Leyva

已发布版本的引文 (APA)：Thorsager, M.、Leyva-Mayorga, I.、Soret, B. 和 Popovski, P. (2024)。人工智能通信系统的生成网络层。IEEE 网络快报，6 (2)，82-86。文章 10399967。https://doi.org/10.1109/LNET.2024.3354114

如果可以预测，就不需要传达。这是香农将信息定义为不确定性度量的直接结果。然而，数字通信系统主要在源头创建的数据在目的地是不可预测的前提下运行。因此，网络的标准目标是充当比特的哑管道，并确保源数据包的副本通过目的地到达，可能经过多跳。从今以后，中间节点和边缘节点的经典角色是将数据包从输入链路复制到一个或多个输出链路。网络编码 [1] 推广了这一角色，其中网络节点可以超越复制并以更通用的方式组合多个数据流。预测可以显著提高网络层的性能和资源利用率。例如，缓存 [2] 依赖于对可能与目的地相关的数据的预测：源先发制人地将数据传输到边缘节点，该节点存储该数据，直到目的地请求。在这里，源数据不需要实时传输；但边缘节点和目的地都会收到源生成的数据包的副本。网络预测的下一个飞跃是利用生成式人工智能 (GenAI) 及其创建合成数据的能力。具体来说，我们建议使用中间和边缘