ARTICLE · 1052988
智传网(AI Flow)为什么能传得又快又好?
从“比特流”到“词元流”
作为新一代通信网
不再传输视频原始像素
而是先“理解”再“重建”
当补足了通信哑铃的另一端
接收端需要在极短时间内
保障实时、流畅、稳定的
视频重建
那么，智传网（AI Flow）
是如何做到
传得又快又好的呢？
智传网（AI Flow）不是脱离原视频凭空现象，而是通过增加计算降低带宽需求，根据词元流所提供的语义、特征、条件等信息进行还原重建。但面临的一个问题是，如果接收端的多模态生成模型需要反复进行多轮计算，可能会错过实时交互的窗口。
传统 DMD 蒸馏技术可以高效压缩计算步数，但同时自带副作用：模型会倾向收敛到高概率结果，不同的初始状态、噪声输入，最后被挤压成少数相似输出。
放到视频重建的过程中，会出现动态坍缩，即动作幅度缩水、运动轨迹趋同、状态变化被过度平滑......视频看着还能动，但丢失原画面中的丰富动态。
然而，智传网（AI Flow）的生成式智能传输（GenTrans）不会让同一份词元流被随意重建成不同视频，而是要避免模型把输入中本应保留的运动、状态和条件抹平。
为此，中国电信集团 CTO、首席科学家、中国电信人工智能研究院（TeleAI）院长李学龙教授带领团队创新提出一项 Uncertainty DMD 方法，避免重建出现随机情况，让模型对初始状态和历史变化保持必要的敏感度。
Uncertainty DMD 的目标是修复蒸馏过程被损耗掉的状态差异，其核心思路十分轻巧：
对首段视频的初始去噪时间步做微小扰动，阻止不同初始状态过早收敛到同一条轨迹
片段存入历史缓存之前，施加概率性轻量扰动；缓存写入后保持固定，让每一条视频序列沿着自身独有的历史状态继续推演
首段确立重建初始状态，历史缓存记录已经发生的运动，后续画面理应顺着各自轨迹继续发展。保留状态差异，才不会让万千可能性坍缩为同一个结局。
Uncertainty DMD 无需改动原有生成网络，仅新增轻量时间步与缓存操作，训练、推理扰动机制保持统一。实验验证，该方法有效缓解蒸馏带来的静态化、运动退化问题，同时维持良好的单帧画面质量。
自回归视频还有一处短板：传统 DMD 训练会截断片段之间的梯度传递。模型可以学好当前片段的画面修正，却很难学到现在发生的变化如何影响后续画面。
TeleAI 还提出直接更新估计方法：
方法一
跳过完整学习学生分布的前置流程，直接定位教师模型与学生模型之间最关键的差异，定向完成修正
方法二
评估当前片段改动对后续长序列带来的连锁影响，不需要对整条长视频做完整反向传播，补齐被截断的跨片段因果关联
二者结合，让少步蒸馏不只盯着当下一帧画面好不好看，更兼顾运动延续性、跨片段轨迹连贯性。
客观测试显示，视觉与运动流畅度得到改善，但并非全部指标同步全面提升，它定位是对自回归蒸馏学习范式的重要优化，而非全能型方案。
如果说
DMD 实现更少计算步骤
提速重建
那么
Uncertainty DMD 则
在加速同时保护动态信息
避免运动被抹平
打通时序关联
保证画面变化可以向前传递
长序列连贯可控
智传网（AI Flow）
生成式智能传输
把效率、时延、精度
运动连贯性、条件可控性
全部纳入技术目标
让统一的词元流
在端边云之间按需流动
在有限带宽和算力条件下
传得又快又好
进一步扎根新一代通信网建设
服务国家“六张网”布局
在赋能通信提速、提质的同时
更让AI+通信的融合创新
惠及千行百业、千家万户
相关工作
Z. Duan, X. Xiang, Y. Chen, X. Zhang, C. Liu, H. Huang, C. Zhang, Q. Fan, X. Li*, “Uncertainty DMD: Restoring Diversity in Few-Step Autoregressive Video Distillation”, arXiv:2408.09929.
X. Chen, J. Luo, Y. Fan, H. Huang, C. Zhang, X. Li*, "Generative Transmission: Rethinking Computation, Bandwidth, and Memory in Communication", WAICA 2026, arXiv:2607.17482.
J. Shao and X. Li*, "AI Flow at the Network Edge", IEEE Network, vol. 40, no. 1, pp. 330-336, Jan. 2026, doi: 10.1109/MNET.2025.3541208.
H. An, W. Hu, S. Huang, S. Huang, R. Li, Y. Liang, J. Shao, Y. Song, Z. Wang, C. Yuan, C. Zhang, H. Zhang, W. Zhuang, X. Li*. "AI Flow: Perspectives, Scenarios, and Approaches", Vicinagearth 3, 1 (2026).