第 11 章 多用户、网络与资源分配：语义通信如何落地
11.1 为什么不能只关心单条链路
如果你只研究“一个发送端到一个接收端”，很可能忽略真正复杂的网络问题。在实际网络中：
- 多个用户共享频谱和功率；
- 不同用户任务不同，语义重要性不同；
- 有人只传文本，有人传视频，有人传控制指令；
- 信道状态不断变化；
- 终端算力、能量和延迟不同；
- 可能还需要边缘计算、缓存、联邦学习等协作。
所以，语义通信研究不仅包括“编码器/解码器”，还包括“网络如何调度语义数据”。
11.2 语义感知的资源分配问题
假设系统有 $U$ 个用户，每个用户 $i$ 分配功率 $p_i$ 和带宽 $b_i$，经过信道 SNR 为：
$$ \gamma_i=\frac{p_i|h_i|^2}{N_0b_i} $$用户在任务 $V_i$ 上的语义性能为：
$$ Q_i(\gamma_i,\theta_i) $$其中 $\theta_i$ 是语义编码器和任务模型参数。
资源分配问题可以写成：
$$ \max_{\{p_i,b_i,\theta_i\}}\ \sum_{i=1}^{U}w_i Q_i(\gamma_i,\theta_i) $$约束条件为：
$$ \sum_{i=1}^{U}p_i\le P_{\max},\qquad \sum_{i=1}^{U}b_i\le B_{\max} $$以及：
$$ p_i\ge 0,\quad b_i\ge 0,\quad \text{每用户延迟、可靠性、任务质量约束} $$其中 $w_i$ 是用户/任务优先级。
重要思想：传统资源分配最大化总速率/频谱效率；语义通信资源分配最大化“语义效用”或“任务成功率”。这会导致功率和带宽分配给“不会说话的人”“只报异常的人”，而不是给数据量最大的人。
11.3 语义价值与权重
不同信息的价值不同：
- 火灾报警：少传几帧图像，只要“火焰”信息正确，价值极高；
- 普通视频直播：要保证视觉连续性；
- 机器人控制：需要低延迟和高可靠；
- 无人驾驶：即使一个小目标检测错误也可能造成严重后果。
所以常用“语义重要性/效用函数”建模：
$$ U_i=\alpha_i Q_i-\beta_i R_i $$其中 $\alpha_i$ 是任务收益，$\beta_i$ 是资源成本。
11.4 跨层设计
语义通信跨越多个层次：
- 应用层：任务、意图、上下文。
- 语义层：特征提取、知识表示、语义压缩。
- 传输层：分组、队列、延迟。
- 网络层：路由、缓存、移动性。
- 物理层：信道编码、调制、功率、MIMO。
传统分层设计是“每层独立优化”；语义通信更强调“跨层联合”。
11.5 边缘计算与语义分割
有时发送端算力有限，不能训练完整的大模型。于是可以用“语义分割”：
$$ \text{终端提取浅层特征}\to\text{传输到边缘}\to\text{边缘完成剩余语义编码/任务} $$这叫做 Split Learning 或任务分割。它可以在“通信带宽、计算成本、隐私”之间做权衡。
例如：
- 终端只传一组特征向量；
- 边缘服务器完成分类；
- 原始数据不出终端，保护隐私；
- 同时减少传输量。
11.6 语义缓存
如果很多用户经常问类似的问题，可以在网络边缘缓存“语义答案”或“语义表示”，而不是每次从云端传完整数据。
例如：
- 用户问“北京天气如何”。
- 边缘节点已经缓存了相关语义知识。
- 发送方只需传一个极短的语义请求 ID 或上下文标识。
- 接收方用缓存语义补全回答。
这可以将语义通信和缓存、知识图谱、边缘人工智能结合。
11.7 多用户干扰与复用
多用户系统中常见的干扰模型：
$$ \mathbf{y}_i=\mathbf{H}_i\mathbf{x}_i+\sum_{j\ne i}\mathbf{H}_{i,j}\mathbf{x}_j+\mathbf{n}_i $$如果不同用户传的是不同任务，它们的语义表示可能不互相干扰，也可能因为缺乏分离设计而互相污染。
语义通信可以研究：
- 任务感知的用户调度；
- 语义特征正交化；
- 基于语义重叠度决定是否复用；
- 面向语义的 QoS 优先级；
- 多播/广播语义服务，例如同一个重要事件发给多个用户。
11.8 语义通信与数字孪生、元宇宙
- 数字孪生：需要把物理世界状态同步到虚拟世界，同步的不一定是所有原始数据，而是“关键语义状态”。
- 元宇宙/VR/AR：大模型生成场景，网络只需传用户视角和变化语义，减少带宽和延迟。
- 工业物联网：传感器只传异常和关键事件，边缘模型执行预测性维护。
- 自动驾驶/车联网：车辆共享意图、障碍物语义和决策，而不是传完整点云。
- 远程手术/远程操控：任务成功率至关重要，语义压缩必须保证低延迟和可靠性。
11.9 语义通信与大规模智能体
当系统中有大量智能体时，需要考虑：
- 它们是否共享模型/知识？
- 谁来负责语义提取？
- 语义表示是否需要对齐？
- 是否允许本地推理和生成？
- 如何避免“语义冲突”？
这一方向常被称为“多智能体语义通信”，研究问题包括协作、联邦、对抗和博弈。
11.10 性能指标的落地
在实验中，资源分配任务可以包含：
- 总带宽/功率；
- 每个用户的 SNR；
- 每个用户的任务质量；
- 总频谱效率；
- 平均任务成功率；
- 平均延迟；
- 公平性指标；
- 算力/能量成本。
推荐做法：先做“单用户封闭实验”，再做“多用户调度实验”；单用户证明系统可行，多用户证明语义价值。
第 11 章小结
- 语义通信不能只停留在单链路编码，还要研究网络资源分配。
- 资源分配目标应从“总速率最大化”升级为“语义/任务效用最大化”。
- 边缘计算、缓存、知识图谱、多智能体协作都是关键接口。
- 跨层设计和立体指标是语义通信落地的核心难点。