AI是如何賦能無(wú)線網(wǎng)絡(luò)的？

人工智能（AI）和無(wú)線接入網(wǎng)絡(luò)（RAN）融合能夠革新網(wǎng)絡(luò)基礎(chǔ)設(shè)施、提高移動(dòng)網(wǎng)絡(luò)效率、降低網(wǎng)絡(luò)運(yùn)維成本，并為電信企業(yè)釋放新的商業(yè)機(jī)會(huì)，已成為行業(yè)發(fā)展重要趨勢(shì)。標(biāo)準(zhǔn)化的質(zhì)量與成熟度是AI使能無(wú)線網(wǎng)絡(luò)重塑升級(jí)的關(guān)鍵，國(guó)際標(biāo)準(zhǔn)組織3GPP正在積極探索AI與RAN的融合并取得了一些進(jìn)展，中國(guó)移動(dòng)積極貢獻(xiàn)，在該領(lǐng)域發(fā)揮了技術(shù)和產(chǎn)業(yè)引領(lǐng)作用，主導(dǎo)大數(shù)據(jù)采集、AI與RAN融合等多個(gè)項(xiàng)目，制定了統(tǒng)一的數(shù)據(jù)收集方案和功能框架設(shè)計(jì)，為網(wǎng)絡(luò)自動(dòng)化和智能化奠定了基礎(chǔ)。然而，AI賦能RAN的技術(shù)革新并非一蹴而就，AI模型訓(xùn)練數(shù)據(jù)獲取、模型泛化性、模型傳輸?shù)葐?wèn)題，都是當(dāng)前標(biāo)準(zhǔn)化與應(yīng)用過(guò)程中必須面對(duì)的關(guān)鍵挑戰(zhàn)。為應(yīng)對(duì)這些挑戰(zhàn)，業(yè)界需要客觀冷靜地看待AI與RAN的融合，產(chǎn)學(xué)研用伙伴緊密合作，通過(guò)數(shù)據(jù)匿名化和去標(biāo)識(shí)化、聯(lián)邦學(xué)習(xí)、環(huán)境自適應(yīng)的AI模型設(shè)計(jì)、基于參考模型算法結(jié)構(gòu)的模型傳輸?shù)葷撛诖胧?，共同推?dòng)AI技術(shù)在無(wú)線通信行業(yè)的創(chuàng)新應(yīng)用，加速AI與RAN融合技術(shù)的成熟發(fā)展，為無(wú)線網(wǎng)絡(luò)變革做好充足的準(zhǔn)備。

1、AI與5G RAN融合的探索歷程

隨著移動(dòng)通信技術(shù)的快速發(fā)展，網(wǎng)絡(luò)規(guī)模和復(fù)雜性急劇增加，傳統(tǒng)的網(wǎng)絡(luò)管理方式效率低、易出錯(cuò)，且難以有效建模復(fù)雜問(wèn)題，亟需自動(dòng)化、智能化的手段來(lái)降低網(wǎng)絡(luò)部署和運(yùn)維成本，提升網(wǎng)絡(luò)性能。以中國(guó)移動(dòng)為例，目前已部署超過(guò)300萬(wàn)5G基站，能耗和運(yùn)維難度成為網(wǎng)絡(luò)管理的重大挑戰(zhàn)，亟需采用智能化解決方案來(lái)實(shí)現(xiàn)成本效益和運(yùn)營(yíng)效率的雙提升。AI技術(shù)以其卓越的大數(shù)據(jù)處理和預(yù)測(cè)能力，深入分析海量數(shù)據(jù)，挖掘數(shù)據(jù)間的潛在關(guān)聯(lián)，預(yù)測(cè)未來(lái)的趨勢(shì)和結(jié)果，為無(wú)線接入網(wǎng)提供了更加智能化的管理手段。然而，目前基于AI的解決方案在現(xiàn)網(wǎng)中的應(yīng)用仍存在局限性，例如，局限于單一廠商的網(wǎng)絡(luò)設(shè)備，缺乏跨廠商的協(xié)同優(yōu)化能力，且優(yōu)化效果多局限于特定網(wǎng)元，無(wú)法全面擴(kuò)展至網(wǎng)絡(luò)和終端間的協(xié)同優(yōu)化。為了克服這些局限，亟待開(kāi)展AI與RAN融合的全球通用標(biāo)準(zhǔn)制定工作。

3GPP作為全球通信行業(yè)的權(quán)威標(biāo)準(zhǔn)組織，涵蓋了從終端、無(wú)線接入網(wǎng)、核心網(wǎng)和業(yè)務(wù)端到端移動(dòng)通信系統(tǒng)，為5G技術(shù)的發(fā)展提供了統(tǒng)一的框架和協(xié)議規(guī)范，其制定的標(biāo)準(zhǔn)是5G網(wǎng)絡(luò)落地應(yīng)用的基石。3GPP早在5G標(biāo)準(zhǔn)化初期就開(kāi)始了AI賦能RAN的布局，2018年中國(guó)移動(dòng)牽頭的Rel-16 “RAN-centric data collection and utilization”項(xiàng)目，通過(guò)定義統(tǒng)一的數(shù)據(jù)測(cè)量量和自動(dòng)化的數(shù)據(jù)收集方案，為5G網(wǎng)絡(luò)自動(dòng)化和智能化提供有力抓手，該項(xiàng)目為后續(xù)AI與RAN的融合奠定了堅(jiān)實(shí)的基礎(chǔ)。在此基礎(chǔ)上，中國(guó)移動(dòng)在R17版本牽頭啟動(dòng)了首個(gè)AI與RAN融合的研究項(xiàng)目，制定了統(tǒng)一的功能框架和協(xié)議流程等頂層設(shè)計(jì)，打通了5G與AI融合的關(guān)口，同時(shí)面向網(wǎng)絡(luò)能耗優(yōu)化、負(fù)載均衡和移動(dòng)性管理等關(guān)鍵用例進(jìn)行了針對(duì)性?xún)?yōu)化，正式拉開(kāi)了3GPP RAN與AI融合的標(biāo)準(zhǔn)化序幕。

除了傳統(tǒng)的通信行業(yè)參與者，越來(lái)越多AI領(lǐng)域的公司也積極投身到無(wú)線通信技術(shù)演進(jìn)中，希望在即將到來(lái)的6G時(shí)代搶占有利地位。英偉達(dá)作為目前AI芯片領(lǐng)域的領(lǐng)導(dǎo)者，聯(lián)合軟銀（投資了ARM）、愛(ài)立信等半導(dǎo)體公司、傳統(tǒng)通信公司、軟件公司和學(xué)術(shù)機(jī)構(gòu)在2024年2月?tīng)款^成立了AI-RAN聯(lián)盟，重點(diǎn)關(guān)注通過(guò)AI提升RAN的性能、基礎(chǔ)設(shè)施共享以及在網(wǎng)絡(luò)邊緣部署AI服務(wù)提高運(yùn)營(yíng)效率并為移動(dòng)用戶(hù)提供新服務(wù)。其本質(zhì)是將AI能力從云擴(kuò)展到管，通過(guò)定義AI RAN的系統(tǒng)架構(gòu)、硬件平臺(tái)等關(guān)鍵特征，輔助AI芯片公司進(jìn)軍傳統(tǒng)RAN市場(chǎng)，通過(guò)提供GPU或基于GPU的虛擬基站（vRAN）實(shí)現(xiàn)其技術(shù)和產(chǎn)品的商業(yè)化。

2、3GPP中AI+RAN項(xiàng)目簡(jiǎn)介

3GPP從AI重構(gòu)智能無(wú)線接入網(wǎng)的可行性出發(fā)，啟動(dòng)了多項(xiàng)技術(shù)研究與標(biāo)準(zhǔn)制定項(xiàng)目，旨在將AI技術(shù)與5G RAN深度融合，重點(diǎn)提升網(wǎng)絡(luò)頻譜效率、構(gòu)建智能化運(yùn)維體系、打造極致節(jié)能和資源管理等關(guān)鍵能力。為滿(mǎn)足多樣化的AI賦能需求，3GPP構(gòu)建了支持多場(chǎng)景的AI統(tǒng)一功能架構(gòu)，包括數(shù)據(jù)收集、模型訓(xùn)練、管理、推理、傳輸、識(shí)別、監(jiān)控等模型全生命周期管理功能，不僅是5G網(wǎng)絡(luò)智能化的基石，也為未來(lái)網(wǎng)絡(luò)發(fā)展提供了強(qiáng)大支撐。

圖1：AI統(tǒng)一功能架構(gòu)

在現(xiàn)有5G架構(gòu)的基礎(chǔ)上，3GPP對(duì)單點(diǎn)用例進(jìn)行針對(duì)性突破，為5G+AI的深度融合、商用部署以及6G內(nèi)生AI奠定了堅(jiān)實(shí)基礎(chǔ)。主要研究用例如下：

（1）CSI反饋增強(qiáng)：CSI信息對(duì)于提升網(wǎng)絡(luò)頻譜效率至關(guān)重要，然而傳統(tǒng)CSI碼本反饋精度低、高速移動(dòng)場(chǎng)景上報(bào)時(shí)延大。3GPP研究了基于AI的CSI壓縮反饋和CSI時(shí)域預(yù)測(cè)兩個(gè)子用例。CSI壓縮反饋是通過(guò)終端側(cè)的AI編碼器高效提取信道信息的關(guān)鍵特征，以極少的比特傳輸給基站，大幅降低了空口傳輸開(kāi)銷(xiāo)。同時(shí)，基站側(cè)的AI解碼器能準(zhǔn)確還原原始信道信息，實(shí)現(xiàn)了高效壓縮與精準(zhǔn)恢復(fù)。CSI時(shí)域預(yù)測(cè)是通過(guò)在終端側(cè)部署AI預(yù)測(cè)模型，基于歷史CSI數(shù)據(jù)預(yù)測(cè)未來(lái)信道狀態(tài)。仿真評(píng)估表明，基于AI的預(yù)測(cè)方案能提升系統(tǒng)平均吞吐量約10.6%。

（2）波束管理增強(qiáng)：針對(duì)高頻通信場(chǎng)景終端波束測(cè)量開(kāi)銷(xiāo)大、高速移動(dòng)場(chǎng)景波束指示精度低等挑戰(zhàn)，研究了基于AI的空域波束預(yù)測(cè)和時(shí)域波束預(yù)測(cè)兩個(gè)子用例。針對(duì)空域波束預(yù)測(cè)，部署在終端或網(wǎng)絡(luò)側(cè)的AI模型可以通過(guò)有限波束測(cè)量快速預(yù)測(cè)全局最優(yōu)波束。基于AI的方案不僅能大幅減少終端測(cè)量開(kāi)銷(xiāo)，還能提高波束預(yù)測(cè)準(zhǔn)確率約70%。針對(duì)時(shí)域波束預(yù)測(cè)，AI模型可以根據(jù)歷史波束測(cè)量結(jié)果預(yù)測(cè)未來(lái)最優(yōu)波束。仿真顯示，基于AI的方案能提升預(yù)測(cè)準(zhǔn)確率約60%。

（3）定位增強(qiáng)：在5G NR定位技術(shù)中，非視距（NLOS）場(chǎng)景下的定位精度一直難以提升，3GPP研究了基于AI的直接定位和輔助定位兩個(gè)子用例。通過(guò)在終端、基站或定位服務(wù)器（LMF）部署AI模型，分析用戶(hù)位置數(shù)據(jù)和信道狀態(tài)信息，從時(shí)、頻、空等多個(gè)維度提取深層次特征，預(yù)測(cè)和校正基站間同步誤差等非理想因素，有效克服了NLOS場(chǎng)景下傳統(tǒng)定位算法失準(zhǔn)痼疾。仿真結(jié)果表明，該技術(shù)可實(shí)現(xiàn)亞米級(jí)的定位精度，有效擴(kuò)展了5G定位技術(shù)的應(yīng)用場(chǎng)景。

（4）網(wǎng)絡(luò)節(jié)能：5G基站能耗問(wèn)題備受矚目，網(wǎng)絡(luò)節(jié)能成為助力雙碳目標(biāo)的關(guān)鍵議題。傳統(tǒng)的小區(qū)激活與去激活、負(fù)載降低和覆蓋調(diào)整策略雖有效果，但操作不當(dāng)可能損害網(wǎng)絡(luò)性能或增加能耗。通過(guò)在基站側(cè)部署AI模型，分析服務(wù)基站和鄰站的資源及能耗數(shù)據(jù)，預(yù)測(cè)網(wǎng)絡(luò)能耗效率和小區(qū)負(fù)載狀態(tài)，優(yōu)化小區(qū)激活與去激活策略，包括關(guān)斷時(shí)機(jī)、時(shí)長(zhǎng)及負(fù)載分流策略，能夠?qū)崿F(xiàn)系統(tǒng)性能與節(jié)能效率之間的平衡。仿真評(píng)估表明，加載AI功能的小區(qū)節(jié)能時(shí)間增加了至少90%。

（5）負(fù)載均衡：5G網(wǎng)絡(luò)負(fù)載均衡是提升運(yùn)營(yíng)效率與用戶(hù)服務(wù)質(zhì)量的關(guān)鍵，但是傳統(tǒng)方案受限于調(diào)整策略滯后、流量調(diào)度不均衡、網(wǎng)絡(luò)配置復(fù)雜、運(yùn)營(yíng)成本高等問(wèn)題?；緜?cè)通過(guò)部署AI模型，能夠?qū)崟r(shí)預(yù)測(cè)服務(wù)基站及鄰站的資源使用狀態(tài)、終端的RRM測(cè)量結(jié)果，制定精確的負(fù)載均衡策略，包括待切換的候選終端、目標(biāo)小區(qū)選擇及切換時(shí)機(jī)等。進(jìn)一步地，還能基于終端切換后的吞吐量、時(shí)延、丟包率等反饋信息持續(xù)優(yōu)化模型。

（6）移動(dòng)性增強(qiáng)：在高頻、高速場(chǎng)景下，終端切換頻率增加，頻繁測(cè)量導(dǎo)致終端功耗增加，且切換性能較差，易發(fā)生切換失敗、無(wú)線鏈路失敗等問(wèn)題。同時(shí)，XR等新興業(yè)務(wù)對(duì)于移動(dòng)性過(guò)程中的業(yè)務(wù)連續(xù)性、可靠性和時(shí)延等提出了更高要求。通過(guò)在終端或基站側(cè)部署AI模型，能夠基于空、時(shí)、頻域預(yù)測(cè)小區(qū)測(cè)量結(jié)果，減少終端測(cè)量開(kāi)銷(xiāo)。此外，AI模型還能預(yù)測(cè)測(cè)量事件、無(wú)線鏈路失敗發(fā)生的時(shí)間或概率，輔助網(wǎng)絡(luò)進(jìn)行切換決策和準(zhǔn)備，提升切換性能。

3、AI+RAN標(biāo)準(zhǔn)化及產(chǎn)業(yè)應(yīng)用面臨的挑戰(zhàn)

業(yè)界普遍認(rèn)同AI與RAN的結(jié)合具有顯著的研究與應(yīng)用價(jià)值，且不同標(biāo)準(zhǔn)組織在技術(shù)研究方向上形成了廣泛共識(shí)。然而，AI與RAN的深度融合仍面臨一系列技術(shù)和產(chǎn)業(yè)挑戰(zhàn)，AI模型訓(xùn)練數(shù)據(jù)獲取、AI模型的泛化性、AI模型傳輸?shù)瘸蔀楫?dāng)前標(biāo)準(zhǔn)化與應(yīng)用中面臨的主要難題。

3.1 AI模型訓(xùn)練數(shù)據(jù)獲取的挑戰(zhàn)

在AI領(lǐng)域，數(shù)據(jù)是訓(xùn)練模型的基礎(chǔ)，對(duì)于算法的準(zhǔn)確性和效率至關(guān)重要。AI+RAN模型的數(shù)據(jù)集通常涉及網(wǎng)絡(luò)拓?fù)?、無(wú)線配置、信道條件、用戶(hù)行為、終端和芯片的軟硬件等信息，這些數(shù)據(jù)分布在運(yùn)營(yíng)商、網(wǎng)絡(luò)廠商、終端廠商和芯片廠商，僅使用某一方的數(shù)據(jù)很難訓(xùn)練出性能良好的AI模型。因此，3GPP嘗試通過(guò)標(biāo)準(zhǔn)化的方式統(tǒng)一數(shù)據(jù)集，但在解決方案的選擇上仍然存在分歧與挑戰(zhàn)。

各方都希望獲取全面、豐富的數(shù)據(jù)集，用于訓(xùn)練先進(jìn)的AI模型。先進(jìn)的AI模型不僅可以作為企業(yè)的競(jìng)爭(zhēng)優(yōu)勢(shì)，還能減少對(duì)外部供應(yīng)商的依賴(lài)，確保企業(yè)在技術(shù)創(chuàng)新和應(yīng)用上保持獨(dú)立性。

由于潛在的隱私安全風(fēng)險(xiǎn)，各方不愿意把自己的數(shù)據(jù)分享出來(lái)。數(shù)據(jù)的共享可能會(huì)導(dǎo)致網(wǎng)絡(luò)拓?fù)洹⒕W(wǎng)絡(luò)配置、用戶(hù)信息、終端和芯片內(nèi)部實(shí)現(xiàn)算法等隱私和知識(shí)產(chǎn)權(quán)的泄露，會(huì)嚴(yán)重?fù)p害相關(guān)方的聲譽(yù)和利益。

不同實(shí)體訓(xùn)練的模型因軟硬件差異難以直接應(yīng)用到另一方的設(shè)備上。例如，芯片廠商認(rèn)為只有自己訓(xùn)練的模型才能與其芯片的軟硬件適配。

針對(duì)上述挑戰(zhàn)，潛在的方案可能包含：1）通過(guò)數(shù)據(jù)匿名化和去標(biāo)識(shí)化，減少隱私泄露風(fēng)險(xiǎn)；2）利用聯(lián)邦學(xué)習(xí)技術(shù)，允許數(shù)據(jù)保留在本地，同時(shí)實(shí)現(xiàn)模型的共同訓(xùn)練；3）通過(guò)可信任的第三方實(shí)體統(tǒng)一管理數(shù)據(jù)，比如政府或國(guó)際標(biāo)準(zhǔn)組織建立的數(shù)據(jù)中心，能夠確保數(shù)據(jù)的安全隱私，并促進(jìn)數(shù)據(jù)的共享和利用，支持AI模型的訓(xùn)練和優(yōu)化。

3.2 AI模型的泛化性

泛化性是評(píng)估AI模型的關(guān)鍵指標(biāo)之一，良好的泛化性意味著模型在不同條件下都能保持穩(wěn)定的性能。在無(wú)線通信領(lǐng)域，考慮到通信環(huán)境復(fù)雜多變，包括不同的網(wǎng)絡(luò)部署、信道條件、用戶(hù)行為、信號(hào)干擾等，AI模型的泛化性尤為重要。然而，AI模型的泛化性保證主要面臨以下挑戰(zhàn)：

數(shù)據(jù)多樣性：需要使用多樣化的訓(xùn)練數(shù)據(jù)集，包含不同的場(chǎng)景和條件，以涵蓋各種網(wǎng)絡(luò)參數(shù)和信道環(huán)境，確保模型能夠?qū)W習(xí)到足夠多樣的特征。但上文提到的數(shù)據(jù)隱私問(wèn)題限制了多樣化數(shù)據(jù)的采集和使用。

模型設(shè)計(jì)復(fù)雜：通常需要較為復(fù)雜的模型才能從訓(xùn)練數(shù)據(jù)中有效提取到豐富多樣的特征，但這樣的模型往往伴隨著更多的模型參數(shù)、更高的訓(xùn)練成本和更復(fù)雜的模型推理。

終端存儲(chǔ)和算力制約：現(xiàn)有5G終端設(shè)備由于存儲(chǔ)和算力有限，無(wú)法支撐復(fù)雜的模型應(yīng)用。但3GPP評(píng)估顯示，小模型的泛化性普遍較差。

AI+RAN的設(shè)計(jì)需要在模型的泛化性、復(fù)雜度以及終端算力之間找到一個(gè)良好的平衡點(diǎn)，探索出既能適應(yīng)多樣化的無(wú)線環(huán)境，又能在算力受限終端上高效運(yùn)轉(zhuǎn)的AI技術(shù)，才能實(shí)現(xiàn)RAN側(cè)網(wǎng)絡(luò)智能化的穩(wěn)步落地。目前潛在的解決方案包括：1）標(biāo)準(zhǔn)化的數(shù)據(jù)采集機(jī)制，通過(guò)更廣泛、更豐富的訓(xùn)練數(shù)據(jù)，提升模型在不同區(qū)域和應(yīng)用場(chǎng)景下的適用性；2）基于環(huán)境感知的超網(wǎng)絡(luò)模型設(shè)計(jì)，能夠根據(jù)環(huán)境變化自適應(yīng)調(diào)整模型，從而更好地適應(yīng)不同的環(huán)境特征。

3.3 AI模型傳輸?shù)睦Ь?/strong>