6G为什么反复强调AI原生？
6G为什么反复强调AI原生摘要5G和5G-Advanced已经在使用AI进行节能、负载均衡、移动性优化、波束管理和定位为什么6G还要反复强调“AI原生”因为“使用AI”与“能够可靠地管理AI”不是一回事。外挂式AI通常只优化一个局部功能数据接口、模型版本、算力位置、在线监控和故障回退仍由厂商各自处理。AI原生则希望从网络设计之初就把数据、模型、算力和智能闭环作为可编排、可验证、可追溯的系统资源。它既要用AI改善网络也要让网络承载分布式训练、推理和智能体协作。真正的代际变化不是基站里放入一个更大的模型而是网络具备一套让AI安全进入生产系统的基础制度。先说清楚AI原生不是“所有功能都换成神经网络”所谓原生重点在设计顺序。今天很多网络AI采用外挂方式先有一套完整网络再从管理系统收集数据训练模型最后把预测结果用于某个参数调整。这种方式适合负载预测、节能或告警分析却很难支撑跨基站、终端、边缘和核心网的实时协作。AI原生希望在协议、架构和运维体系设计时就回答数据从哪里产生谁可以使用模型在何处训练和推理终端与网络如何声明能力模型怎样下发、更新和退出性能变差时怎样被发现关键业务能否立即退回确定性流程。因此AI原生不是对传统算法的否定而是让规则算法、优化算法和学习模型能够按照场景组合并接受统一治理。图1外挂AI与AI原生网络的架构差异作者绘制。外挂AI可以带来局部收益但容易受限于数据缺失和接口割裂AI原生关注完整闭环让数据、模型、算力、权限和回退机制共同进入网络架构。为什么6G比5G更需要这种设计第一网络本身会更复杂。低频、中频、毫米波甚至更高频段需要协同地面网络要与卫星和高空平台互通通信还可能与感知、计算结合。依靠人工为每一种状态编写固定规则会迅速遇到组合爆炸和响应滞后。第二业务目标正在变化。机器人、车辆、数字孪生和智能体关心的不是某一条链路峰值速率而是任务能否在截止时间内完成。网络可能需要联合选择无线资源、边缘节点、模型版本和任务切分位置这类跨域决策天然需要更强的预测与优化能力。第三AI业务会反过来改变网络。终端不可能独立保存全部模型也不适合把所有原始数据送到远端云。分布式推理、模型传输和端边云协同要求网络理解任务时限、算力负载、数据权限和模型可用性。这通常被概括为“Network for AI”。第四网络自动化程度越高治理越不能事后补。一个视频推荐模型失效影响可能只是体验一个用于切换、节能或工业控制的网络模型失效则可能造成掉线、覆盖空洞或业务中断。越强调智能自治越需要验证、审计和安全回退。5G-A已经走到了哪里AI进入移动网络并不是从6G开始。3GPP在更早Release中已经引入网络数据分析和自动化能力。Release 18进一步研究AI/ML用于NR空口并选择CSI反馈、波束管理和定位三个代表性用例同一阶段NG-RAN也增强了支撑节能、负载均衡和移动性优化的数据采集与信令。3GPPAI/ML for NR Air InterfaceRelease 19继续推进NR空口AI/ML规范支持。这里值得注意的是3GPP通常不会强制厂商使用某一种神经网络结构而是规范能力协商、数据采集、测量报告、模型相关流程和互操作边界。算法和模型仍可能是厂商实现差异的一部分。3GPPNR Air Interface AI/ML工作项目这说明5G-A正在搭建AI原生所需的“脚手架”但多数工作仍以特定用例和既有NR架构增强为主。6G要进一步解决跨域数据、模型生命周期、算力编排以及端到端智能服务的问题。6G的“原生”具体体现在哪里ITU-R M.2160-0在IMT-2030技术趋势中讨论AI原生新空口和AI原生网络并把“人工智能与通信”AIAC列为六类使用场景之一。这里定义的是6G愿景与研究方向并不是已经冻结的3GPP实现方案。ITU-R M.2160-0第2.3.1节和第3节从产业角度看AI原生至少需要五层能力能力层要解决的问题数据数据来源、质量、权限、格式和可追溯性模型模型身份、版本、能力匹配、分发和更新算力推理放在终端、基站、边缘还是云怎样控制能耗编排无线、计算、数据和模型怎样围绕任务联合选择治理怎样验证、监控、解释、审计并在失败时回退图2AI原生网络需要可治理的模型生命周期作者绘制。无线环境、业务负载和终端能力一直变化模型上线不是终点。网络需要持续监控模型漂移、异常结果和资源开销并支持降级、切换或回到传统算法。AI原生能带来哪些现实收益对运营商最直接的价值可能来自节能、运维自动化、故障预测和资源利用率提升。网络可以根据业务与覆盖预测休眠部分载波或设备也可以提前识别容量热点和潜在故障。对设备与行业客户价值更多来自任务协同。例如机器人可以根据无线与边缘负载改变推理位置车辆和低空平台可以联合选择连接、感知与计算资源终端可以按电量、模型大小和隐私要求决定本地执行还是卸载。对产业链标准化的价值不是产生一个所有厂商共用的大模型而是形成可互操作的数据和模型管理机制让终端、网络设备、算力平台及行业应用能够明确交换什么、由谁负责、发生失败时如何处理。AI原生也可能成为新的成本中心训练和推理需要计算、存储与传输可能抵消网络节能收益持续采集数据会增加隐私和攻击面不同地区、频段和设备上的数据分布不同模型容易漂移跨厂商模型协作还涉及知识产权、责任和锁定风险。更困难的是测试。传统功能可以用确定输入检查确定输出学习模型的性能却与数据集、环境和版本有关。产业需要建立场景覆盖、最低性能、鲁棒性、安全攻击、回退时延和能耗等验证方法否则“AI原生”很容易成为无法验收的宣传词。三个常见误解误解一AI原生就是用一个大模型控制整张网络。网络时间尺度差异很大物理层、调度、运维和业务编排需要不同模型与确定性机制协作。误解二模型越复杂网络越先进。移动网络更看重稳定收益、推理时延、功耗和可回退性。一个小而可靠的模型可能比难以验证的大模型更有价值。误解三AI能够消除无线通信的物理限制。AI可以改善估计和决策但不能取消噪声、干扰、覆盖、频谱和能量约束。标准现在走到哪一步3GPP Release 20同时承载5G-Advanced工作与早期6G研究Release 21才是规范性6G工作的正式起点。因此AI原生已经形成清晰方向5G-A也在提供实践基础但6G最终采用哪些架构、接口和模型管理方式仍在研究与标准化过程中。3GPPRelease 20小结6G反复强调AI原生是因为未来网络既要依靠AI管理自身也要成为AI业务的运行底座。如果数据、模型、算力和安全机制仍然散落在不同产品中网络就很难支撑跨域、实时且可验证的智能协作。AI原生真正的含义不是让AI拥有无限权力而是让它成为一种受管理的网络能力有明确的数据来源有可识别的模型版本有匹配的算力位置有持续监控也有失败时可执行的退路。只有做到这些AI才能从演示系统中的优化工具变成运营网络可以长期依赖的生产能力。参考资料ITU-R M.2160-0Framework and overall objectives of the future development of IMT for 2030 and beyondITUIMT towards 2030 and beyond3GPPAI/ML for NR Air Interface3GPP TR 38.843Study on AI/ML for NR air interface3GPPArtificial Intelligence/Machine Learning for NR air interface工作项目3GPPRelease 20
)
