中国移动：6G无线内生AI架构与技术白皮书_28页_1mb

6G 无线内生 AI 架构与技术白皮书总结

核心内容

本白皮书聚焦于6G网络中AI的内生化设计，旨在解决5G网络智能化所面临的问题，如AI应用效果受限、数据隐私和传输压力大、算力与通信资源松耦合等。通过在架构层面实现AI与网络的深度融合，6G将支持AI服务的全生命周期，满足多样化的智能场景需求，包括网络自治、安全、用户体验等。

主要观点

1. AI服务质量（QoAIS）：6G将构建一套AI服务质量评估和保障体系，涵盖性能、开销、安全、隐私和自治等多个维度。
2. AI全生命周期编排管理：6G网络将提供统一的AI工作流管理机制，实现从数据管理、模型学习、验证、部署等环节的资源编排和控制。
3. AI计算与通信的深度融合：AI服务需要在控制面和用户面实现计算与通信的协同，以提升实时性和效率。
4. 数字孪生与内生AI融合：通过构建物理网络的数字化镜像，实现AI模型的预验证和性能优化，减少对物理数据的依赖和采集压力。

关键信息

6G内生AI的定义

6G内生AI是指在6G网络架构内部提供AI服务所需的完整运行环境，包括数据采集、预处理、模型训练、推理、评估等环节，将AI能力按需编排到无线、传输、承载、核心等网络功能中，以支持网络自治、安全、用户体验等。

6G网络新架构

6G网络架构将新增数据面和智能面，并扩展传统的控制面和用户面。其核心特征如下：

• 数据面：负责网络内外数据的采集、处理、存储与共享，为AI服务提供基础数据支持。
• 智能面：提供AI全生命周期所需的完整运行环境，支持AI工作流的执行与优化。
• 扩展的控制面和用户面：支持AI服务所需的多维度资源协同，如算力、算法、数据和连接。

新技术

1. AI模型的选择与再训练：根据源域和目标域数据分布差异选择合适的训练方法，如基础学习、迁移学习和元学习。
2. 终端与网络协作的AI模型训练：通过分布式算力资源协同进行模型训练，提升资源利用率和模型性能。
3. 终端与网络协作的AI模型推理：通过模型分割和协同计算，提升推理性能，降低终端算力压力。
4. 基于网络数字孪生的AI性能预验证技术：利用数字孪生网络进行AI模型的预验证，提升模型的泛化能力，减少对物理网络的依赖。

6G内生AI的驱动力

• 智慧泛在新场景：6G网络需实现“随时随地”的AI服务，支持千行百业的数智化转型。
• 网络自治需求：6G将支持网络的高水平自治，包括自我设计、实施、优化和演进。
• 安全与隐私需求：网络将内生安全能力，保障AI服务的安全性与隐私性。
• 高效资源利用：通过分布式资源协同，实现AI服务的高效运行和低资源消耗。

6G内生AI的挑战与研究方向

1. 如何设计统一的QoAIS评估和保障机制：需考虑性能、开销、安全、隐私和自治等多维度指标。
2. 如何实现管理面、控制面和用户面的协同：需研究不同资源维度的处理机制及其融合。
3. 如何支持AI对数据的按需动态提取和处理：需在架构层面设计灵活的数据处理机制。
4. 如何优化AI连接的控制和传输机制：需设计专门的AI连接协议，以满足AI服务的特殊需求。
5. 如何实现内生AI与数字孪生网络的深度融合：需设计融合机制，以支持AI模型的预验证和优化。
6. 如何保障AI模型的可信性：需设计模型评估、异常检测和恢复机制。
7. 如何提升AI服务的资源分配效率：需探索基于强化学习的资源分配方法，实现模型分割点和资源分配的动态优化。

延伸问题与研究方向

• 如何从网络架构层面支持网络和网元深度数据的开放和使用？
• 如何在管理、控制和用户面层面设计AI服务的资源处理机制？
• 如何优化AI连接的控制和传输协议？
• 如何设计AI模型的可信保障机制？
• 如何实现AI与数字孪生网络的深度融合？
• 如何实现AI服务的资源分配与性能优化？
• 如何提升AI模型的泛化能力和鲁棒性？

6G内生AI的愿景

6G网络将通过内生AI实现高水平的网络自治，为用户提供极致的业务体验，并推动千行百业的数智化转型。内生AI的实现不仅需要新理念和新架构，还需要新技术的支撑，包括模型编排、训练、推理、数字孪生等。

缩略语

总结

6G内生AI的提出是面向未来通信网络智能化的必然趋势。通过在架构层面实现AI与网络的深度融合，6G将为用户提供更高效、更安全、更灵活的智能服务，同时支持网络的高水平自治和业务创新。白皮书提出了AI服务质量（QoAIS）评估体系、AI全生命周期编排管理、AI计算与通信的深度融合等新理念，并设计了数据面、智能面、扩展的控制面和用户面等新架构，以及模型编排、分布式训练与推理、数字孪生等新技术。未来，6G内生AI的研究仍需各方合作，共同探索网络与AI融合的实现路径。