移动通信从1G走到5G,普通用户最先感知的是网速和时延变化。当手机、汽车、智能眼镜和机器人开始内置AI能力,通信网络面对的不再只是语音、视频和图片,还包括模型参数、环境特征和控制指令。AI进入物理世界后,网络要同时支撑训练、推理和多设备协作,这成为6G研究的一条主线。
浙江大学信息与电子工程学院研究员杨照辉长期研究智能通信计算融合系统。2026年9月,他入选《麻省理工科技评论》“35岁以下科技创新35人”亚太区榜单。他也是浙江大学百人计划研究员、博士生导师。
![]()
杨照辉的研究路径从4G时期开始。2010年,东南大学学长学姐到高中宣讲,介绍通信专业与4G手机研发,他因此选择通信方向。大二加入东南大学移动通信国家重点实验室陈明教授团队,参与华为相关项目,研究LTE基站站址规划。基站位置会影响区域网络质量,团队尝试用数学分布式组合优化方法寻找更合理布局。
到5G阶段,网络规模扩大,资源分配和设备协同更复杂。博士期间,他研究大规模无线网络分布式资源分配。2018年博士毕业后,他到英国从事博士后研究。那时联邦学习在计算机领域受到关注,他与合作者把它引入无线网络,转向通信与分布式AI交叉方向。
无线联邦学习解决一个现实矛盾:数据分散在本地且可能含隐私,集中上传原始数据并不合适。以输入法为例,设备可在本地用个人输入习惯训练模型,再把模型更新信息传至服务器整合。这样既利用分散数据,也减少直接共享原始数据。不过模型更新仍可能泄露隐私,需要配合其他保护机制。
把联邦学习放进无线网络后,通信不是稳定管道。用户移动会令信道质量变化。三个人一起训练模型,其中一人信号突然变差,若另外两人一直等待,整个训练会被拖慢。杨照辉团队因此研究无线传输误差与分布式学习收敛的关系,并设计通信计算协同调度。在相关实验条件下,系统时延降低67%,相同时延约束下AI准确率提升10%。
他们还将思路用于大模型分布式训练和微调。企业本地部署大模型后,若每次新业务数据都全量重训,通信和计算成本很高。团队研究多个设备用各自计算资源协同更新少量参数,让模型适应新任务,并希望形成具有通用性的框架,让算力有限的企业也能完成部分训练和更新。
语义通信是另一条线索。传统通信追求把文字、图片、视频准确复制到接收端,但在某些任务中,接收端只需理解含义或执行动作。杨照辉用《背影》作比:很多人多年后记不住原文,却仍记得父子情感。通信若以任务为目标,就可以提取更重要特征,而不必完整传输所有数据。AI对图像、文本理解能力增强后,这种面向任务的传输有了更多实现可能。
团队做过无人机图像传输演示。无人机距离近时能正常回传画面,距离增加后信号变弱,完整图像难以稳定传回。他们让系统在信道较差时先提取图像语义信息,以较少数据传给接收端,再用接收端已有知识和生成模型重建画面。重建结果会保留主要场景和物体,但细节未必与原图完全一致。精度要求高的任务仍需保留相应信息。
对于未来终端,杨照辉认为通信内容和方式都会变化。用户一句文字请求可能触发大量视频生成数据,AI任务还常有多轮交互。网络需要适应不同任务,动态分配通信和计算资源。无线信号在传播中受环境物体影响,结合AI分析可获取位置、运动状态等信息,使通信网络同时承担部分感知功能,并与摄像头、雷达等形成互补。
多机器人协作是杨照辉的重点方向。机器人要先感知环境,再交换信息、计算和分配任务,最后接收控制指令执行动作。通信、感知、计算和控制需要协同。但机器人本地算力有限,复杂模型难以全部本地运行,因此要在云端、边缘节点和终端之间分配计算任务。机器人之间也未必需要自然语言完整描述环境。两台机器人搬物体时,可能只需交换位置、运动状态和下一步控制信息。团队已在机器狗等设备上开展验证,把通信设备与机器人平台结合,研究多智能体协同感知、通信与控制。










