隨著ChatGPT點燃的人工智能（AI）熱潮，通信行業的面貌煥然一新。在各種行業展會、論壇上，面向通信行業的AI應用層出不窮。

“ALL in AI，AI for All”不僅僅是口號，AI已經和通信系統深度融合。甚至可以說，在有些方面AI已經成為了主角，形成了通信×AI的乘數效應。

5G-A是5G下半場演進的技術底座，“泛在智能”已經成為了5G-A發展的重要方向，5G-A×AI的能量正在厚積薄發。

其實，在5G以及5G-A標準的制定過程中，業界也早已認識到了AI的優勢，并試圖把一些流程用AI來優化賦能。

那么，從標準的角度看，3GPP在網絡智能化方面的進展如何？

來源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

可以看出，在5G階段，網絡智能化有核心網的NWDAF（NetWork Data Analytics Function，網絡數據分析功能）、運維層的MDAF（Management Data Analytics Function，管理數據分析功能），以及接入側的一些基本功能研究，這些AI局限在網絡側，和終端沒有交互。

到了5G-A階段，標準制定的AI能力向網絡和終端協同的更復雜功能演進。最后到6G，就是全棧全節點的原生智能了。

網絡層及運維層網元

早在5G標準的第一個版本R15，3GPP就定義了一個全新的核心網網元——NWDAF。

NWDAF從各種核心網網元、應用、運維系統以及運營支持系統收集數據，然后對這些數據進行分析，以提供有關網絡性能和健康狀況的建議及處理方案。

NWDAF可以支持：

網絡性能監控：監控時延、吞吐率、以及網絡可用性等關鍵網絡指標，用于識別和解決性能問題。

網絡安全分析：分析網絡流量，以識別潛在的安全威脅，用于提高網絡的安全性。

客戶體驗優化：分析客戶數據，用于改善客戶體驗。比如，NWDAF可發現某些客戶或特定應用程序的體驗不佳，并定位存在問題的地點。

網絡自治閉環：支撐網絡運維自動化，在出現性能問題或安全威脅時自動生成告警。

與此同時，網絡運維（OAM）系統也需要增強，即通過引入AI和自動化來實現接近零接觸的網絡及服務管理編排。

在此背景下，3GPP在R17版本為網絡運維層引入了MDAF，進一步豐富和增強管理功能，實現最佳的網絡性能及服務保障。

綜合下來，5G核心網及運維層的智能化架構是下圖這樣的。

核心網以及上層的運維有了這些動靜，那么接入網NG-RAN（Next Generation Radio Access Network，下一代無線接入網）呢？

RAN接入層智能化

3GPP也是從R17階段開始研究怎樣把AI引入基站及終端，首先考慮的是網絡節能、負荷均衡以及移動性優化等基礎功能。

首先要做的是定義AI在RAN（Radio Access Network，無線接入網）側的基本運行結構：

從上圖可以看出，RAN側的AI框架和通用的AI架構并沒有大的不同之處，都分為數據采集、模型訓練、模型推理和執行這幾個模塊。

數據采集：通過標準接口從網絡中獲取數據，并提供給模型訓練和模型推理。

模型訓練：進行數據的預處理，并執行AI/ML訓練、驗證、測試等工作。

模型推理：采用訓練好的模型來進行推理，生成預測數據并進行智能決策。

執行：接收模型推理的結論，并在網絡中實際生效執行。

那么，這些模塊是在終端側運行，還是在網絡側運行？答案是都可以，3GPP根據協作程度的高低定義了x，y，z三個級別。

來源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

Level x：基站和終端各自管各自的AI處理，之間沒有任何交互與協作。

Level y：基站和終端之間的AI處理通過信令交互，但它們之間的交流也僅限于此，沒有AI模型層面的交互。

Level z：基站和終端之間的AI處理既有信令交互，也可以進行AI模型的傳輸和更新。這就是最高級別的協同了。

目前已在R17階段研究并在R18階段標準化的RAN側AI主要是網絡節能、負荷均衡以及移動性優化。

網絡節能：節能的關鍵精準預測話務量，并根據話務量來最大程度關閉空閑資源。網絡節能的挑戰在于話務預測的精度、網絡性能和節能之間的收益平衡，以及迭代優化配置的高效性。通過引入AI，可以讓網絡能效更上一層樓。

來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

負荷均衡：如果大量用戶集中在一個小區，周圍的小區還很空閑的話，就需要負荷均衡來把用戶平均分配在各個小區，最大化資源利用。怎樣遷移用戶才能始終保持網絡體驗最佳？這也需要AI的加持。

來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

移動性優化：移動性是指用戶在移動時，本小區的服務質量下降，需將用戶切換到最合適的小區。不切換不行，切換太頻繁了也不好，那么怎樣保證以最少的切換次數保障最優的用戶體驗？AI能讓每一次切換都恰如其分。

來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP

在R18階段，3GPP研究了CSI反饋增強、毫米波波束管理以及定位精度增強這三個AI應用，跨入了系統和終端協作新時代。

來源：Linkedin：AI in 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System

CSI反饋增強：CSI（Channel State Information）是終端測量得到的信道狀態信息。信道狀態信息越準確，用戶的下載速率也就越高。然而在大規模MIMO系統中,大量天線會導致CSI數據量巨大，反饋開銷也很大。

如果我們能利用神經網絡框架對CSI進行非線性編碼和解碼，可提高系統效率，實現更有效的多用戶復用，還可以最小化干擾。我們還可以針對設備的定制，實現更低開銷的反饋。

并且，由于用戶是移動的，而CSI的反饋需要時間，可能到達基站時就已經因為信道狀態變化而成為了無用信息。因此,基于AI/ML的CSI反饋增強還可以采用設備端的AI模型來改善CSI預測。

來源：Qualcomm.com：Towards an AI-native communications system design

波束管理增強：毫米波的波長短，傳播損耗大，極易被遮擋。為了補償路損，基站一般要使用超大規模的天線陣列來實現波束賦形增益。但為了最大化利用這些窄波束，我們需要良好的算法來選擇并保持發射和接收端最佳對準的波束對。

然而，當設備快速移動時，信道狀態瞬息萬變，保持波束最佳對準是非常困難的。并且，我們還需要多個窄波束來實現最佳覆蓋。因此,從眾多波束中搜索并跟蹤最佳波束變得更加困難。在這種情況下，我們需要引入AI來提升性能。

來源：Qualcomm.com：Towards an AI-native communications system design

定位精度增強：在復雜的城市環境中，傳統的定位方案可能會由于建筑密度和多徑干擾等因素而精度不佳，需要引入AI，綜合多維信息來提升精度。AI還可以適應環境的變化，并幫助我們在視線受阻的情況下進行定位，如衛星或基站信號被遮擋。

來源：Qualcomm.com：Towards an AI-native communications system design

后續的R19將研究新的AI/ML用例。例如,為了實現快速適應和分布式學習應用，AI/ML的數據和模型可能會直接在設備之間共享，而不需要經過5G網絡。這就需要進一步研究隱私保護以及能耗降低等問題。

此外，對于分布式學習，在標準制定上還需要考慮更多。比如，如何處理設備進出覆蓋區域、電量有限、設備間卸載計算等場景，并在AI/ML模型準確度、模型生成延遲、功耗約束、計算能力等因素之間的權衡。

再往后，我們離6G的標準化就近在咫尺了。在當前的6G愿景中，“AI與通信融合”六邊形的頂點之一。AI將成為網絡底層架構的一部分，從之前的外掛式走向AI原生。

鄔賀銓院士曾經指出，6G應聚焦在如何利用AI分析信道特性實現干擾消除、優化能效和核心網對業務的智能化適應上。這不僅是當前5G-A階段正在做的，更是6G應該與生俱來的基礎能力。