第 12 章 当前理论前沿、困难与开放问题
12.1 语义通信是“已解决”的问题吗
不是。它更像一个“正在形成的新学科”。一方面，深度学习已经给出了许多可工作的系统；另一方面，底层理论、评价标准、协议和产业标准仍在讨论中。
如果你刚进入这个方向，请不要拿出“我已经解决了语义信息论”这种宏大口号。更可行的目标是：在明确假设、任务、信道和评价指标下，解决一个有边界的子问题，并说明它比现有方法好在哪。
12.2 十大开放问题
1. 语义信息如何统一度量？
香农信息论用熵和互信息统一度量不确定性。语义信息涉及“意义”，而意义依赖任务、知识、上下文，很难全局统一。
2. 语义熵有没有可计算、可验证的定义？
很多“语义熵”定义需要知道可能世界、知识库或人类语义判断。它们难以在实际数据上计算，也难以跨论文复现。
3. 语义容量的数学结构是什么？
香农容量是“可靠比特率的极限”。语义容量需要先定义“语义错误”，而这个定义本身没有公论。现有语义容量多为特定假设下的研究框架。
4. 发送方和接收方的“知识差异”如何建模？
如果知识不同，传多少、传什么都会变化。这个差异是语义对齐的核心，但尚无统一模型。
5. 怎样定义“语义等价”？
“两个句子意义相同”既取决于语言，也取决于任务。用字符串相等、嵌入距离、任务结果、人工评分，结论可能完全不同。
6. 怎样设计可解释的语义编码器？
深度学习语义编码器通常是一个黑箱。一旦出问题，很难判断是“信息丢失”“信道错误”还是“先验错误”。
7. 怎样保证跨信道、跨任务、跨域的泛化？
训练集可能没有覆盖真实信道。终端类型、环境、用户和任务都会变化。语义编码器需要在线适应，但现有方法通常只针对固定环境。
8. 隐私、安全和可信性如何保证？
语义特征可能泄露用户隐私，攻击者可能通过少量语义触发危险任务。语义通信需要像传统通信一样建立安全机制。
9. 怎样设计公平、可复现的基准测试？
目前缺少像 ImageNet 那样被广泛接受的“语义通信基准”。不同论文任务、信道、指标、码率都不一致，导致结论难以比较。
10. 大模型与语义通信怎样真正结合？
大模型可以生成、补全和理解，但它也可能产生“语义幻觉”、算力消耗大、安全不可控。如何把大模型作为“可信任的知识源”，而不是“不可验证的黑箱”，是重要问题。
12.3 语义通信与“普通任务压缩”的界限
一个常见误区：把所有“用神经网络做压缩”都叫作语义通信。
建议用下面几个问题判断：
- 系统是否显式使用“语义/知识/任务”信息？
- 评价指标是否至少包含语义或任务级指标？
- 接收端是否可以利用先验、上下文或生成能力？
- 信道是否被纳入编码器和解码器设计？
- 系统优化的目标是否不只是“像素级重建”？
如果答案大多是“否”，那么它更接近传统有损压缩或普通深度学习编码。
12.4 语义通信的“香农陷阱”
“香农陷阱”是一个形象说法，指现代通信系统已经非常接近香农容量，继续提高物理层极限越来越难。语义通信想跳出这个约束，不是否定香农，而是：
- 承认物理层容量有限；
- 承认很多任务不需要所有数据；
- 把“通信目标”从比特级升级到语义/任务级；
- 利用 AI 和共享知识重新设计整个链路。
12.5 不同研究方向的定位
| 方向 | 核心问题 | 适合谁 |
|---|---|---|
| 语义信息论 | 如何定义熵、互信息、容量、率失真 | 喜欢数学、信息论的人 |
| 编码器/解码器设计 | 如何提取、压缩、重建语义 | 喜欢深度学习、NLU、CV 的人 |
| 信道适配与鲁棒性 | 如何应对真实信道变化 | 喜欢无线通信、系统仿真的人 |
| 多用户/资源分配 | 如何调度功率、带宽、边缘算力 | 喜欢优化、网络的人 |
| 知识增强 | 如何利用知识图谱、大模型 | 喜欢 NLP、知识推理的人 |
| 安全/隐私 | 如何保护语义、阻止攻击 | 喜欢安全、对抗学习的人 |
| 应用与系统 | 如何落地到自动驾驶、工业、元宇宙 | 喜欢产品、系统工程的人 |
第 12 章小结
- 语义通信仍处于“理论未统一、系统已验证、标准尚缺”的阶段。
- 开放问题既包括数学定义，也包括工程基准、安全和可信性。
- 研究不必追求“定义一切”，可以从一个有明确边界的问题开始。
- 判断一个系统是否真正“语义通信”，要看它是否把语义/知识/任务纳入系统设计，而不只是看网络结构。