资源数量。该UCI中的信息，可以独立编码，也可以联合编码。可以在PUCCH信道中承载，也可以在PUSCH信道中承载。
还需说明的是，网络设备和终端设备对于AI模型或AI模型组合的所需的AI资源数量，可以具有一个默认值，如协议预定好的一个默认值，例如0.1。如果在上述配置中未针对某个AI模型或AI模型组合配置相应的资源占用值，则认为其采用的是默认值。
可选地，若终端设备本地的某个AI模型所需的AI资源数量进行了更新，终端设备可以通过第二信息指示更新该AI模型所需的AI资源数量以及与该AI模型关联的AI模型组合所需的AI资源数量，即图6所示的方法流程还可以包括：
S320，终端设备向网络设备发送第二信息，或者说网络设备接收来自终端设备的第二信息。
该第二信息用于上报多个AI模型中的任一AI模型更新后的所需AI资源数量和包括该任一AI模型的AI模型组合更新后的所需AI资源数量。
例如，AI模型#1更新前所需的AI资源数量为O#1，在AI模型#1进行了更新之后，该更新后的AI模型#1所需的AI资源数量为O#2，则终端设备通过第二信息通知网络设备AI模型#1所需的AI资源数量从O#1变化为O#2(如，第二信息指示O#2或第二信息指示O#1和O#2之间的差值等)。
另外，需要说明的是，针对AI模型组合的情况，由于执行效率的优化，通常是针对特定的AI模型组合，在特定的AI模型结构等特征下进行的优化，因此，组合中的某个AI模型发生较大变化，可能导致AI模型组合的执行效率或占用的AI资源数量也发生一定变化，因此，如果单个AI模型变化，也需要考虑包含该AI模型的其他AI模型组合的占用AI资源数量变化。
例如，AI模型#1进行更新，包含该AI模型#1的AI模型组合包括AI模型组合#1和AI模型组合#2，则终端设备通过第二信息指示AI模型组合#1和AI模型组合#2所需的资源数量更新后的所需的AI资源数量，如，AI模型#1更新前AI模型组合#1所需的AI资源数量为O#1′，在AI模型#1进行了更新之后，该更新后的AI模型组合#1所需的AI资源数量为O#2′。
示例性地，终端设备侧的AI模型#1进行了更新，可以包括但不限于：
该AI模型#1结构发生变化，或者AI模型#1结构不变仅AI模型#1的参数发生变化。当AI模型#1结构发生变化时，可能导致参数量发生变化，或者AI模型#1使用的算子发生变化，可以导致AI模型#1在AI处理器中占用的内存或执行该模型时所需消耗的算力资源发生变化，进而导致AI模型#1所需的AI资源数量变化；如果AI模型#1结构不变而AI模型#1参数发生变化，可能出现大量参数为0的情况，也可能导致AI模型#1占用的内存变化，进而导致AI模型#1所需的AI资源数量变化。
应理解，该实施例中AI模型#1进行了更新的情况下，是否一定需要通过第二信息上报所需的AI资源数量变化是终端设备的实现行为，也就是说：AI模型#1进行了更新的情况下，终端设备可以上报第二信息，也可以不上报该第二信息。
作为一种可能的实现方式，第二信息为MAC-CE或RRC信令或UCI信息。
作为另一种可能的实现方式，第二信息为更新终端设备的能力信息的相关信令。
由上述可知在AI模型#1进行了更新的情况下，终端设备可以通过第二信息上报AI模型#1所需的AI资源数量的变化。
示例性地，该实施例中第二信息用于指示更新后的AI模型#1所需的AI资源数量，以及更新后的至少一个AI模型组合所需的AI资源数量，包括但不限于以下几种可能的指示方式：
方式1：对所有的AI模型和AI模型组合预留其所需的AI资源数量占用情况的字段，此时更新报告的大小是固定的。如果某个AI模型资源所需的AI资源数量未更新，则该AI模型对应所需的AI资源数量占用情况的字段中的所需的AI资源数量不改变。
示例性地，如果第二信息为RRC信令，则相应的RRC信令可以如下所示：
其中，每个AI模型的资源数量均会进行上报，携带在ModelResourceUpdateInfo中，如果AI资源占用数量有更新，则使用更新后的值，如果无更新，则使用之前的值填充即可。
示例性地，如果第二信息为MAC-CE，则可以类似第一信息的MAC-CE的实施方式，每个AI模型使用1个字节的MAC-CE来指示所需的AI资源数量。无论是否发生更新，所有AI模型和AI模型组合对应的MAC-CE均会进行发送。
方式2：终端设备首先向网络设备告知需要更新所需的AI资源数量，或者具体哪些AI模型或AI模型组合需要更新所需的AI资源数量，网络设备根据具体的更新情况，再分配空口资源，终端设备根据分配的信令报告的大小，将更新的内容上报给网络设备；
示例性的，终端设备先通过UCI信息携带更新的请求(如调度请求SR，或类似SR的一个指示)或通过MAC-CE信息携带更新的请求(如专用的资源更新请求信令)，网络设备收到更新请求后，进一步调 度终端设备发送需要更新的AI模型或AI模型组合的数量。在网络设备收到更新的AI模型或AI模型组合的数量后，可以确定相应的信令资源或空口资源的开销，进一步调度终端设备发送第二信息发送更新的资源情况。其中，更新请求也可以和需要更新的AI模型或AI模型组合的数量情况一起发送。
方式3：预先定义更新报告的一个最大容纳数量，然后在报告中携带具体更新的资源数量，以及相应更新后的资源占用情况。
示例性的，终端设备通过一个RRC信令发送更新报告，该更新报告可以承载10个AI模型或AI模型组合所需的资源数量情况。则终端设备在该RRC信令中，指示更新的AI模型ID或AI模型组合的ID，以及相应的更新后的AI资源数量。对于超过该容纳数量的AI模型或AI模型组合，则终端设备不向网络设备请求更新相应的资源数量，例如终端设备不更新相应的AI模型或AI模型组合，具体哪些AI模型或AI模型组合上报更新，哪些不更新，可由终端设备实现决定。
另外，终端设备还可以在其他情况下上报AI资源数量的变化，例如，如果终端设备需要降低可用的AI资源总数，终端设备向网络设备发送第三信息，第三信息用于指示调整可用的AI资源总数。
示例性地，在终端设备的功耗大于或者等于第一阈值或过热情况(如温度超过阈值)时，终端设备确定调整可用的AI资源总数。其中，第一阈值可以为终端设备自行确定，也可以为网络设备和终端设备协商确定的，也可以为预配置在网络设备和终端设备中的。
示例性地，在终端设备需要将AI资源分出一部分执行其他AI功能，且这些AI功能非协议支持的空口AI功能(例如除AI CSI反馈、AI波束管理、AI定位之外的其他AI功能)，终端设备确定调整可用的AI资源总数。
进一步地，该实施例中网络设备获知终端设备本地的至少一个AI模型所需的资源数量，以及该至少一个AI模型分别组成的不同AI模型组合所需的资源数量之后，可以触发终端设备基于AI模型进行上行报告，该实施例中若终端设备基于AI模型进行上行报告过程中发生AI资源占用冲突(如，终端设备侧出现同时需要运行多个AI模型，但终端设备AI处理器能力不够)上报流程可以参考图2所示的通信方法，这里不再赘述；若终端设备基于AI模型进行上行报告过程中未发生AI资源占用冲突，终端设备基于AI模型获得相应的报告并上报即可。
图6所示的通信方法中，终端可动态更新其AI模型以及AI模型组合的所需的AI资源数量，并上报给网络设备，从而使得网络设备和终端设备之间就AI模型的使用规则和使用情况达成一致了解。并且可以结合图2所示的通信方法，以使得在出现多个AI模型需要同时运行的情况下，确定哪些AI模型优先运行，并可以对无法使用的AI模型对应的报告的处理方式达成一致。可以动态更新AI模型的资源占用情况，从而可以适用于具有模型更新的场景。
当前AI讨论中，对于模型的管理有两种维度，即模型维度和功能维度。功能维度指的是，考虑不同的AI应用，或者不同的AI配置，或者不同的AI使用场景等。例如，AI CSI上报和AI波束管理等不同的AI用例，可以认为是不同的AI功能。不同的测量配置，例如不同的CSI资源配置，也可能认为是不同的AI功能。也可以是使用场景级别的，例如一种特定的使用场景是一个AI功能。一个AI功能下，可能包括多个AI模型。图6所示的通信方法主要是从AI模型粒度考虑的，还可以将AI模型还可以替换为AI功能，下面结合图7进行说明。
图7是本申请提供的又一种通信方法的示意性流程图。包括以下步骤：
S410，终端设备向网络设备发送第四信息，或者说网络设备接收来自终端设备的第四信息。
第四信息用于上报至少一个AI功能中每个AI功能所需的AI资源数量。
示例性地，至少一个AI功能中的第一AI功能对应多个AI模型，第一AI功能所需的AI资源为多个AI模型中所需AI资源最大的AI模型所需的AI资源数量。
此外，AI功能还可以结合对应需同时上报的报告数量，来对应细化不同的AI资源数量。
为了便于理解，结合表2说明该实施例中第四信息可能的形式。
表2

从表2中第二行和第三行可以看出，针对相同的AI功能在不同的上报数量下，所需的AI资源数量不同。
具体地，第四信息可以通过UE能力信息进行携带，例如携带在UECapabilityInformation中。也可以为RRC信令、MAC-CE信令或UCI信息。其实现方式类似上述第一信息的描述，这里不再赘述。
示例性地，终端设备运行AI功能的过程中，可以考虑不同AI功能所需的AI资源数量，进行AI资源数量分配，以表2中所示的不同AI功能所需的AI资源数量结合具体的示例说明终端设备如何进行AI资源数量分配。
示例四：终端设备在时刻#1可用的AI资源数量为0.4，终端设备根据不同AI功能各自所需的AI资源数量，可确定在时刻#1支持AI CSI反馈，而不支持AI波束管理。
当终端设备侧的AI功能发生更新，或注册了新的AI功能的情况下，可以更新AI功能所需的AI资源数量。即图7所示的方法流程还可以包括：
S420，终端设备向网络设备发送第五信息，或者说网络设备接收来自终端设备的第五信息。
第五信息用于上报至少一个AI功能中的第一AI功能更新后的所需AI资源数量。
示例性地，第一AI功能包括多个AI模型，若第一AI功能所需AI资源数量为该多个AI模型中所需AI资源数量最大的AI模型对应的所需AI资源数量，当该多个AI模型中的某个AI模型更新，且更新后的AI模型所需AI资源数量未能超过原来该AI功能对应的最大所需AI资源数量，则该AI功能对应的所需AI资源数量没有变化，此时则无需进行更新上报。
示例性地，如果某个AI功能对应的所需AI资源数量变化，则终端设备向网络设备上报更新后的AI功能所需AI资源数量。
进一步地，该实施例中网络设备获知终端设备本地的至少一个AI功能所需的资源数量之后，可以触发终端设备基于AI功能进行上行报告，该实施例中若终端设备基于AI功能进行上行报告过程中发生AI资源占用冲突(如，终端设备侧出现同时需要运行多个AI功能，但终端设备AI处理器能力不够)上报流程可以参考图2所示的通信方法，这里不再赘述；若终端设备基于AI功能进行上行报告过程中未发生AI资源占用冲突，终端设备基于AI功能获得相应的报告并上报即可。
图7所示的通信方法中，终端可动态更新其AI功能所需的AI资源数量，并上报给网络设备，从而使得网络设备和终端设备之间就AI功能的使用规则和使用情况达成一致了解。并且可以结合图2所示的通信方法，以使得在出现多个AI功能需要同时运行的情况下，确定哪些AI功能优先运行，并可以对无法使用的AI功能对应的报告的处理方式达成一致。
图8是本申请提供的又一种通信方法的示意性流程图。包括以下步骤：
S510，网络设备向终端设备发送第一指示信息，或者说终端设备接收来自网络设备的第一指示信息。
该第一指示信息用于指示终端设备本地的至少一个AI模型中每个AI模型的优先级，例如，网络设备根据自身情况以及该终端设备的AI模型使用情况，确定不同AI模型的优先级，并将指示不同AI模型的优先级的第一指示信息发送给终端设备。
需要指出的是，每个AI模型也可以具有一个协议约定的默认的优先级，例如都为一个最低的优先级，如果未在第一指示信息中指示某个AI模型的优先级，则认为该模型的优先级为默认优先级。
例如，AI模型的推理，不仅可以用于正常报告所需的推理，也可以用于模型监控中所需的推理。网络设备在某段时间内，可能认为AI模型监控的结果优先级更高，则可以对于AI模型监控所对应的AI模型配置较高的优先级。
还例如，网络设备可以对于某些性能较差的AI模型对应的推理任务，可以配置较低的优先级。
还例如，网络设备通过模型监控发现了某些AI模型性能较差，则在不关闭或去激活该AI模型的基础之上，可以降低该AI模型的使用优先级，如果无充足的AI资源数量，则不使用该AI模型。
还例如，对于某些AI功能，如果通过性能监控发现，传统方式和AI方式下的性能相当，也可以降低该AI模型的使用优先级。
具体地，第一指示信息，可以为RRC信令，或MAC-CE信令，或DCI指示。
进一步地，该实施例中终端设备接收到第一指示信息之后，可以确定不同AI模型的优先级，则图8所示的方法流程还包括：
S520，终端设备确定不同AI模型的优先级。
示例性地，终端设备运行AI模型的过程中，可以考虑不同AI模型的优先级，进行AI资源数量分配，结合具体的示例说明终端设备如何进行AI资源数量分配。
示例五：终端设备根据不同AI模型所需AI资源数量，以及网络设备发送的优先级指示信息，确定优先使用的AI模型。
例如，多个AI模型各自所需AI资源数量，从小到大依次为O1，O2，O3，…，使用这些AI模型时，有些AI模型可能是正常上报所需的推理，有些AI模型则是用于模型监控，优先级分别为P1，P2，…。
终端设备根据优先级大小，依次确定优先使用的AI模型，直到占满可用的AI资源数量。如，在可用的AI资源数量中，优先对优先级P1对应的AI模型占用资源进行计算，若P1对应的全部AI模型占用AI资源后，还有可用的AI资源数量，则对优先级P2的AI模型的占用资源进行计算。
如果具有AI模型组合，且AI模型组合中的优先级不同，例如，AI模型1和AI模型2的组合，则可以通过预定的方式来处理这种不一致，例如可以预定义该AI模型组合的优先级为其中较高或较低的AI模型对应的优先级。
如果具有AI模型组合，也可以单独定义每个AI模型组合的优先级，而不需要基于模型组合中的模型的资源占用情况进行确定。例如单独定义AI模型组合#1的优先级为P′1，AI模型组合#2的优先级为P′2。
另外，该实施例中AI模型可以替换为AI功能，也就是说网络设备也可以指示不同AI功能的优先级。
图8所示的通信方法中，网络设备根据需求，动态调整不同模型或AI功能的优先级，并将优先级发送给终端设备，终端设备优先将可用的AI资源用于优先级高的AI模型或AI功能，以使得网络设备可以控制终端设备优先执行网络设备需要其执行的AI模型。
图9是本申请提供的又一种通信方法的示意性流程图。包括以下步骤：
S610，网络设备向终端设备发送至少一个AI模型，或者说终端设备接收来自网络设备的至少一个AI模型。
具体地，终端设备侧的AI模型可以是由网络设备侧发送给终端设备，例如，AI模型为网络设备侧厂商开发的，或者AI模型为网络侧进行精调或更新的，这种情况下，如果网络设备侧厂商和终端设备侧厂商没有协商确定AI模型在终端设备侧运行所需的AI资源数量，则传输的AI模型在终端设备侧所需的AI资源数量对于网络设备来说是不可知的。因此，在AI模型传输的场景下，终端设备可以对接收到的AI模型进行评估确定AI模型在终端设备侧运行所需的AI资源数量，并上报给网络设备。
需要指出的是，网络设备发送的AI模型，可以包括AI模型结构以及AI模型参数，或者仅包含AI模型参数(例如网络设备和终端设备之间已经预先知道模型结构)。
示例性地，网络设备通过空口方式，向终端设备传输一个或多个AI模型，该一个或多个AI模型为网络设备侧厂商开发完成的，或者AI模型为网络侧进行精调或更新的。
可选地，该实施例中网络设备可以通过以下方式中的任一种向终端设备发送一个或多个AI模型：
方式1：网络设备将AI模型作为应用数据，通过用户面数据传输的方式，发送给终端设备。
方式2：网络设备将AI模型的内容通过无线信令的方式来描述，例如，通过RRC的方式来定义AI模型，并将该模型配置给终端设备。其中，AI模型的定义包括AI模型的结构和/或AI模型的参数。例如使用AI框架的语言来描述(如tensorflow，ONNX等)，或者，还例如，通过3GPP定义的语言来进行描述(如通过RRC信令的方式来描述)。
方式3：除了传递AI模型结构和参数的方法之外，还可以通过网络设备和终端设备之间的私有格式传递AI模型，例如传递已经编译好的AI模型，或者已经可以直接使用的AI模型镜像(可以类比exe文件)等。
进一步地，该实施例中终端设备接收到网络设备发送的至少一个AI模型之后，评估该至少一个AI模型各自所需的AI资源数量，以及该至少一个AI模型能够组成的AI模型组合所需的AI资源数量，则图9所示的方法流程还包括：
S620，终端设备评估AI资源占用情况。
具体地，终端设备收到网络设备传输的至少一个AI模型后，对至少一个AI模型进行AI资源占用情况的评估，确定该至少一个AI模型各自所需的AI资源数量，以及该至少一个AI模型能够组成的AI模型组合所需的AI资源数量。
示例性地，由于AI资源占用情况的评估，耗时较长，因此除了在终端设备自身运行该至少一个AI模型并评估资源占用情况外。另一种方式是将该至少一个AI模型发送到一个集中节点，由该集中节点运 行该至少一个AI模型并评估资源占用情况，例如终端设备的应用服务器运行该至少一个AI模型并评估资源占用情况。
可选地，终端设备可以在网络设备的控制下进行评估，例如网络设备指示终端设备只需对某些AI模型进行资源占用情况的评估，其余AI模型可以不进行资源占用情况的评估。
进一步地，终端设备将该至少一个AI模型资源占用情况发送给网络设备，如图9所示的通信方法中终端设备通过第一信息向网络设备上报至少一个AI模型资源占用情况，这里不再赘述。
图9所示的通信方法针对有AI模型传输的场景下，考虑到这种场景下终端设备和网络设备无法提前获知这些AI模型在终端设备侧运行时所需的AI资源数量，因此需要终端设备将评估后的资源占用情况反馈给网络设备，从而方便后续的AI模型冲突时的占用资源计算。
应理解，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，而不应对本申请实施例的实施过程构成任何限定。
还应理解，在本申请的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施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实施例。
还应理解，在上述一些实施例中，主要以现有的网络架构中的设备为例进行了示例性说明(如网络设备、终端设备等等)，应理解，对于设备的具体形式本申请实施例不作限定。例如，在未来可以实现同样功能的设备都适用于本申请实施例。
可以理解的是，上述各个方法实施例中，由设备(如网络设备、终端设备)实现的方法和操作，也可以由设备的部件(例如芯片或者电路)实现。
以上，结合图2至图9详细说明了本申请实施例提供的通信方法。上述通信方法主要从终端设备和网络设备之间交互的角度进行了介绍。可以理解的是，终端设备和网络设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。
本领域技术人员应该可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以下结合图10至图12详细说明本申请提供的通信装置。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，部分内容不再赘述。
本申请实施例可以根据上述方法示例对发射端设备或者接收端设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。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。需要说明的是，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。下面以采用对应各个功能划分各个功能模块为例进行说明。
图10是本申请实施例提供的通信装置10的示意性框图。该装置10包括收发模块11和处理模块12。收发模块11可以实现相应的通信功能，处理模块12用于进行数据处理，或者说该收发模块11用于执行接收和发送相关的操作，该处理模块12用于执行除了接收和发送以外的其他操作。收发模块11还可以称为通信接口或通信单元。
可选地，该装置10还可以包括存储模块13，该存储模块13可以用于存储指令和/或数据，处理模块12可以读取存储模块中的指令和/或数据，以使得装置实现前述各个方法实施例中设备的动作。
在一种设计中，该装置10可对应于上文方法实施例中的终端设备，或者是终端设备的组成部件(如芯片)。
该装置10可实现对应于上文方法实施例中的终端设备执行的步骤或者流程，其中，收发模块11可用于执行上文方法实施例中终端设备的收发相关的操作，处理模块12可用于执行上文方法实施例中终端设备的处理相关的操作。
在一种可能的实现方式，处理模块12，用于确定在第一时刻同时运行第一人工智能AI模型和第二AI模型所需的AI资源数量，所述第一AI模型用于确定第一报告，所述第二AI模型用于确定第二报告；该处理模块12，还用于根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在第二时刻上报；收发模块11，用于在所述第二时刻上报所述第一报告，以及在所述第二时刻之后 的第三时刻上报所述第二报告；或者，收发模块11，用于在所述第二时刻上报所述第一报告，以及在所述第二时刻不上报所述第二报告；或者，收发模块11，用于在第二时刻上报所述第一报告和第三报告，所述第三报告基于非AI模型确定，且所述第三报告与所述第二报告相关。
当该装置10用于执行图2中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S231、S232和S233；处理模块12可用于执行方法中的处理步骤，如步骤S210和S220。
当该装置10用于执行图6中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S310和S320；处理模块12可用于执行方法中的处理步骤。
当该装置10用于执行图7中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S410和S420；处理模块12可用于执行方法中的处理步骤。
当该装置10用于执行图8中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S510；处理模块12可用于执行方法中的处理步骤，如步骤S520。
当该装置10用于执行图9中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S610；处理模块12可用于执行方法中的处理步骤，如步骤S620。
应理解，各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明，为了简洁，在此不再赘述。
在另一种设计中，该装置10可对应于上文方法实施例中的网络设备，或者是网络设备的组成部件(如芯片)。
该装置10可实现对应于上文方法实施例中的网络设备执行的步骤或者流程，其中，收发模块11可用于执行上文方法实施例中网络设备的收发相关的操作，处理模块12可用于执行上文方法实施例中网络设备的处理相关的操作。
在一种可能的实现方式，处理模块12，用于触发终端设备在第一时刻同时运行第一人工智能AI模型和第二AI模型，所述第一AI模型用于确定第一报告，所述第二AI模型用于确定第二报告；所述处理模块12，还用于根据所述第一时刻所述终端设备可用的AI资源数量和在所述第一时刻同时运行所述第一AI模型和所述第二AI模型所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告；收发模块11，用于在第四时刻接收来自所述终端设备的所述第一报告，以及在所述第四时刻之后的第五时刻接收来自所述终端设备的所述第二报告；或者，收发模块11，用于在第四时刻接收来自所述终端设备的所述第一报告，以及未接收到来自所述终端设备的所述第二报告；或者，收发模块11，用于在第四时刻接收来自所述终端设备的所述第一报告和第三报告，所述第三报告基于非AI模型确定，且所述第三报告与所述第二报告相关。
当该装置10用于执行图2中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S231、S232和S233；处理模块12可用于执行方法中的处理步骤，如步骤S210和S220。
当该装置10用于执行图6中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S310和S320；处理模块12可用于执行方法中的处理步骤。
当该装置10用于执行图7中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S410和S420；处理模块12可用于执行方法中的处理步骤。
当该装置10用于执行图8中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S510；处理模块12可用于执行方法中的处理步骤。
当该装置10用于执行图9中的方法时，收发模块11可用于执行方法中的收发信息的步骤，如步骤S610；处理模块12可用于执行方法中的处理步骤。
应理解，各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明，为了简洁，在此不再赘述。
还应理解，这里的装置10以功能模块的形式体现。这里的术语“模块”可以指应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。在一个可选例子中，本领域技术人员可以理解，装置10可以具体为上述实施例中的移动管理网元，可以用于执行上述各方法实施例中与移动管理网元对应的各个流程和/或步骤；或者，装置10可以具体为上述实施例中的终端设备，可以用于执行上述各方法实施例中与终端设备对应的各个流程和/或步骤，为避免重复，在此不再赘述。
上述各个方案的装置10具有实现上述方法中的设备(如终端设备、网络设备)所执行的相应步骤的功能。该功能可以通过硬件实现，也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模块；例如收发模块可以由收发机替代(例如，收发模块中的发送单元可以由发送机替代，收发模块中的接收单元可以由接收机替代)，其它单元，如处理模块等可以由处理器替代，分别执行各个方法实施例中的收发操作以及相关的处理操作。
此外，上述收发模块11还可以是收发电路(例如可以包括接收电路和发送电路)，处理模块可以是处理电路。
图11是本申请实施例提供另一种通信装置20的示意图。该装置20包括处理器21，处理器21用于执行存储器22存储的计算机程序或指令，或读取存储器22存储的数据/信令，以执行上文各方法实施例中的方法。可选地，处理器21为一个或多个。
可选地，如图11所示，该装置20还包括存储器22，存储器22用于存储计算机程序或指令和/或数据。该存储器22可以与处理器21集成在一起，或者也可以分离设置。可选地，存储器22为一个或多个。
可选地，如图11所示，该装置20还包括收发器23，收发器23用于信号的接收和/或发送。例如，处理器21用于控制收发器23进行信号的接收和/或发送。
作为一种方案，该装置20用于实现上文各个方法实施例中由终端设备执行的操作。
应理解，本申请实施例中提及的处理器可以是中央处理单元(central processing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中提及的存储器可以是易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)。例如，RAM可以用作外部高速缓存。作为示例而非限定，RAM包括如下多种形式：静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)可以集成在处理器中。
还需要说明的是，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
图12是本申请实施例提供一种芯片系统30的示意图。该芯片系统30(或者也可以称为处理系统)包括逻辑电路31以及输入/输出接口(input/output interface)32。
其中，逻辑电路31可以为芯片系统30中的处理电路。逻辑电路31可以耦合连接存储单元，调用存储单元中的指令，使得芯片系统30可以实现本申请各实施例的方法和功能。输入/输出接口32，可以为芯片系统30中的输入输出电路，将芯片系统30处理好的信息输出，或将待处理的数据或信令信息输入芯片系统30进行处理。
作为一种方案，该芯片系统30用于实现上文各个方法实施例中由终端设备执行的操作。
例如，逻辑电路31用于实现上文方法实施例中由终端设备执行的处理相关的操作；输入/输出接口32用于实现上文方法实施例中由终端设备执行的发送和/或接收相关的操作。
本申请实施例还提供一种计算机可读存储介质，其上存储有用于实现上述各方法实施例中由设备执行的方法的计算机指令。
例如，该计算机程序被计算机执行时，使得该计算机可以实现上述方法各实施例中由终端设备或网络设备执行的方法。
本申请实施例还提供一种计算机程序产品，包含指令，该指令被计算机执行时以实现上述各方法实施例中由终端设备或网络设备执行的方法。
本申请实施例还提供了一种通信系统，包括前述的终端设备和网络设备。
上述提供的任一种装置中相关内容的解释及有益效果均可参考上文提供的对应的方法实施例，此处不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。此外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。例如，所述计算机可以是个人计算机，服务器，或者网络设备等。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD)等。例如，前述的可用介质包括但不限于：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (35)

  1. 一种通信方法，其特征在于，包括：
    终端设备确定在第一时刻同时运行第一人工智能AI模型和第二AI模型所需的AI资源数量，所述第一AI模型用于确定第一报告，所述第二AI模型用于确定第二报告；
    所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在第二时刻上报；
    所述终端设备在所述第二时刻上报所述第一报告，以及在所述第二时刻之后的第三时刻上报所述第二报告；或者，
    所述终端设备在所述第二时刻上报所述第一报告，以及在所述第二时刻不上报所述第二报告；或者，
    所述终端设备在第二时刻上报所述第一报告和第三报告，所述第三报告基于非AI模型确定，且所述第三报告与所述第二报告相关。
  2. 根据权利要求1所述的方法，其特征在于，所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在第二时刻上报，包括：
    所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在所述第二时刻上报，以及确定在所述第二时刻无法上报所述第二报告。
  3. 根据权利要求2所述的方法，其特征在于，在所述终端设备在第二时刻上报所述第一报告，以及在所述第二时刻之后的第三时刻上报所述第二报告的情况下，所述终端设备确定在所述第二时刻无法上报所述第二报告，包括：
    所述终端设备确定在所述第二时刻之后的第三时刻上报所述第二报告。
  4. 根据权利要求2所述的方法，其特征在于，在所述终端设备在第二时刻上报所述第一报告，以及在所述第二时刻不上报所述第二报告的情况下，所述终端设备确定在所述第二时刻无法上报所述第二报告，包括：
    所述终端设备确定在所述第二时刻不上报所述第二报告。
  5. 根据权利要求2所述的方法，其特征在于，所述终端设备在第二时刻上报所述第一报告和所述第三报告的情况下，所述终端设备确定在所述第二时刻无法上报所述第二报告，包括：
    所述终端设备确定在所述第一时刻基于非AI模型确定所述第三报告，并在所述第二时刻上报所述第三报告。
  6. 根据权利要求2至5中任一项所述的方法，其特征在于，所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在所述第二时刻上报，以及确定在所述第二时刻无法上报所述第二报告，包括：
    所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一时刻可用的AI资源数量少于所述所需的AI资源数量，所述所需的AI资源数量为所述第一AI模型所需的第一AI资源数量和所述第二AI模型所需的第二AI资源数量之和；
    所述终端设备确定所述第一AI资源数量少于所述第二AI资源数量，并将所述第一时刻可用的AI资源数量中的所述第一AI资源数量分配给所述第一AI模型；
    所述终端设备确定分配到所述第一AI资源数量的第一AI模型对应的第一报告在所述第二时刻上报，以及确定未分配到所述第二AI资源数量的第二AI模型对应的第二报告无法在所述第二时刻上报。
  7. 根据权利要求2至5中任一项所述的方法，其特征在于，所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一报告在所述第二时刻上报，以及确定在所述第二时刻无法上报所述第二报告，包括：
    所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述第一时刻可用的AI资源数量少于所述所需的AI资源数量，所述所需的AI资源数量为所述第一AI模型所需的第一AI资源数量和所述第二AI模型所需的第二AI资源数量之和；
    所述终端设备确定所述第一AI模型的优先级高于所述第二AI模型的优先级，并将所述第一时刻可用的AI资源数量中的所述第一AI资源数量分配给所述第一AI模型；
    所述终端设备确定分配到所述第一AI资源数量的第一AI模型对应的第一报告在所述第二时刻上报，以及确定未分配到所述第二AI资源数量的第二AI模型对应的第二报告无法在所述第二时刻上报。
  8. 根据权利要求7所述的方法，其特征在于，在所述终端设备确定所述第一AI模型的优先级高于所述第二AI模型的优先级之前，所述方法还包括：
    所述终端设备接收来自所述网络设备的第一指示信息，所述第一指示信息用于指示所述第一AI模型的优先级高于所述第二AI模型的优先级。
  9. 根据权利要求1至8中任一项所述的方法，其特征在于，所述第一AI模型包括一个或者多个AI模型，和/或，所述第二AI模型包括一个或者多个AI模型。
  10. 根据权利要求9所述的方法，其特征在于，在所述第一AI模型包括多个AI模型的情况下，所述方法还包括：
    所述终端设备向所述网络设备发送第一信息，所述第一信息用于上报所述多个AI模型中每个AI模型所需的AI资源数量，以及所述多个AI模型组成的至少一个AI模型组合中每个AI模型组合所需的AI资源数量，所述AI模型组合包括多个AI模型。
  11. 根据权利要求10所述的方法，其特征在于，所述方法还包括：
    所述终端设备向网络设备发送第二信息，所述第二信息用于上报所述多个AI模型中的任一AI模型更新后的所需AI资源数量和包括所述任一AI模型的AI模型组合更新后的所需AI资源数量。
  12. 根据权利要求10或11所述的方法，其特征在于，所述方法还包括：
    所述终端设备向所述网络设备发送第三信息，所述第三信息用于指示调整可用的AI资源总数。
  13. 根据权利要求10至12中任一项所述的方法，其特征在于，所述多个AI模型对应至少一个AI功能，所述方法还包括：
    所述终端设备向网络设备发送第四信息，所述第四信息用于上报所述至少一个AI功能中每个AI功能所需的AI资源数量。
  14. 根据权利要求13所述的方法，其特征在于，所述方法还包括：
    所述终端设备向网络设备发送第五信息，所述第五信息用于上报所述至少一个AI功能中的第一AI功能更新后的所需AI资源数量。
  15. 根据权利要求10至14中任一项所述的方法，其特征在于，在所述终端设备向所述网络设备发送第一信息之前，所述方法还包括：
    所述终端设备接收来自所述网络设备的所述多个AI模型；
    所述终端设备确定所述多个AI模型中每个AI模型所需的AI资源数量。
  16. 根据权利要求1至15中任一项所述的方法，其特征在于，所述AI资源包括：AI处理器中的存储资源和/或所述AI处理器的算力资源。
  17. 一种通信方法，其特征在于，包括：
    网络设备触发终端设备在第一时刻同时运行第一人工智能AI模型和第二AI模型，所述第一AI模型用于确定第一报告，所述第二AI模型用于确定第二报告；
    所述网络设备根据所述第一时刻所述终端设备可用的AI资源数量和在所述第一时刻同时运行所述第一AI模型和所述第二AI模型所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告；
    所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及在所述第四时刻之后的第五时刻接收来自所述终端设备的所述第二报告；或者，
    所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及未接收到来自所述终端设备的所述第二报告；或者，
    所述网络设备在第四时刻接收来自所述终端设备的所述第一报告和第三报告，所述第三报告基于非AI模型确定，且所述第三报告与所述第二报告相关。
  18. 根据权利要求17所述的方法，其特征在于，所述网络设备根据所述第一时刻所述终端设备可用的AI资源数量和所述所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告，包括：
    所述终端设备根据所述第一时刻可用的AI资源数量和所述所需的AI资源数量，确定所述终端设备能够在所述第一时刻运行所述第一AI模型获得所述第一报告，以及确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告。
  19. 根据权利要求18所述的方法，其特征在于，在所述网络设备在第四时刻接收来自所述终端设备 的所述第一报告，以及在所述第四时刻之后的第五时刻接收来自所述终端设备的所述第二报告的情况下，所述网络设备确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告，包括：
    所述网络设备确定所述终端设备在所述第一时刻之后运行所述第二AI模型获得所述第二报告。
  20. 根据权利要求18所述的方法，其特征在于，在所述网络设备在第四时刻接收来自所述终端设备的所述第一报告，以及未接收到来自所述终端设备的所述第二报告的情况下，所述网络设备确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告，包括：
    所述网络设备确定所述终端设备不在所述第一时刻运行所述第二AI模型。
  21. 根据权利要求18所述的方法，其特征在于，在所述网络设备在第四时刻接收来自所述终端设备的所述第一报告和第三报告的情况下，所述网络设备确定所述终端设备无法在所述第一时刻运行所述第二AI模型获得所述第二报告，包括：
    所述网络设备确定所述终端设备在所述第一时刻基于非AI模型确定所述第三报告。
  22. 根据权利要求17至21中任一项所述的方法，其特征在于，所述方法还包括：
    所述网络设备向所述终端设备发送第一指示信息，所述第一指示信息用于指示所述第一AI模型的优先级高于所述第二AI模型的优先级。
  23. 根据权利要求17至22中任一项所述的方法，其特征在于，所述第一AI模型包括一个或者多个AI模型，所述第二AI模型包括一个或者多个AI模型。
  24. 根据权利要求23所述的方法，其特征在于，在所述第一AI模型包括多个AI模型的情况下，所述方法还包括：
    所述网络设备接收来自所述终端设备的第一信息，所述第一信息用于上报所述多个AI模型中每个AI模型所需的AI资源数量，以及所述多个AI模型组成的至少一个AI模型组合中每个AI模型组合所需的AI资源数量，所述AI模型组合包括多个AI模型。
  25. 根据权利要求24所述的方法，其特征在于，所述方法还包括：
    所述网络设备接收来自所述终端设备的第二信息，所述第二信息用于上报所述多个AI模型中的任一AI模型更新后的所需AI资源数量和包括所述任一AI模型的AI模型组合更新后的所需AI资源数量。
  26. 根据权利要求24或25所述的方法，其特征在于，所述方法还包括：
    所述网络设备接收来自所述终端设备的第三信息，所述第三信息用于指示调整可用的AI资源总数。
  27. 根据权利要求24至26中任一项所述的方法，其特征在于，所述多个AI模型对应至少一个AI功能，所述方法还包括：
    所述终端设备向网络设备发送第四信息，所述第四信息用于上报所述至少一个AI功能中每个AI功能所需的AI资源数量。
  28. 根据权利要求27所述的方法，其特征在于，所述方法还包括：
    所述网络设备接收来自所述终端设备的第五信息，所述第五信息用于上报所述至少一个AI功能中的第一AI功能更新后的所需AI资源数量。
  29. 根据权利要求24至28中任一项所述的方法，其特征在于，所述方法还包括：
    所述网络设备向所述终端设备发送所述多个AI模型。
  30. 一种终端设备，其特征在于，所述终端设备包括处理器和存储器，所述处理器和所述存储器相耦合，所述存储器用于存储计算机程序，当所述处理器运行所述计算机程序时，使得所述终端设备执行如权利要求1-16中任意一项所述的方法。
  31. 一种网络设备，其特征在于，所述网络设备包括处理器和存储器，所述处理器和所述存储器耦合，所述存储器用于存储计算机程序，当所述处理器运行所述计算机程序时，使得所述网络设备执行如权利要求17-29中任意一项所述的方法。
  32. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在终端设备上运行时，使得所述终端设备执行如权利要求1-16中任一项所述的方法；或者，当所述计算机指令在网络设备上运行时，使得所述网络设备执行如权利要求17-29中任一项所述的方法。
  33. 一种计算机程序产品，其特征在于，包含指令，当所述计算机指令在终端设备上运行时，使得所述终端设备执行如权利要求1-16中任一项所述的方法；或者，当所述计算机指令在网络设备上运行时，使得所述网络设备执行如权利要求17-29中任一项所述的方法。
  34. 一种芯片，其特征在于，所述芯片包括处理器与通信接口，所述处理器通过所述通信接口读取指 令并运行，当所述芯片安装在终端设备中，使得所述终端设备执行如权利要求1-16中任一项所述的方法；或者，当所述芯片安装在网络设备中，使得所述网络设备执行如权利要求17-29中任一项所述的方法。
  35. 一种通信系统，其特征在于，所述通信系统包括终端设备和网络设备；其中，所述终端设备用于执行如权利要求1-16中任一项所述的方法，所述网络设备用于执行如权利要求17-29中任一项所述的方法。
PCT/CN2023/134580 2023-01-06 2023-11-28 一种通信方法、网络设备和终端设备 Ceased WO2024146303A2 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP23914437.1A EP4642089A4 (en) 2023-01-06 2023-11-28 COMMUNICATION METHOD, NETWORK DEVICE AND TERMINAL DEVICE
US19/261,598 US20250337659A1 (en) 2023-01-06 2025-07-07 Communication method, network device, and terminal device

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN202310020588 2023-01-06
CN202310020588.6 2023-01-06
CN202310149561.7A CN118317356A (zh) 2023-01-06 2023-02-14 一种通信方法、网络设备和终端设备
CN202310149561.7 2023-02-14

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/261,598 Continuation US20250337659A1 (en) 2023-01-06 2025-07-07 Communication method, network device, and terminal device

Publications (2)

Publication Number Publication Date
WO2024146303A2 true WO2024146303A2 (zh) 2024-07-11
WO2024146303A3 WO2024146303A3 (zh) 2024-08-29

Family

ID=91721119

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/134580 Ceased WO2024146303A2 (zh) 2023-01-06 2023-11-28 一种通信方法、网络设备和终端设备

Country Status (4)

Country Link
US (1) US20250337659A1 (zh)
EP (1) EP4642089A4 (zh)
CN (1) CN118317356A (zh)
WO (1) WO2024146303A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120499706A (zh) * 2025-07-03 2025-08-15 荣耀终端股份有限公司 波束管理的信道状态信息报告传输方法、设备及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121487009A (zh) * 2024-08-05 2026-02-06 上海推络通信科技合伙企业(有限合伙) 被用于无线通信的方法和装置
WO2026034460A1 (ja) * 2024-08-08 2026-02-12 京セラ株式会社 通信制御方法及びユーザ装置
CN121645506A (zh) * 2024-08-14 2026-03-10 上海科邸斯科技有限公司 被用于无线通信的方法和装置
CN118735229B (zh) * 2024-09-03 2024-12-17 南通泰盈网络科技有限公司 一种pos机数据远程管理方法及管理系统
CN121586021A (zh) * 2026-01-27 2026-02-27 荣耀终端股份有限公司 通信方法和通信装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021248423A1 (zh) * 2020-06-12 2021-12-16 华为技术有限公司 人工智能资源的调度方法、装置、存储介质和芯片
US20220294666A1 (en) * 2021-03-05 2022-09-15 Samsung Electronics Co., Ltd. Method for support of artificial intelligence or machine learning techniques for channel estimation and mobility enhancements
US20220391776A1 (en) * 2021-06-08 2022-12-08 Texas Instruments Incorporated Orchestration of multi-core machine learning processors
CN113922936B (zh) * 2021-08-31 2023-04-28 中国信息通信研究院 一种ai技术信道状态信息反馈方法和设备
CN115280833A (zh) * 2022-06-16 2022-11-01 北京小米移动软件有限公司 信道状态信息的处理方法、装置及通信设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4642089A2

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120499706A (zh) * 2025-07-03 2025-08-15 荣耀终端股份有限公司 波束管理的信道状态信息报告传输方法、设备及存储介质

Also Published As

Publication number Publication date
EP4642089A2 (en) 2025-10-29
EP4642089A4 (en) 2026-04-01
US20250337659A1 (en) 2025-10-30
CN118317356A (zh) 2024-07-09
WO2024146303A3 (zh) 2024-08-29

Similar Documents

Publication Publication Date Title
US20250337659A1 (en) Communication method, network device, and terminal device
JP7563895B2 (ja) 端末及び基地局
US20210345134A1 (en) Handling of machine learning to improve performance of a wireless communications network
US20250048342A1 (en) Network node in communication system and method performed by the same
WO2024229857A1 (en) Machine learning model processing method, wireless communication device, and system
US20250184798A1 (en) Method and apparatus for measurement reporting in communication system
KR20250144481A (ko) 통신 방법, 장치 및 시스템
CN117561778A (zh) 通信方法、装置、设备及存储介质
EP4068838B1 (en) Communication method and communication apparatus
US20250159523A1 (en) Method and device for transmitting or receiving quantization-based channel state information in wireless communication system
WO2021258316A1 (en) Handling configurations for reporting channel state information
WO2024067248A1 (zh) 一种获取训练数据集的方法和装置
WO2023193659A1 (zh) 网络节能方法及通信装置
CN115484676A (zh) 数据传输方法及装置
US20260136172A1 (en) Machine learning processing capability management
US20260113130A1 (en) Sidelink synchronization signal transmission
WO2026097307A1 (en) Reporting inactive channel state information report configurations associated with beam prediction
WO2026073390A1 (en) Prediction accuracy for channel state information reports
WO2026097430A1 (en) Feature group or subgroup for receiving associated identifiers
WO2025166773A1 (en) A method for life-cycle management of artificial intelligence and machine learning models in wireless networks
CN120786690A (zh) 通信方法及通信装置
WO2025209206A1 (zh) 通信方法及通信装置
WO2025241972A1 (zh) 通信处理的方法、装置及终端
WO2026067180A1 (zh) 通信方法及通信装置
WO2026067252A1 (zh) 通信方法和装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23914437

Country of ref document: EP

Kind code of ref document: A2

WWE Wipo information: entry into national phase

Ref document number: 202527063655

Country of ref document: IN

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112025014024

Country of ref document: BR

WWE Wipo information: entry into national phase

Ref document number: 2023914437

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 202527063655

Country of ref document: IN

ENP Entry into the national phase

Ref document number: 2023914437

Country of ref document: EP

Effective date: 20250723

ENP Entry into the national phase

Ref document number: 2023914437

Country of ref document: EP

Effective date: 20250723

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023914437

Country of ref document: EP

Effective date: 20250723

WWP Wipo information: published in national office

Ref document number: 2023914437

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 112025014024

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20250707