《中國移動：2024年6G網絡內生AI技術白皮書（1.0）（29頁）.pdf》由會員分享，可在線閱讀，更多相關《中國移動：2024年6G網絡內生AI技術白皮書（1.0）（29頁）.pdf（29頁珍藏版）》請在三個皮匠報告上搜索。

1、16G 網絡內生網絡內生 AI 技術技術白皮書白皮書 1.0（2024 年）年）發布單位發布單位：中國移動通信集團有限公司中國移動通信集團有限公司、中信科移動通信技術股份有中信科移動通信技術股份有限公司限公司、中國電信股份有限公司研究院中國電信股份有限公司研究院、維沃移動通信有限公司維沃移動通信有限公司、聯聯發博動科技發博動科技（北京北京）有限公司有限公司、之江實驗室之江實驗室、北京歐珀通信有限公司北京歐珀通信有限公司、華為技術有限公司華為技術有限公司、中興通訊股份有限公司中興通訊股份有限公司、上海諾基亞貝爾股份有上海諾基亞貝爾股份有限公司、中關村泛聯移動通信技術創新應用研究院限公司、中關村泛

2、聯移動通信技術創新應用研究院前前言言伴隨著當下 AI 技術突飛猛進、日新月異，各種 AI 應用已在眾多領域中全面深入開花，未來 6G 網絡和 AI 的深入融合應用已是必然趨勢。6G 網絡/終端和AI 在不同的技術層面相互賦能和促進，能夠助推 6G 和 AI 雙邊生態產業的互惠共進共贏。本白皮書旨在提出業界對于 6G 網絡與 AI 融合的產業分析和技術研究，促進 6G 與 AI 深度融合，實現 6G 網絡內生 AI，希望能夠為未來 6G 網絡的規劃與建設解決方案提供參考和指引。6G 網絡與 AI 融合實現內生 AI 是復雜且多樣的，涉及網絡架構的重新設計及 AI 技術的融入等，涵蓋了終端、基站、

3、云、接入網、核心網等多方面，全球各組織機構都在積極探索和研究。全面分析現在全球對于網絡與 AI 融合技術策略及態勢、在諸多內生 AI 技術方向中探尋更具價值的未來關鍵技術，并倡導產學研深度合作是我們撰寫此白皮書的初衷。在此白皮書中，我們首先闡述了 5G的發展和 6G 的研究現狀，并研究了網絡與 AI 融合的驅動力，然后在此基礎上分別介紹了網絡與 AI 融合愿景、產業現狀以及發展路徑和指導原則，歸納總結內生 AI 中 AI for Net 和 Net for AI 兩方面的技術難點、目標和技術方案，包括Agent 和大模型前沿技術研判，最后呼吁全球產業合作，加速 6G 網絡與 AI 融合技術成果

4、的轉化和應用，白皮書由中國移動等 11 家央企和產學研單位聯合發布，促進 6G 與 AI 融合領域在未來產業通信領域達成階段共識，推動整個通信網絡產業和業務的升級和發展。目目錄錄1.背景.41.1 5G 發展和 6G 研究現狀.41.2 網絡與 AI 需求和驅動力.42.愿景、現狀、路徑和原則.62.1 網絡與 AI 融合愿景.62.2 產業現狀.72.3 發展路徑和指導原則.83.技術方案.93.1 技術攻堅.93.2 AI for Net 和 Net for AI 技術目標.113.2.1 AI for Net 技術目標.113.2.2 Net forAI 技術目標.123.3 技術方案.

5、143.3.1AI for Net 技術.143.3.1.1AI 賦能 RAN.143.3.1.2AI 賦能核心網.163.3.1.3AI 賦能端到端 QoS 優化.173.3.2 Net forAI 技術.183.3.2.1 融合架構思考.183.3.2.2 融合關鍵技術.203.3.2.3 融合基礎平臺.213.3.3 前沿技術研判.213.4 價值場景.234.產業倡議.24縮略語列表.26參考文獻.281.背景背景1.15G 發展發展和和 6G 研究現狀研究現狀5G 的發展是全球通信領域的一個重要里程碑，它帶來了更快的數據傳輸速度、更低的延遲和更大的網絡容量，同時也帶動了多個行業的數字

6、化轉型和創新，但應用深度有待進一步加強，缺乏真正的殺手級應用。目前 5G ToC 業務承載流量的優勢已初步顯現，5G ToB 在煤礦、鋼鐵、港口等對生產安全性要求非常高的行業的應用取得了良好成效，但在其他行業的規模復制中面臨諸多挑戰，跨領域合作仍然存在壁壘，需求碎片化嚴重，行業間協調機制有待完善。5G 到現在正式商用已經有 5 年，目前各產學研機構正在研究和積極推動 5G-A 的標準化和商用，未來對于 5G-A 垂直行業的探索和發展，將會培育新的產業生態和商業模式，也將為 6G 實現“萬物智聯”奠定堅實基礎。6G 是繼 5G 之后的下一代通信技術，目前 6G 處于早期研究和開發階段，全球許多國

7、家和行業組織已經開始布局 6G 技術研究。諸多海外組織包括美國 NextG 聯盟、歐盟 Hexa-X 和 Hexa-X II、韓國三星及日本 NTT DoCoMo，以及眾多國內的產學研單位包括三大電信運營商、各大高校和廠商等，都在積極地參與6G 技術研發，提出各自的技術演進路線圖，全球 6G 技術競爭形勢愈加激烈。未來 2025-2030 年，6G 將進入標準制定階段，預計到 2030 后進入商用階段，6G技術逐步走向商用，應用于各行各業。1.2網絡與網絡與 AI 需求和驅動力需求和驅動力ITU 定義了 5G 網絡的 eMBB、uRLLC、mMTC 三類場景，并在標準中定義了三類解決方案，同時

8、引入了移動邊緣計算和網絡切片等新技術，以滿足差異化和碎片化的應用場景需求，特別是面向 2B 的差異化應用場景。一方面現有上述5G 能力無法滿足 6G 場景中超高峰值速率、超低時延、立體覆蓋、超高精度定位能力和時延確定網絡等要求，采用傳統方法提升網絡性能指標存在一定瓶頸，AI 技術可以提供一種新的實現方案；另一方面隨著 AI 技術的廣泛應用，未來網絡也要提供 AI 相關的能力及服務，更好地滿足未來業務的變化及需求。由 5G 需求驅動，在 5G 網絡中，已經開展了一些 AI 技術應用相關的探索工作并取得了一定的成果。例如：利用 AI 技術實現自組織網絡（SON）的自配置、自優化和自修復，減少人工干

9、預，提高網絡管理效率；在 5G 垂直行業如石油化工、建筑、礦場等應用中，5G 專網支持現場監控設備的連接，增強生產狀態的監控能力同時通過 AI 技術實現智能精準化異常故障預警和風險管理；AI 還能通過分析和優化網絡流量、預測故障等方式，增強 5G 網絡的穩定性、安全性和智能化水平；3GPP 等國際標準化組織正在將AI 技術引入5G 的業務和網絡架構中，以支持 AI 和機器學習服務，包括模型分發、傳遞和訓練等方面。AI 技術在 5G和 5G-A 時代的應用場景、潛在需求和網絡架構設計方面的研究，正在為未來 6G網絡與 AI 融合設計奠定基礎，同時也在促進網絡與 AI 的深度融合，推動在 6G網絡

10、架構的革新和技術的創新，實現 6G 網絡內生 AI。由 6G 需求驅動，面向新場景，圍繞 6G“數字孿生，智慧泛在”總體愿景，未來移動通信網絡將在智享生活、智賦生產、智煥社會三個方面催生全新的應用場景。2023 年 6 月，國際電信聯盟無線電通信部門（ITU-R）如期完成了IMT 面向 2030 及未來發展的框架和總體目標建議書1，AI 與通信作為 6G 的六個典型場景之一被提出，由此可見 AI 將在 6G 扮演重要的角色。6G 不再是僅僅提供連接能力的管道，而是通信、感知、計算、AI、大數據、安全等技術的深度融合、空天地一體全域覆蓋的新一代移動通信網絡，呈現出極強的跨學科、跨領域發展特征。6

11、G 網絡將具備“大算力”的硬件環境和條件，因此可有效地支撐各種 AI應用的算力需求；6G 網絡將具備“AI 全生命周期管理”的智慧內生能力，因此可有效地支撐 AI（大）模型的構建訓練推理優化等 AI 業務；6G 無線系統將具備“無線感知+網絡感知+用戶感知”等更強大能力，因此可有效地支撐各類 AI 應用的（大）數據需求。此外，6G 無線系統還天然具備著“更強大的超級終端”、“邊緣式”（超級基站）、“分布式”（泛在組網）和“語義式”（基于本地智能體代理）等特征，因此，6G 網絡和 AI 的融合具備非常堅實的條件基礎和發展必然性。AI 技術將成為 6G 網絡的內生能力，從而助力 6G 網絡適配更多

12、應用場景。6G 網絡旨在構建一個更加智能、高效、安全、可信的下一代移動通信網絡和智能信息服務平臺。未來，6G 網絡與 AI 將深度融合，實現內生 AI。6G 網絡內生 AI 是在 6G 網絡架構內部提供數據采集、數據預處理、模型訓練、模型推理、模型評估等 AI 工作流全生命周期的完整運行環境，將 AI 服務所需的算力、數據、算法、連接與網絡功能、協議和流程進行深度融合設計。2.愿景、現狀愿景、現狀、路徑路徑和原則和原則2.1網絡與網絡與 AI 融合愿景融合愿景面向 6G 智慧泛在愿景，現有“外掛式”和“碎片化”的網絡智能化解決方案和云 AI 服務供應方案存在效率較低，難以提供近實時高性能 AI

13、 應用和服務的弊端，無法滿足未來網絡智能化、垂直行業等對智能的需求。6G 網絡內生 AI 的實現需要網絡與 AI 深度融合。，具體體現在以下四個方面：（1）在架構和業務能力方面，支持連接、計算、數據和 AI 算法/模型等元素的深度融合和高效協同，支持將 AI 能力按需編排到無線、傳輸、承載、核心等，支持“AI 全生命周期管理”和各種 AI 業務能力，為高水平網絡自治和多樣化業務需求提供智能化所需的基礎能力。（2）在硬件平臺資源和能力方面，6G 網絡將能夠最大池化和共享復用內部的算力資源，靈活高效地支撐內外各種 AI 應用（大）算力需求，實現 AI 四要素的按需調度。例如：基于泛在的算力感知和編

14、排協同利用等。（3）在數據獲取流轉和治理方面，6G 網絡將能夠高效高質量地支持 AI 應用各種需求，例如：基于感知采集、隨路處理和特征提取為 AI 模塊貢獻高質量的數據集等。（4）面對 6G 網絡內外各種不同的 AI 應用需求，6G 無線系統將能夠充分合理地利用“邊緣式”、“分布式”和“語義式”等技術手段和它們的組合進行靈活操作，在線高效地完成 AI 任務。6G 網絡 AI 融合旨在研究內生 AI 的關鍵技術體系，形成 6G 網絡與 AI 雙向賦能的理論與技術方案，并構建一套內生于網絡架構的高效率高性能 AI 服務供應系統，促進未來6G網絡實現從傳統通信網絡向智能信息服務網絡的重大轉變。2.2

15、產業現狀產業現狀在研究布局上，國內方面，2020 年 12 月，中國移動聯合多家成立專注于 6G網絡 AI 技術的產業組織 6GANA（6GAlliance of Network AI），并率先提出內生AI 2的理念，旨在促進 AI 與無線網絡的深度融合。IMT2030-6G 推進組的無線AI 任務組發布無線 AI 技術研究報告3，重點關注基于 AI/ML 的物理層、鏈路層、網絡層技術，從 AI for Network 的角度探討如何對網絡進行預測、優化、管理、控制等。CCSA 成立無線通信技術工作委員會（TC5）前沿無線技術工作組（WG6），并發布了面向原生智能的新一代無線通信與網絡架構研究

16、報告、新一代無線網絡邊緣智能技術研究等與 6G 網絡內生 AI 框架的研究報告45。國外方面，O-RAN 聯盟正在推動無線空口 AI 和網絡 AI 標準化制定工作,標準初步支持 AI for RAN 以及 RAN forAI 的基礎能力。國際標準組織 ITU 將“通信與 AI 融合”作為 6G 網絡的重要應用場景，強調了 AI 與通信之間互利互惠的關系1。3GPP RAN 在 R18 通過“AL/ML for NR Air Interface”立項，旨在充分挖掘機器學習預測能力，探索 AI 在物理層的應用，并開展支持 AI 的 5G 無線接入網總體功能框架設計。日本軟銀、美國英偉達牽頭成立 A

17、I-RAN 聯盟，旨在聚焦人工智能（AI）和無線接入網絡（RAN）融合的 6G 關鍵技術方向，升級現有網絡基礎設施、提高移動網絡效率、部署邊緣 AI 服務。Next GAlliance 則發表了Next G Alliance Roadmap to 6G白皮書強調了 6G 網絡 AI 功能方面，需要實現通信計算和數據的深度融合、移動和云系統的全面融合和大規模網絡計算結構部署6。在硬件支撐上，6G 網絡的內生智能技術將使網絡從傳統的連接管道轉變為提供多元化服務的平臺，這將需要更智能的硬件支持，包括 AI 加速器和智能處理單元。AI 芯片技術正在快速發展，包括更高效的算法、更先進的芯片制造技術、更強

18、大的計算能力，這些技術進步為 AI 應用提供了更強大的硬件支持，并且產品結構多樣化，包括 GPU、FPGA、ASIC 及類腦芯片等，GPU 因其并行計算和浮點運算能力在 AI 芯片市場中占據主導地位。全球各大 AI 芯片廠商都在積極布局 AI 芯片市場，例如英偉達、高通、英特爾、三星、聯發科、華為海思、寒武紀、地平線等。2.3發展路徑發展路徑和指導原則和指導原則發展路徑：發展路徑：從 AI 賦能網絡和網絡使能 AI 兩方面考慮內生 AI 技術的發展路徑如圖 2-1，研究基于 AI 提升通信系統性能的技術，以及將通信系統作為平臺為用戶提供更好的 AI 服務的技術，二者“雙向驅動”。圖圖 2-1

19、6G 網絡與 AI 融合技術的發展路徑AI for Net（AI for Network，AI4NET）：即 AI 賦能網絡，通過 AI 提升網絡自身的性能、效率和用戶服務體驗。AI 賦能網絡主要研究包括利用 AI 優化傳統算法（如空口信道編碼、調制）、優化網絡功 能（如移動性優化、會話管理優化）、優化網絡運維管理（如資源管理優化、規劃管理優化）等。Net forAI（Network forAI，NET4AI）：即網絡使能 AI，通過網絡為 AI 提供多種支撐能力，使得 AI 訓練/推理可以實現的更有效率、更實時，或者提升數據安全隱私保護等。NET4AI 將傳統網絡范圍從連接服務，擴展到算力、

20、數據、算法等層面。指導原則：指導原則：（1）3GPP 已在 5G-A 階段標準化 AI for Net，并進一步研究 Net forAI，但兩者在時間節奏上不同。3GPP 從 CT 視角融合利用 AI，以可驗證可變現的價值用例為先導，不主張盲目夸大 AI 價值。因此，6G 網絡與 AI 融合發展應遵從“可驗證可變現的價值”原則，并與 5G-A 融合 AI 應用范式保持演進性和繼承性。（2）6G 系統設計要以提升通信網絡服務的品質效率為首要目標。6G 網絡的基礎邏輯架構和協議流程等，首先要優先適配通信網絡類服務，產品規格和資源配置也是以保障提升通信網絡類服務為主。在此之上，通過疊加 AI 功能模

21、塊和資源，進一步拓展 AI 業務服務能力，共享利用內部資源，實現更大的價值開發解鎖。（3）當前 AI/ML 機制存在局限和不確定性，6G 網絡需要融合更可信更魯棒的 AI 應用，提供更可信更魯棒的 AI 服務能力，需要支持從外部網管到核心網再到基站終端的孿生仿真（預）驗證功能，實現在線強化學習和快速 AI 模型調優能力。（4）雖然 3GPP 標準不考慮算力要素和實現方式，但 6G 網絡設計必須考慮算力資源的合理配置和高效利用。傳統通信業務控制面和用戶面功能依賴 ASIC、CPU 和 DPU 等算力，性價比越來越好，供應鏈也安全有保障，這些算力將繼續被維護和大規模應用。異構算力模塊間大規模集成和

22、高速互聯傳輸方式可能帶來更多跨廠家的規范標準化需求。（5）6G 網絡是分布式系統，包含多種網元節點，如終端、基站和核心網元。4/5G 網絡的智能化程度較低，沒有任務自驅動、資源自編排和業務自管理能力。6G 網元節點將具備本地智能體 Agent 能力，有更強的任務自規劃、性能自尋優、運行自排障等決策能力。Agent 之間的交互協作形式可采取更靈活泛化的語義式Chat 形式，弱化放松不同網元間的協議化組網限制。3.技術方案技術方案3.1技術技術攻堅攻堅分析 AI for Net 技術，一是 AI 賦能的空口存在高精度實時數據采集處理開銷較大、數據標準化程度不足、數據來源多樣復雜、數據種類與時間粒度

23、差異大、數據整合困難等挑戰。二是工業界迫切需要深化空口多模塊、全鏈路、系統級AI 設計，包括綜合考慮信道空、時、頻域相關性的信道估計、預測、壓縮、恢復等模塊的一體化設計，信道獲取與 MIMO 預編碼聯合設計，信道估計與 MIMO檢測的聯合設計，收發鏈路聯合設計，以及多小區協作與多小區聯合調度與信號處理等。三是 AI 賦能空口的工程可用性弱，技術方案的整體實用性、均衡性和系統性難以保證。四是 AI 賦能的高層存在業務負荷和承載的變化趨勢預測難、用戶移動軌跡預測難、用戶體驗與資源配調參數建模難的挑戰。五是構建網絡大模型的思路尚不明確，如基于現有的 Transformer 或者設計適用于通信領域的原

24、生算法尚不清晰，以及通信網絡如何克服大模型幻覺問題。分析 Net forAI 技術，一是 6G 使能 AI 的增益不明確，導致場景界面模糊，需要發揮 6G 特色優勢，篩選網絡使能 AI 的價值場景。二是現有“外掛式”和“碎片化”網絡智能化解決方案供應方案存在效率低、成本高、性能差、周期長的問題，云 AI 服務存在隱私差、盡力而為、服務質量差的問題，需要通過內生 AI提供近實時、高性能 AI 應用和服務來滿足未來網絡中行業用戶智能普惠、用戶極致體驗對智能的需求。三是傳統 QoS 保障機制以會話和連接為指標，無閉環保障，用戶 QoS 保障存在挑戰，需要統一的質量保障體系評估和保障差異化場景 AI

25、服務質量。四是由于 AI 所需資源的多維性和異構性，實現網絡內部高效的通、算、數、智功能按需組合和多維資源協同調度存在挑戰，需要多維資源融合控制機制來滿足高實時高性能的 AI 服務質量。五是需要統一的網絡架構和基礎平臺支撐第三方應用和網絡自用的應用。除此之外，在一些理論基礎上，需要重點關問題的問題包括：一是 AI 模型問題。具體地，模型的泛化性弱，針對特定網絡場景的特定任務優化的模型，在網絡場景遷移后，性能存在明顯下降；模型的通用性差，無法使用一個模型適用多個任務場景，導致投入大，代價高；模型的可解釋性差或者缺乏可解釋性，從而無法規避 AI 模型的不可解釋性帶來的網絡風險問題。二是由于數據質量

26、、模型過擬合、推理方法等多種因素，大模型在生成文本或處理任務時，可能會產生與事實不符、邏輯矛盾或誤導性的輸出，即出現“幻覺”。大模型的幻覺與通信的可靠性之間存在矛盾，無法滿足通信高可靠性需求。當通信的可靠性無法得到保障時，會加劇大模型的幻覺現象，增加 AI 推理結果的錯誤率和虛假性，降低用戶體驗。三是在通算一體理論構建方面，通信和計算的性能指標衡量維度存在差異、且計算的理論性能邊界難以量化，進而導致通算融合的理論性能分析存在挑戰。3.2AI for Net 和和 Net forAI 技術目標技術目標3.2.1AI for Net 技術目標技術目標6G 中的 AI for Net 將是一個原生的

27、、泛在的技術，為 6G 提供全面的支撐。為了在 6G 更好地發揮 AI 的作用，需要結合用例的豐富性和系統的執行效率，提出更科學、更高效、更普適的設計目標。目標一：基于邏輯功能的統一目標一：基于邏輯功能的統一生命周期管理生命周期管理隨著 AI 技術的成熟和 AI 設備的普及，將會有更多高價值的 AI for Net 用例。如果仍沿用5G中煙囪式的用例設計方式，協議的復雜度和冗余度將會大幅增加，其中 AI 模型的生命周管理是協議影響較高的流程。同時，通過分析對比可以發現，不同用例實現的生命周期管理的邏輯功能是相同的，即所有用例都離不開數據收集、模型訓練、模型部署、模型推理和模型管理等邏輯功能。因

28、此，在 6G中部署 AI 用例，應以邏輯功能和邏輯節點為基準進行生命周期管理方案的設計。因此，可以基于上述邏輯功能設計一套統一的生命周期管理方案。設計好一套基于邏輯功能和邏輯節點的生命周期管理方案后，在具體的用例中只需要將邏輯節點映射到實際的物理節點即可完成不同用例的生命周期管理。目標目標二：二：AI 資源與用例解耦資源與用例解耦6G 網絡的 AI 用例對 AI 資源的需求存在一定的錯峰現象，即不同的用例對AI 資源的需求在時間上呈現不同的規律，不同用例的資源需求峰值的出現時間也不盡相同。對此，可通過 AI 資源與用例解耦，以更小的成本和代價實現更優的資源利用率和性能。多用例共享 AI 軟件資

29、源時，需要考慮多個用例的平臺是否兼容，以及多個用例的算法軟件接口是否兼容。此外，終端側調制解調器專用AI 資源和終端通用 AI 資源之間的共享也值得關注。隨著 AI 的普及，終端側通用硬件的 AI 軟硬件能力將大大提升，甚至會遠高于調制解調器專用的 AI 軟硬件能力。因此，可以將調制解調器內部的 AI 資源和通用 AI 芯片上的 AI 資源進行協調和共享，為 AI 用例提供服務。這兩種資源的共享可能會導致不同的模型推理延遲，因此需要進一步考慮對不同用例的適用性。目標目標三：支持豐富的學習架構與方法三：支持豐富的學習架構與方法不同類型的用例一般需要采用不同的訓練/學習方法。封閉-靜態環境中的用例

30、是最簡單的一類用例，通過監督學習的方式即可獲得泛化性較高的模型，并可以直接部署推理。封閉-動態環境中很難通過離線訓練獲得泛化性好的模型，因此需要通過遷移學習、小樣本學習、持續學習等技術實現模型與環境的適配。開放-靜態環境中的關鍵是用例與環境或系統會存在較強的交互，環境或系統會根據模型給出的結果發生變化，強化學習是解決此類問題的重要手段。而開放-動態環境是最復雜的環境，需要聯合遷移學習、強化學習等才能實現優秀的推理性能。此外，網絡中的數據往往分布在各個節點，同時考慮到數據隱私的需求，分布式學習也是一種非常有價值的學習架構。目標四目標四：持續自演進：持續自演進無線環境和系統需求隨著時間都會不斷變化

31、，所以用例和模型都需要不斷地演進來適配系統。這種演進，如果仍依賴于人工調參和用例選擇，演進效率將會大打折扣。因此，如何將模型和用例的演進過程自動化是一個值得深入研究的問題。融合了 AI 的未來移動通信系統在運行過程中將不斷地、自動地收集數據、提取知識、與環境和用戶迭代交互，自動化地實現舊模塊的更新、淘汰以及新模塊的衍生，逐步搭建更高效的通信系統，稱之為自演進。AI自演進可劃分為L1L3共三個層級，自演進能力逐級提升：L1 級自演進：AI 模型參數自演進。L1 級自演進是在短時間內完成模型參數的自動更新，適配業務需求和部署環境的變化。L2 級自演進：AI 模型超參數（如輸入、輸出、結構）自演進。

32、L2 級自演進是 L1 級自演進的高階版本，不僅可以解決參數適配問題，還可以基于實際環境中的數據自動地找出最適配該用例的模型超參數。L3 級自演進：AI 用例自演進。這一級別的自演進跳出了特定用例的束縛，可以對新用例進行探索，也可以對舊用例進行淘汰。而用例變化的過程中自然伴隨著 L1 和 L2 級的自演進。3.2.2 Net forAI 技術目標技術目標Net for AI 面向時延保障類、大帶寬類、位置移動類智能服務場景，通過在資源層、功能層融合通信、計算和智能，構建內生于 6G 網絡的 AI 能力，為網絡自身和第三方用戶提供泛在普惠的智能服務。Net forAI 需要遵循以下設計目標：目標

33、一：目標一：內生、能力驅動式內生、能力驅動式 AI在現有 5G 架構方案上做增量式 AI 功能開發，會導致結構僵化，難以靈活高效提供 AI 服務，6G 要在架構設計之初通過內生模式來支持差異化 AI。因此，在架構設計上，需要內生于網絡的服務流程。目標目標二二：多要素協同多要素協同當前 5G 移動邊緣計算（MEC）/云 AI 通算數智資源協同是非實時且獨立的，效率有待提升，6G 要實現全局統一的通算數智資源按需調度。因此，在架構設計上，需要以任務為中心，融合控制通信、計算、數據和模型等多維度資源，按需支撐推理、訓練等 AI 任務執行。目標目標三三：服務質量保障服務質量保障和安全可信和安全可信當前

34、 AI 解決方案不實時感知用戶需求，AI 功能和服務是盡力而為的，6G要保障低時延、高可靠、可信等 AIaaS 服務需求。因此，在架構設計上，需要制定統一的 AI 服務質量評估標準和 AI 服務質量的端到端保障機制。同時，網絡AI 也會帶來很多潛在安全風險，6G 網絡中 AI 的解決方案的安全和可信是未來研究的重點，要求 AI 解決方案可解釋且魯棒，并且能夠抵御內部和外部威脅，同時信任可以被管理。需要在設計階段就充分考慮這些新的安全可信需求，并通過新的安全關鍵技術來保障網絡的安全和穩定運行。目標四：綠色目標四：綠色低成本低成本實現實現6G 網絡內生 AI，其大量計算帶來的能耗問題也日益凸顯。一

35、方面，面向AI 服務，網絡需可感知 AI 工作負載并合理編排，實現綠色節能可持續發展的重要目標。另一方面，當前網絡 AI 模型效果驗證只能在事后進行，AI 的概率性與網絡可靠要求存在矛盾，6G 要實現 AI 模型效果預驗證、在線評估和全自動的閉環快速優化，因此，在架構設計上，需要智慧內生框架與網絡數字孿生緊密協同，構建低成本虛擬環境，預測未來網絡狀態，驗證 AI 決策。3.3技術方案技術方案圖圖 3-1 6G 網絡與 AI 融合技術體系業界在 2017 年把無線大數據和 AI 引入網絡架構、空口協議棧與信令流程流程設計7,后續又提出支持實時 AI 推理的多種接入網架構8-9。為了解決上述一些技

36、術難題和實現上述技術目標，我們提出網絡與 AI 融合技術體系，分為 AIfor Net 和 Net forAI 兩方面。具體的，AI for Net 按特征區分，在提升 6G 網絡性能（網絡運行）和運維效率（網絡運維）方面具有顯著優勢，能夠解決 5G 面臨的一些關鍵矛盾，滿足未來通信需求，按應用位置區分則在 RAN、核心網及端到端發揮關鍵作用。Net forAI 包括融合架構、AIaaS/QoAIS/資源融合控制等關鍵技術、融合基礎平臺的研究。除此之外，Agent 和大模型等 AI 領域的前沿技術為兩者提供了更多、更高效解決問題的途徑。3.3.1 AI for Net 技術技術3.3.1.1A

37、I 賦能賦能 RANRAN 引入 AI 技術可考慮物理層和高層兩方面。其中物理層有單鏈路、多鏈路 MIMO 和系統級設計的場景，例如在單鏈路中，主要解決“實際系統的信道和噪聲分布多種多樣使得低導頻開銷下的信道估計難度大”、“器件的非線性導致高階調制性能差”、“信道無法支持信源 QoS 時需要信源信道的聯合優化，但是信源信道聯合設計挑戰大”的問題；在多鏈路 MIMO 中，主要解決“更大規模的基站天線數和數據流數使得中高速場景下信道獲取非常挑戰，性能提升代價大”、“多用戶預編碼復雜度高，系統的功耗高”的問題；在系統級設計中，主要解決“大規模用戶接入”、“大規模天線部署”、“密集小區部署導致干擾嚴重

38、”的問題。高層包括用戶業務體驗保障、無線性能優化和網絡能耗優化等場景。用戶業務體驗保障場景主要是通過 AI 算法高效地分配有限的頻譜、功率等資源以滿足用戶業務需求；無線性能優化場景主要是通過 AI 對網絡流量、用戶行為、信號質量等數據進行分析和挖掘，實現自動化網絡配置、故障檢測、性能優化等；網絡能耗優化場景主要是通過 AI 分析網絡流量模式、用戶活動和環境因素，為高層協議提供節能策略。物理層對應的關鍵技術，比如可考慮包括 AI 使能的高階調制技術、AI 使能的高精度信道獲取技術、AI 使能的導頻開銷降低技術、AI 使能的大規模 MIMO技術、高效率空口 AI 算法設計方法、信道數據集構建方法等

39、。高層對應的關鍵技術包括基于 AI 的無線資源管理，通過 AI 算法分析網絡的實時數據，預測網絡流量、用戶需求和業務 QoE、識別網絡中的干擾模式和信道狀態，動態調整資源分配策略，提高網絡的整體性能和用戶體驗；基于 AI 的網絡優化，聯合編排多種無線資源，如調度，AMC，功率等資源，實現無線空口頻譜效率的最大化；基于 AI 的網絡能耗優化，利用智能化算法進行設備能耗和網絡性能的實時預測，輔助節能及網絡參數尋優，實現網絡能效優化。在無線空口引入 AI 能力，比如可考慮基于 AI 的收發機、MIMO 信道處理和預編碼、小區間干擾協調等，將對網絡架構、功能、接口和部署方式帶來新需求。例如可考慮新增無

40、線計算功能負責 AI 推理所需的算力和模型執行；新增無線數據功能負責 AI 模型傳輸、大數據的存儲轉發以及大數據清洗、格式轉換、AI 訓練中間數據的傳輸等功能；增強無線控制功能負責 AI 任務的生命周期管理，解決空口 AI 的場景和信道環境差異較大使得 AI 模型跨場景泛化能力較弱的問題。也可考慮在 RAN 側引入 AI/ML 邏輯功能來支持數據采集、模型訓練、模型推理和模型管理等。既要滿足 RAN 高層對不同時間尺度 AI/ML 的需求，又要支持區域級的決策最優和站間協同合作和計算資源池化共享。因此，RAN 側的 AI/ML功能可分為 RAN 集中式 AI/ML 功能和分布式 AI/ML 功

41、能。其整體邏輯框架如圖 3-2 所示。圖圖 3-2 RAN 側 AI/ML 功能邏輯框架具體功能定義為：RAN 集中式 AI/ML 功能：具備數據采集、模型訓練、模型推理、模型管理、模型存儲功能，同時還具備分布式 AI 節點管理以及計算、數據、模型和連接多維資源的協同控制功能，可實現站間協同、計算資源池化共享和區域級全局最優決策；分布式 AI/ML 功能：具備數據采集、模型訓練、模型推理和模型管理功能，可實現無線接入網對實時智能的需求。3.3.1.2AI 賦能核心網賦能核心網基于核心網實現的功能中，主要的應用場景包括：一是通過 AI 技術進行網絡數據分析，對網絡中的用戶數據擁塞和會話管理擁塞等

42、進行預測和反饋控制，從而提高網絡的運行效率和用戶體驗；二是網絡基于 AI 技術，通過數據收集、處理、分析和監控等，實現對網絡流量的實時檢測和智能分析，為網絡優化和故障定位提供有力支持；三是網絡通過實時監測網絡流量和資源使用情況，利用AI 智能分析和決策技術，動態地調整資源的分配和網絡的運行狀態，實現網絡的節能。對應的關鍵技術包括：AI 模型數據壓縮技術，例如剪枝、量化和模型蒸餾等，這些技術手段可以單獨或組合使用，根據具體情況來優化模型的大小和計算需求，以滿足資源有限設備的要求。計算和存儲技術，為實時性等方面的不足無法滿足計算和存儲需求、呈現“算不動”的局面提供解決方案。高性能數據傳輸技術，為6

43、G 網絡網元間的數據傳輸提供了更豐富的選擇，相比于 5G 核心網基于單一HTTP/2 協議的數據傳輸可大幅增強數據傳輸速度和效率。未來網絡業務數據流將呈現多樣化的傳輸特征和信息特征，傳統匹配預定義的硬編碼規則方法將難以精準識別業務流的類型和特性，利用 AI 技術對業務識別，具有更強的泛化性，突破人工設計特征或規則的局限。進一步，基于 AI 的網絡業務數據流 QoS 策略制定，控制輸出的 QoS 配置恰好滿足業務體驗，在減少網絡資源開銷的同時實現差異化的 QoS 保障目標，優化業務體驗和系統性能。數字孿生技術，實現智能網絡規劃優化、故障分析、診斷、預測等。在核心網引入 AI 能力，比如網絡智能感

44、知、智能分析、智能決策、智能執行等，將對網絡架構、功能帶來新需求?？煽紤]新增核心網計算功能、新增核心網數據功能、新增數據總線功能、增強服務、新增數字孿生體功能等。3.3.1.3AI 賦能端到端賦能端到端 QoS 優化優化網絡與業務的深度融合以提升端到端 QoS 是無線通信的一個重要任務。AI賦能端到端 QoS 優化的主要應用場景包括：1）跨層跨域 QoS 指標的智能決策與配置，包括傳輸、IP、核心網、接入網、終端等，保證端到端服務質量的要求；2）滿足端到端 QoS 指標的智能基站調度，基于業務、信道狀態、業務體驗等信息靈活調整 QoS 參數。對應的關鍵技術包括：未來業務特征的預測，包括數據包大

45、小和間隔的預測以及業務 QoS 需求的動態分析?？諘r頻域無線信道的預測，便于準確的獲得未來時間窗的信道特征，為智能調度提供依據。端到端 QoS 參數的聯合配置，根據各域提供的信息產生各域的 QoS 指標，從而達到端到端優化的效果。中國移動在10中提出網業融合新機制，通過跨域協同實現跨域信息的收集、處理與決策，推動全網絡多域的聯合端到端業務質量提升。圖 3-3 是以跨域協同中心（CrossDomain Coordination Center）實現的一種示例方案，AI 有助于更加精確的預測無線信道和業務特征、使能基站智能調度以及跨層跨域的決策。在業務與網絡的端到端系統中引入 AI 能力，比如業務特

46、征的預測、空時頻域無線信道的預測、端到端 QoS 參數的決策和執行等，將對網絡架構、功能帶來新需求?？煽紤]新增跨域協同中心的新網元或者功能、協同中心與其他各層各域的接口和信令流程等。圖圖 3-3 智能跨域協同機制推動網絡與業務的深度融合示例方案3.3.2 Net forAI 技術技術3.3.2.1 融合融合架構思考架構思考架構的設計首先要遵循適用原則，即“適用優于業界領先”，要求網絡架構滿足“二八定律”，核心功能支持 80%業務需求，20%長尾需求可選，以避免過度設計。該原則的關鍵考慮因素是性能滿足需求，快速規?；渴?。然后是至簡原則，即“簡單優于復雜”。如果沒有必要，不增加實體，簡化結構和邏

47、輯，避免不必要的復雜性，該原則的關鍵考慮因素是高效低成本，穩定高可用。最后是柔性原則，即“柔性動態優于一步到位”，快速上線新服務的基礎是柔性網絡架構，使得網絡能夠滿足各類智能應用場景下多樣化 AI 服務需求。該原則的關鍵考慮因素是開放式、靈活可擴展。6G 網絡與 AI 融合架構架構設計方法，分為定任務、定要素、定層級和定連接四個步驟，并由場景驅動，持續迭代?；谏鲜鲈O計原則，圖3-4 示例了一種 6G 網絡與 AI 融合的無線網絡系統框架，為 6G 網絡架構的設計提供參考。系統框架中，無線系統從“功能獨立、資源隔離”向“通算融合”、從“煙囪式設計”向“網絡平臺化”、從“單一能力”向“服務多樣化

48、”的設計轉變，滿足 6G與 AI 的融合發展、通感一體、多要素融合等需求。6G 網絡與 AI 融合的無線網絡系統框架包括：基礎設施層、網絡功能層、管理編排層。圖圖 3-46G 網絡與 AI 融合的無線網絡系統框架無線接入網增強功能實現跨節點通算智多維異質資源協同，基站和終端作為分布式計算節點可完成計算執行、數據執行。無線接入網能力開放可通過運營商能開平臺向業務應用提供實時/近實時無線側數據，使能業務應用根據無線通算狀態調整數據處理，實現網絡與業務協同。編排管理層可將無線接入網通算資源封裝為服務對外開放，例如連接服務、計算服務和通算一體服務。針對 AI for Net/Net for AI 場景

49、網絡不同域對 AI 實時性等要求不同，可以考慮通過分層集中式協同控制+分布式 AI 執行的架構部署方案，實現要素供給與任務需求間的最優匹配。其中，無線接入網具有分布式、廣覆蓋的特征，是理想的深度邊緣計算平臺。無線側分布式 AI 執行應考慮時延差異性、隱私要求、傳輸開銷，AI 執行要素的分布原則有：a.按需原則：分布在有業務需求的層級和節點；b.就近原則：分布在盡量靠近業務需求的位置；c.協同原則：分布在有協同關系的終端/網絡節點。分層集中式協同控制應考慮實時性需求，協同控制效率、可靠性要求，AI控制要素的分布原則有：a.RAN 側資源可開放：RAN 側四要素可與核心網協同等；b.接入網區域級實

50、時控制：通/算/數/智多維資源實時控制調度；多終端/基站節點的集中跨節點協同；實時適配無線空口動態變化?；谝陨显瓌t，在無線接入網引入區域級集中控制節點，并將計算控制、數據控制、模型管理等功能部署于區域級集中控制節點，可有效滿足 RAN 側 AI任務毫秒級響應以及跨節點資源共享效率。同時，從增強架構靈活性角度考慮，無線接入網增強功能可按需靈活分解并部署，例如在基站本地增加計算控制、數據控制功能，以便進一步增強無線接入網 AI 任務的實時性能（例如 TTI 級別控制）。分層集中式協同控制+分布式 AI 執行的邏輯架構如圖 3-5 所示。圖圖 3-5分層集中式協同控制+分布式 AI 執行的邏輯架構

51、3.3.2.2 融合關鍵技術融合關鍵技術基礎系統 AI as a Service（AIaaS）：在網絡基礎設施中構建 AI 應用的服務能力，AI 應用包括網絡自用的 AI 或者 AI 新業務，部署 AI 應用可以是運營商或第三方?；凇皬耐鈷?、場景驅動式 AI 轉變為內生、能力驅動式 AI”、“從多要素煙囪式轉變為多要素協同”、“從盡力而為轉變為服務質量保障”、“從事后高成本處理到事前低成本干預”的原則，提出基于云化服務化的分層管控 6G 網絡內生 AI 框架（Net forAI 網絡框架），同時也為整體架構設計提供部分思路。AI 服務質量（QoAIS）技術：首先是要形成一套 QoAIS 指標

52、體系通過量化或分級的方式表達用戶層面的需求以及網絡編排控制 AI 各要素（包括算法、算力、數據、連接等）的綜合效果。然后是需要形成閉環反饋的 QoS 保障機制，QoS 指標逐層映射并完成 AI 資源配置后，在 AI 任務層面執行網絡功能，形成實際 AI 任務 QoS 值。多個網絡功能根據執行邏輯組成 AI 服務功能鏈，實現 AI服務，形成實際 AI 服務 QoS 值。上述 QoS 指標的實際值作為反饋輸入到 AI 任務層和 AI 服務層，以便各層做出實時策略調整。極致性能的資源融合控制：AI 異構多維資源融合控制可以分為三個階段。首先是通信資源和計算資源的融合控制，當單一資源 QoS 無法滿足

53、時，通過控制其他資源來補足，例如，在計算 QoS 和連接 QoS 間協同，滿足通算一體質量需求。然后是數據和模型資源融合控制，通過控制模型資源和數據資源，實現模型和數據高效站間遷移和站內調度，滿足 AI 任務 QoS 保障需求。最后在前兩個階段基礎上完成 AI 所需的多維度資源的融合控制。AI 異構多維資源融合承載同樣分為三個階段，主要包括通算融合要素下計算任務承載、數據和模型融合下AI 任務承載以及 AI 異構多維資源融合承載。3.3.2.3 融合基礎平臺融合基礎平臺為了滿足 RAN 與 AI 技術的融合，在邊緣側建立基礎設施平臺，即無線網絡異構硬件基帶云平臺（簡稱 6G 云平臺），旨在通過

54、高度靈活和可定制化的云化服務，為未來 6G 網絡的各種應用場景提供有力的的支撐。6G 云平臺可以提供各類計算資源及異構加速器硬件的靈活調度和復用共享。在計算資源層面，6G云平臺可以管理不同芯片架構（如 x86 和 ARM）的 COTS 服務器。服務器上部署了基于云原生技術的云平臺，相較于傳統數據中心的大規模云平臺，面向無線側云平臺規模小，任務處理時延低。通過部署搶占式調度系統提供了低于 10us的低時延任務響應能力，滿足 6G 網絡的 ms 級或更苛刻的每幀時延處理需求。同時，6G 云平臺還可以支持在低時延系統下的 100Gbps 云平臺網絡轉發能力。這些能力使得6G云平臺能夠實時處理大量數據

55、，滿足各種高實時性應用的需求。在硬件加速器方面，6G 云平臺支持多種類型的異構加速器硬件，如 GPU、FPGA和 DPU 等。這些加速器能夠針對特定的計算任務進行加速處理，從而大幅提高應用的執行效率。通過虛擬化、云化等軟件技術，6G 云平臺能夠將這些加速器進行統一管理和優化，為各種應用場景提供高效、可靠的服務。3.3.3 前沿技術研判前沿技術研判大模型和 Agent 技術目前正處于快速發展和研究的階段，在不同行業中展示出了高潛力，推動技術創新并改善服務的智能化水平，同時在 6G 內生 AI 技術中也發揮著關鍵作用。由于傳統的 AI 模型存在通用性差的缺陷，在面向網絡運行和運維不同的用例時需要采

56、用不同的 AI 模型，增加了內生 AI 架構對 AI 任務的編排和管理難度。受到大模型在計算機領域展現出的超強的通用能力的啟發，一個非常有意義和前景的可能解決方法是訓練一個面向無線網絡的大模型實現對不同網絡自治任務的泛化。然而網絡自治任務的與計算機自然語言處理和圖像領域的任務顯著不同，不能直接利用訓練好的大語言模型或多模態大模型來微調得到面向網絡自治任務的通用大模型。換句話說，如何設計和訓練得到無線通信領域的大模型來實現更高水平的網絡自治仍然是一個開放的難題?，F有的大模型大都基于Transformer進行架構設計，其中 Transformer 適于處理自然語言和圖像領域的數據。不同于文字和圖片

57、，網絡語言具有特定領域的名詞、協議和規則，以及數學約束。這意味著網絡大模型不一定適于直接采用現有的 Transformer 架構，而需要針對網絡語言特點進行個性化設計。大模型的預訓練過程需要耗費超高的算力資源和海量的訓練數據，這對于資源受限的無線網絡來說是一個巨大的挑戰。是否需要借用核心網會無線網絡外的云計算資源對網絡大模型進行預訓練？是否能夠利用無線網絡廣泛存在的分布式節點進行資源整合完成預訓練？這些都是應用網絡大模型需要考慮的問題。與此同時，隨著人工智能技術的飛速發展，一種集大模型之力，并融合了感知、執行、記憶與規劃功能的智能體（Agent）逐漸嶄露頭角，成為了科研界與產業界共同矚目的焦點

58、。Agent 不僅繼承了大型模型所具備的廣泛適用性與深度學習能力，還通過其自主學習機制與自主決策能力，展現出了前所未有的靈活性與智能性。利用這樣的 Agent，人們有望實現更加高效、智能且高度自治的網絡系統，從根本上提升網絡服務的響應速度、準確性與自我優化能力。展望未來，一個由 Agent 全面滲透與互聯的網絡世界正緩緩拉開序幕。在這個世界中，每個人都將擁有專屬的數字 Agent，它們如同個人的智能助手，不僅能夠處理日常信息，還能根據個人偏好與需求進行個性化服務。同時，移動機器人、無人車等具身 Agent 將成為現實世界中不可或缺的一部分，它們在物流、交通、醫療等多個領域發揮著關鍵作用，極大地

59、促進了社會運行效率與便利性的提升。面對這一趨勢，未來的通信網絡設計必須以前瞻性的視角，將基于 Agent 的架構與協議納入核心考量。這意味著網絡需要支持 Agent 間的無縫通信、高效協同與智能調度，確保各類 Agent 能夠在網絡環境中自由穿梭、靈活交互，共同構建一個既智能又安全的信息社會。因此，研發適應 Agent 特性的新型網絡架構、優化數據傳輸協議、加強網絡安全防護等，將成為未來通信網絡發展的重要方向，以支撐并推動這一充滿無限可能的智能互聯時代的到來。3.4價值場景價值場景在眾多利用 AI 技術的應用場景中，判斷其在 6G 網絡下有價值可以分為三個方面，一是從戰略意義、產業價值、經濟價

60、值看其帶來的社會效益，其次是從技術成熟度、生態成熟度、商業模式、和政策支持看其發展的可行性，最后也是最重要的是對比云 AI，從實時性、移動性、端邊協同、隱私保護實時性、移動性、端邊協同、隱私保護看 6G 網絡提供的 AI 服務是否能明顯更好地滿足該場景/用例的技術需求。實時性實時性指相對于云AI，6G 網絡更靠近用戶，可以減少非接入網的信令交互，更快速的響應 AI 服務請求。相對于端側 AI，6G 網絡可以提供更強大算力支撐 AI 推理/訓練服務，減小 AI 計算的時延。移動性移動性指用戶在移動過程中發出請求，網絡可以更靈活的響應 AI 服務，例如模型的推理及實時下載等。端邊協同端邊協同指受端

61、側 AI 算力等限制，網絡 AI 與端側協同，可以提高計算、傳輸、存儲資源的利用率。隱私保護隱私保護指在人工智能服務過程中，例如 XR 設備收集的用戶信息，工業上在高度分散、靈活和連接的環境中使用的敏感數據，容易受到網絡攻擊，例如竊聽、數據污染等。數據傳輸的范圍越小，越有利于保護數據隱私。AI 技術推動了各行各業的創新和發展，尤其是在視覺處理、數據分類相關的應用上?？紤]上述實時性、隱私性、移動性、端邊協同的優勢及通信 AI 一體化的典型用例，我們認為 6G Net for AI 典型價值場景有移動機器人、車聯網和XR。典型用例有外出家用機器人、工廠運輸機器人、AI 輔助自動駕駛、AR 導航等。

62、除此之外移動網絡也需要保障網絡自用的 AI for Net 服務，例如提高空口AI 的質量相關的 CSI 壓縮反饋增強、負載均衡技術、數字孿生網絡等。4.產業倡議產業倡議在當今全球經濟一體化的背景下，產業合作協作已成為推動技術創新、應用創新、商業創新、優化資源配置、增強國際競爭力的關鍵途徑。目前生成式 AI技術革命仍處于早期階段，技術、應用和市場快速發展，根據科技發展規律，此輪科技革命成熟所需時間將短于以往的技術。然而，移動通信的代際演進以十年為周期，根據目前的 6G 時間表，6G 將于 2030 年左右商業化，以及 23 年的網絡建設和商業化發展，預計 6G 網絡 AI 大規模應用仍需 8

63、年甚至更長時間。此間，發展節奏需要高度重視。相對快速發展的生成式 AI 技術革命發展歷程，6G需要在發展節奏中將網絡 AI 作為高優先級研究任務，以盡早切入新一代科技革命發展浪潮，避免錯過最佳切入時機，影響 6G 網絡內生 AI 的發展。6G 與 AI融合需要加快研究步伐，需從以下幾方面倡導政產學研用深度合作，充分發揮產業合作的作用。一是需要努力提升智算硬件和芯片的技術能力。目前中國在高端芯片出口方面受一些政策限制，這給中國芯片產業的發展帶來了一定的考驗和挑戰。國內在AI 智算硬件的研發進展較為緩慢，需要加大研發投入，努力提升自主創新能力，實現關鍵技術的國產替代，促進通算智融合技術的應用落地。

64、二是 6 需要堅持推進全球統一認知和標準。堅持 6G 國際化路線，加強與歐美、日、韓和國際標準組織的合作，倡導全球統一認知和標準，積極吸納外國企業加入中國的研發項目和研發體系。三是需要共同創建 6G 研發平臺。隨著科技的不斷進步，單一企業往往難以承擔高昂的研發成本和風險。因此，通過創建研發平臺，集合多家企業、高校和科研機構的資源和力量，共同開展技術研發和創新活動，已成為一種有效的合作模式。平臺能夠實現資源共享、優勢互補，加速技術成果的轉化和應用，還能夠吸引和培養高端人才，為產業的可持續發展提供有力支撐。四是需要提前準備應用布局。由于網絡使能 AI 是面向 6G 提出的新理念，并涉及到新生態的構

65、建，網絡技術方案需分階段構建、實施和迭代，預計初期會在有價值的業務邏輯較成熟的局域場景中試點應用，例如，移動機器人場景中，工業機器人端到端延遲需要小于 0.8ms，遠程機器人控制需要更嚴格的 KPI,類人機器人時延小于 5ms，在網絡延遲達到需求時，預計會試點應用，形成技術迭代閉環，探索生態構成和商業模式?？傊?，產業合作協作是推動技術應用商業等方面創新和產業升級的重要途徑。通過提升硬件能力、參與國際標準化組織、創建研發平臺以及做好應用布局等方式倡導政產學研用深度合作，可以實現 6G 內生 AI 資源的共享和優勢互補，加速網絡與 AI 融合技術成果的轉化和應用，推動整個產業的升級和發展?？s略語列

66、表縮略語列表縮略語英文全名中文解釋3GPP3rd Generation Partnership Project第三代合作伙伴計劃5G ToB5G To Business5G 面向企業5G ToC5G To Consumer5G 面向消費者5G-A5G Advanced5G增強AI for NetArtificial intelligence for NetworkAI 賦能網絡AI/MLArtificial Intelligence/Machine Learning人工智能/機器學習AIaaSAI as a ServiceAI即服務AI-RANArtificial Intelligence-R

67、adio Access Network人工智能-無線接入網絡AMCAdaptive Modulation and Coding自適應調制和編碼ARAugmented Reality增強現實ASICApplication-Specific Integrated Circuit應用特定集成電路CCSAChina Communications Standards Association中國通信標準化協會CTCommunication Technology通信技術CUCentral Unit中央單元DUDistributed Unit分布單元eMBBEnhanced Mobile Broadband增

68、強型移動寬帶FPGAField-Programmable Gate Array現場可編程門陣列GPUGraphics Processing Unit圖形處理單元IDCInternational Data Corporation國際數據公司IMTInternational Mobile Telecommunications國際移動通信IMT2030-6GInternational Mobile Telecommunications 2030for 6G面向2030年及未來的6G國際移動通信ITInformation Technology信息技術ITUInternational Telecommu

69、nication Union國際電信聯盟KPIKey Performance Indicator關鍵性能指標MIMOMultiple Input Multiple Output多輸入多輸出通信技術mMTCMassive Machine Type Communications大規模機器類通信Net for AINetwork for Artificial intelligence網絡使能AINRNew Radio新無線電O-RANOpen Radio Access Network開放無線接入網絡OTTOver-The-Top過頂服務QCIQuality of Service Class Iden

70、tifier服務質量等級標識符QoAISQuality of AI ServiceAI服務質量QoSQuality of Service服務質量R18Release 183GPP第18版RANRadio Access Network無線接入網絡SLAService Level Agreement服務水平協議SONSelf-Organizing Network自組織網絡TC5Technical Committee 5無線通信技術工作委員會uRLLCUltra-Reliable Low Latency Communication超可靠低時延通信WG6Working Group 6前沿無線技術工作組

71、XRExtended Reality擴展現實參考文獻參考文獻1國際電信聯盟無線電通信部門 5D 工作組.IMT 面向 2030 及未來發展的框架和總體目標建議書R.瑞士日內瓦:國際電信聯盟,2023.2中國移動.6G 無線內生 AI 架構與技術白皮書R.2022.3IMT-2030（6G）推進組.無線人工智能（AI）技術研究報告R.道客巴巴,2023.https:/ GAlliance.Next GAlliance Roadmap to 6GR.2023.7Han S,Chih-Lin I,Xu Z,et al.Big Data Enabled Mobile Network Design fo

72、r 5Gand BeyondJ.IEEE Communications Magazine,2017,55(9):150-157.8Chih-Lin I,Han S,Zhang S,et al.The Big-Data-Driven Intelligent WirelessNetwork:Architecture,Use Cases,Solutions,and Future TrendsJ.IEEEVehicular Technology Magazine,2017,12(4):20-29.9Han S,Chih-Lin I,Zhang S,et al.Artificial Intelligence Enabled Air Interface for6G:Solutions,Challenges,andStandardizationImpactsJ.IEEECommunications Magazine,2020,58(10):73-79.10Han S,Chih-Lin I,Zhang S,et al.Network Architecture Design towardConvergence of MobileApplications and NetworksJ.IEEE CommunicationsMagazine,2024,62(6):129-135.