AI是新時代的電力。 ——吳恩達 (Andrew Ng)

近年來，AI在各行各業(yè)掀起變革的浪潮。正如AI領(lǐng)域的先驅(qū)吳恩達所言，AI將像電力一樣，重塑每一個行業(yè)，移動通信行業(yè)也不例外。

AI和無線接入網(wǎng)（主要是基站）深度融合的AI-RAN技術(shù)，被普遍認為是移動通信網(wǎng)絡演進的確定性方向，也是6G的基石之一。

為什么無線網(wǎng)絡迫切需要AI？AI又將如何重塑無線網(wǎng)絡乃至移動通信行業(yè)？下文將嘗試回答這個問題。

混沌的信道，理想的模型

無線通信是一個高度混沌的系統(tǒng)。信號在空間傳播的過程中，并不像理想實驗室那樣線性可控，而是受多種外部因素干擾，呈現(xiàn)十分復雜的非線性與動態(tài)性。

比如，信號在大氣中傳播，不可避免地會受到天氣變化的影響。雨水、霧氣以及空氣中的懸浮顆粒物會導致信號衰減和散射，形成非線性路徑。

信號也并非暢通無阻，環(huán)境中總是充滿了各種各樣的障礙物。城市中的高樓大廈會反射信號產(chǎn)生多徑效應，讓信號分裂成通過不同路徑到達接收端，造成干擾疊加。

信號還要面臨移動帶來的影響。高速列車或者城市人群的移動，會使信道狀態(tài)信息在毫秒級內(nèi)劇變，導致多普勒頻移和時間選擇性衰落。

并且，上述這些因素并非孤立存在，而是相互耦合的：一個移動用戶在雨天乘車穿過高樓區(qū)時，信號路徑可能同時涉及反射、散射和速度引起的頻移。

這種動態(tài)性使無線信道呈現(xiàn)出強烈的非線性特征，即環(huán)境的微小變化可能引發(fā)信號接收質(zhì)量的指數(shù)級波動。

然而，傳統(tǒng)的算法在信號處理時，高度依賴于“模型”和“假設”。

所謂模型和假設，就是指既然實際情況太復雜難以建模，為了使問題可解，我們就必須基于一些理想化的假設，抓住主要矛盾，構(gòu)建確定可解的公式，結(jié)果盡可能逼近真實就好。

這些簡化假設的代價顯而易見：犧牲了精度和適應性。

傳統(tǒng)算法試圖用基于香農(nóng)定理的容量公式（假設線性信道和高斯噪聲）等模型來描述信道。但現(xiàn)實中，噪聲分布往往是非高斯的，信道模型也遠非線性，這導致模型與實際有不少偏差。

例如，在噪聲分布上，經(jīng)典模型往往假設噪聲是線性且服從高斯分布，便于應用線性濾波器估計信道。

但現(xiàn)實噪聲遠非如此：它可能包括非線性功率放大器失真、脈沖干擾或多用戶干擾，這些都不符合線性假設，導致模型在高信噪比區(qū)失效。

在信道建模中，傳統(tǒng)方法常假設信道是各向同性的、靜態(tài)或弱相關(guān)性的，以簡化矩陣運算。比如，在MIMO系統(tǒng)中，假設噪聲獨立于信號，從而避免復雜協(xié)方差計算。但在動態(tài)環(huán)境中，用戶移動會引入相關(guān)性，天氣反射會使噪聲非獨立，導致模型精度銳減。

比如，在毫米波頻段，傳統(tǒng)建模假設信號路徑線性傳播，但實際上樹葉或人體的阻擋會引起突發(fā)非線性衰落，需頻繁進行信道狀態(tài)估計，而這會消耗大量資源，最終拉低了頻譜效率。

并且，在適應性上，傳統(tǒng)算法是靜態(tài)的，一旦環(huán)境超出假設范圍，系統(tǒng)就無法自適應，只能通過人工干預或保守設置來彌補，這增加了運維成本并降低了效率。

在5G時代，隨著Massive MIMO和毫米波的引入，系統(tǒng)的復雜性指數(shù)級上升：天線陣列的收發(fā)通道數(shù)從個位數(shù)擴展到數(shù)百個，傳統(tǒng)算法在實時處理這些變量時計算負載爆炸式增長。

展望6G，更高階MIMO將進一步推高天線數(shù)量，復雜度瓶頸愈發(fā)凸顯。

自此，AI的引入，在業(yè)界已成共識。

摒棄規(guī)則藩籬，釋放AI潛力

傳統(tǒng)的基于規(guī)則的算法是“演繹法”，高度依賴于人類專家預設的模型和精確的數(shù)學表達式。然而要用一個物理公式把這大量變量之間的關(guān)系完美地寫出來，在數(shù)學上幾乎是不可能的，這叫“建模缺陷”。

AI則采用“歸納法”，它無需人工輸入明確的公式，而是通過海量數(shù)據(jù)訓練來調(diào)整其中萬億級別的參數(shù)權(quán)重，就能找到一個函數(shù)來逼近現(xiàn)實，描述人類尚未掌握或無法表達的“隱秘”邏輯。

在高度復雜、非線性、動態(tài)時變的無線通信信道中，存在大量個性化的、難以用確定模型表達的隱藏規(guī)律，這就是規(guī)則算法的性能提升困難，AI（特別是機器學習和深度學習）崛起的原因。

AI擅長應對高復雜度問題。無線信道涉及高維變量（比如數(shù)百天線間的相關(guān)性），傳統(tǒng)算法計算復雜度呈指數(shù)級。AI通過神經(jīng)網(wǎng)絡（CNN或Transformer）自動特征提取和降維，從海量數(shù)據(jù)中挖掘關(guān)聯(lián)，復雜度接近線性，可高效處理Massive MIMO 的多用戶并發(fā)問題。

AI能化解非線性難題。AI 的神經(jīng)網(wǎng)絡本質(zhì)上是“通用函數(shù)逼近器”，能擬合任意連續(xù)非線性函數(shù)，而無需線性假設。通過激活函數(shù)和多層結(jié)構(gòu)，AI 能夠捕捉復雜映射。據(jù)諾基亞貝爾實驗室研究，在功率放大器非線性失真中，用AI替代傳統(tǒng)數(shù)字預失真（DPD）算法，可提升 2-3 dB 鏈路預算。

AI可以解決時變性問題。信道瞬息萬變，傳統(tǒng)算法需頻繁重估信道狀態(tài)，導致開銷大。AI 使用序列模型（如LSTM）學習時間相關(guān)性，實現(xiàn)預測性控制：基于過去幾秒數(shù)據(jù)預判未來毫秒級變化，減少導頻信號需求。

并且，AI還具有高度的泛化能力，即可以適應多種不同的場景。訓練于多樣數(shù)據(jù)集的 AI 模型具有泛化能力，即使遇新環(huán)境（如從城市到鄉(xiāng)村），也能通過在線微調(diào)或遷移學習適應。這解決了傳統(tǒng)算法一遇未知問題就“歇菜”的脆性問題。

有這么大的優(yōu)勢，AI-RAN自然前途可期。

各路玩家入局，AI-RAN勢不可當

在2024年在巴塞羅那移動通信展期間 ，由英偉達牽頭，聯(lián)合軟銀愛立信、諾基亞、微軟、三星、T-Mobile等巨頭 成立了AI-RAN 聯(lián)盟 。這標志著 AI-RAN 正式成為行業(yè)共識。

2024年11月，日本軟銀宣布其開發(fā)AI-RAN系統(tǒng)“AITRAS”，并在進行了外場測試。這標志著AI-RAN已不僅僅是概念，正走向商用落地。

在2025年巴塞羅那移動通信展期間，AI-RAN 聯(lián)盟發(fā)布了十個AI-RAN能力演示，展示了AI如何優(yōu)化RAN性能、提升能效和支持新應用。同時，聯(lián)盟成員已超100家，并與Linux基金會合作，推動開源生態(tài)建設。

2025年10月，英偉達向諾基亞注資10億美元，共同推動AI-RAN創(chuàng)新。因兩家公司名稱均以N開頭，該事件被業(yè)界稱為“NN合作”。據(jù)悉，美國T-Mobile將在2026年進行AI-RAN試點。

在英偉達這條鲇魚的強勢入局下，傳統(tǒng)通信設備商和全球運營商紛紛投資AI-RAN。3GPP等標準組織也在推進無線網(wǎng)絡AI化：Release 18引入AI/ML框架，用于信道預測和定位增強；Release 19擴展到網(wǎng)絡節(jié)能和移動性優(yōu)化。

盡 管不同組織的生態(tài)位和利益考量導致投入差異，但AI-RAN的勢頭不可阻擋。這一技術(shù)將如何重塑未來 的移動通信產(chǎn)業(yè)生態(tài)， 讓我們拭目以待。