讲座主题：

1. 面向低空经济网络的大语言模型增强强化学习

2. 面向大语言模型赋能通信系统的幻觉感知优化方法研究

3. 卫星赋能低空经济网络：概念、应用与发展机遇

4. 认知智能体的世界模型：赋能未来网络边缘智能的范式变革

5. 面向移动边缘网络的专家混合模型：迈向可扩展生成式人工智能的新路径

时间：2025年6月25日（星期三）下午14:30-18:00

地点：北京大学理科二号楼2135会议室

报告人：Dusit Niyato 教授，新加坡南洋理工大学

主持人：程翔 北京大学博雅特聘教授

讲座内容简介：

1.面向低空经济网络的大语言模型增强强化学习

低空经济网络（Low-Altitude Economic Networking, LAENet）旨在通过部署多种类型的空中飞行器，在海拔1000米以下的空间中支持多样化的飞行应用，实现灵活且具成本效益的空中网络服务。然而，复杂的决策过程、资源受限以及环境不确定性为LAENet的发展带来了重大挑战。强化学习（Reinforcement Learning, RL）为应对这些挑战提供了一种可能的解决方案，但在泛化能力、奖励函数设计和模型稳定性等方面仍存在一定局限性。近年来，大语言模型（Large Language Models, LLMs）的出现为强化学习的发展提供了新的机遇。

本讲座首先将介绍如何借助LLMs的生成能力、上下文理解能力和结构化推理能力，将其集成到强化学习中。随后，我们提出一种面向LAENet的大语言模型增强强化学习框架，探索LLM在信息处理器、奖励函数设计者、决策制定者和内容生成者等角色中的作用。此外，我们还通过一个案例研究展示了如何利用LLM设计奖励函数，从而提升强化学习在LAENet中的学习性能。最后，讲座将总结相关研究成果，并对未来的研究方向进行展望。

2.面向大语言模型赋能通信系统的幻觉感知优化方法研究

大语言模型（Large Language Models, LLMs）近年来在通信领域大放异彩，比如在电信系统、数学建模和自动编码等方面都取得了很大进展。然而，这类模型也有一个很大的问题——幻觉（Hallucination）。简单来说，就是模型有时候会“编故事”，生成一些与事实不符或者不相关的内容。这种现象在需要高可靠性的通信系统中可能会带来严重影响。

本讲座将带大家了解什么是模型幻觉、为什么会出现幻觉，以及我们可以采取哪些方法来减少幻觉的发生。我们会介绍当前学术界和工业界主要使用的几种解决方案，比如改进训练方法、优化模型结构，以及利用系统辅助判断内容的真实性等。讲座还会展示一个实际案例：我们开发了一个面向电信场景的大语言模型系统，并设计了一套新的优化方法，结果使模型的正确率提高了20%以上。

3.卫星赋能低空经济网络：概念、应用与发展机遇

低空经济（Low-Altitude Economy, LAE）是一种新兴的经济形态，主要依靠低空飞行器（Low-Altitude Vehicles, LAVs）在各类场景中执行任务，如空中巡查、物流运输、应急救援等。为了让这些飞行器高效运行，我们需要构建低空经济网络，来实现对它们的通信、管理与调度。目前，大多数研究尝试复用地面通信网络来服务这些低空飞行器，但地面网络覆盖范围有限，特别是在偏远或山区地区，难以满足需求。

此外，LAVs的运行不仅需要通信支持，还需要精确的定位、导航与控制，而传统的地面网络难以全面胜任。相比之下，卫星通信系统凭借其全球覆盖、高空视角和多功能能力，成为低空经济网络的重要补充方案。

本讲座将从整体上介绍低空经济与卫星系统的基本概念、应用场景与系统架构。我们将重点分析卫星在低空经济网络中可以提供哪些支持，比如通信保障、任务控制、边缘计算等关键功能。由于卫星与飞行器之间通信信道复杂、变化快，我们还将介绍一种卫星辅助低空经济网络的创新架构，包括“分布式多输入多输出（MIMO）通信”和“两阶段优化策略”。

最后，我们将通过案例研究展示这种架构如何有效降低通信功率需求、延长服务时间，并在性能和系统开销之间取得良好平衡。希望通过本讲座，大家能对“卫星+低空经济”这一前沿交叉方向形成初步理解，激发对未来通信系统的兴趣。

4.认知智能体的世界模型：赋能未来网络边缘智能的范式变革

世界模型（World Models）作为人工智能领域的新兴范式，赋予智能体以构建环境内部表征的能力，使其能够在决策过程中进行预测性推理、规划与因果分析。通过对环境潜在动态（latent dynamics）的建模，世界模型能够在数据有限或安全敏感的场景下显著提升样本效率和泛化能力，逐渐成为强化学习与自主智能研究的关键支撑。

本讲座首先将系统梳理世界模型的发展脉络与核心架构，涵盖其组成模块（如观测编码器、动态模型、解码器）、训练方法（例如基于变分自编码器的学习机制）以及在预测、生成、路径规划与因果推理等多种任务中的应用实践。随后，我们将世界模型与其他相似概念进行对比，包括数字孪生、元宇宙与基础模型，重点阐明世界模型作为“嵌入式认知引擎”在自主智能体系统中的独特地位与价值。

在此基础上，我们提出Wireless Dreamer框架——一种面向未来无线边缘智能的世界模型增强型强化学习方法，特别适用于低空无线网络（Low-Altitude Wireless Networks, LAWNs）中的任务优化。通过一个结合气象感知的无人机轨迹规划案例研究，我们验证了该框架在提升学习效率与决策质量方面的有效性，并探讨了其在边缘资源受限条件下的可扩展性。

5.面向移动边缘网络的专家混合模型：迈向可扩展生成式人工智能的新路径

生成式人工智能（Generative AI, GAI）近年来取得突破性进展，代表性成果如ChatGPT已在多个领域实现颠覆式应用。为了在保障性能的同时降低计算资源消耗，当前主流GAI模型普遍采用**专家混合模型（Mixture of Experts, MoE）**结构，通过在多个专家模型中选择性激活部分专家参与推理过程，提升了推理效率与可扩展性。

然而，将GAI模型部署至用户终端仍面临显著挑战，尤其是在资源受限的边缘设备上运行时。为此，本讲座提出一种融合移动边缘网络的MoE型生成式AI架构，以实现高效的任务分发与模型协同运行。我们首先回顾MoE在传统AI与GAI中的发展脉络、典型结构和应用场景。随后，介绍一种基于任务划分的系统架构，将生成任务的子模块智能下发至移动边缘网络中的用户设备或边缘节点执行。

为应对任务调度和设备异构性带来的挑战，我们设计了一种基于**深度强化学习（Deep Reinforcement Learning, DRL）**的智能决策算法，用于动态选择合适的边缘设备承担特定子任务，从而优化整体运行效率与生成质量。实验结果表明，该架构不仅显著降低了GAI模型在边缘侧的运行负载，而且在生成内容质量方面优于未结合边缘网络的传统方法。

报告人简介：

Dusit Niyato教授

Dusit Niyato，现任新加坡南洋理工大学计算机科学与工程学院教授，IEEE会士（IEEE Fellow）和IET会士（IET Fellow）。他于1999年获得泰国先皇理工大学的学士学位，并于2008年获得加拿大曼尼托巴大学电气与计算机工程博士学位。Dusit教授在人工智能、大语言模型、强化学习、物联网(IoT)、移动和分布式计算以及无线网络等研究热点上做出了重要贡献，曾荣获多项学术奖项与基金荣誉，包括2024年IEEE斯图尔特·迈耶纪念奖（表彰对车辆网络智能无线电资源管理发展的贡献，以及IEEE车辆技术协会的示范服务）、IEEE通信学会(ComSoc)亚太地区最佳青年研究员奖、2021年IEEE计算机学会中级职业研究员奖（以表彰在可扩展计算方面的卓越成就）、2022年IEEE ComSoc绿色通信与计算技术委员会杰出技术成就认可奖等。此外，他担任IEEE Communications Surveys and Tutorials领域编委，IEEE Transactions on Network Science and Engineering总主编，IEEE Transactions on Vehicular Technology领域编委，以及IEEE Transactions on Wireless Communications、IEEE Internet of Things Journal、IEEE Transactions on Mobile Computing等期刊的编委。他是2024-2026年度IEEE通信协会理事会成员成员之一。他在2017-2024年连续被评为计算机科学领域的高被引学者，谷歌学术引用92600余次，h指数141。