隨著ChatGPT點燃的人工智慧（AI）熱潮，通訊行業的面貌煥然一新。在各種行業展會、論壇上，面向通訊行業的AI套用層出不窮。
「ALL in AI，AI for All」不僅僅是口號，AI已經和通訊系統深度融合。甚至可以說，在有些方面AI已經成為了主角，形成了通訊×AI的乘數效應。
5G-A是5G下半場演進的技術底座，「泛在智慧」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，並試圖把一些流程用AI來最佳化賦能。
那麽，從標準的角度看，3GPP在網路智慧化方面的進展如何？
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，網路智慧化有核心網的NWDAF（NetWork Data Analytics Function，網路數據分析功能）、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局限在網路側，和終端沒有互動。
到了5G-A階段，標準制定的AI能力向網路和終端協同的更復雜功能演進。最後到6G，就是全棧全節點的原生智慧了。
網路層及運維層網元
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、套用、運維系統以及營運支持系統收集數據，然後對這些數據進行分析，以提供有關網路效能和健康狀況的建議及處理方案。
NWDAF可以支持：
網路效能監控：監控時延、吞吐率、以及網路可用性等關鍵網路指標，用於辨識和解決效能問題。
網路安全分析：分析網路流量，以辨識潛在的安全威脅，用於提高網路的安全性。
客戶體驗最佳化：分析客戶數據，用於改善客戶體驗。比如，NWDAF可發現某些客戶或特定應用程式的體驗不佳，並定位存在問題的地點。
網路自治閉環：支撐網路運維自動化，在出現效能問題或安全威脅時自動生成告警。
與此同時，網路運維（OAM）系統也需要增強，即透過引入AI和自動化來實作接近零接觸的網路及服務管理編排。
在此背景下，3GPP在R17版本為網路運維層引入了MDAF，進一步豐富和增強管理功能，實作最佳的網路效能及服務保障。
綜合下來，5G核心網及運維層的智慧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，那麽接入網NG-RAN（Next Generation Radio Access Network，下一代無線接入網）呢？
RAN接入層智慧化
3GPP也是從R17階段開始研究怎樣把AI引入基站及終端，首先考慮的是網路節能、負荷均衡以及移動性最佳化等基礎功能。
首先要做的是定義AI在RAN（Radio Access Network，無線接入網）側的基本執行結構：
從上圖可以看出，RAN側的AI框架和通用的AI架構並沒有大的不同之處，都分為數據采集、模型訓練、模型推理和執行這幾個模組。
數據采集：透過標準介面從網路中獲取數據，並提供給模型訓練和模型推理。
模型訓練：進行數據的預處理，並執行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，生成預測數據並進行智慧決策。
執行：接收模型推理的結論，並在網路中實際生效執行。
那麽，這些模組是在終端側執行，還是在網路側執行？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，之間沒有任何互動與協作。
Level y：基站和終端之間的AI處理透過信令互動，但它們之間的交流也僅限於此，沒有AI模型層面的互動。
Level z：基站和終端之間的AI處理既有信令互動，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階段研究並在R18階段標準化的RAN側AI主要是網路節能、負荷均衡以及移動性最佳化。
網路節能：節能的關鍵是精準預測話務量，並根據話務量來最大程度關閉空閑資源。網路節能的挑戰在於話務預測的精度、網路效能和節能之間的收益平衡，以及叠代最佳化配置的高效性。透過引入AI，可以讓網路能效更上一層樓。
來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP
負荷均衡：如果大量使用者集中在一個小區，周圍的小區還很空閑的話，就需要負荷均衡來把使用者平均分配在各個小區，最大化資源利用。怎樣遷移使用者才能始終保持網路體驗最佳？這也需要AI的加持。
來源：Samsung Rearch：First Light of the AI/ML Empowered RAN in 3GPP
移動性最佳化：移動性是指使用者在移動時，本小區的服務品質下降，需將使用者切換到最合適的小區。不切換不行，切換太頻繁了也不好，那麽怎樣保證以最少的切換次數保障最優的使用者體驗？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、公釐波波束管理以及定位精度增強這三個AI套用，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）是終端測量得到的通道狀態資訊。通道狀態資訊越準確，使用者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路框架對CSI進行非線性編碼和解碼，可提高系統效率，實作更有效的多使用者復用，還可以最小化幹擾。我們還可以針對裝置進行客製，實作更低開銷的反饋。
並且，由於使用者是移動的，而CSI的反饋需要時間，可能到達基站時就已經因為通道狀態變化而成為了廢料。因此,基於AI/ML的CSI反饋增強還可以采用裝置端的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：公釐波的波長短，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作波束賦形增益。但為了最大化利用這些窄波束，我們需要良好的演算法來選擇並保持發射和接收端最佳對準的波束對。
然而，當裝置快速移動時，通道狀態瞬息萬變，保持波束最佳對準是非常困難的，我們還需要多個窄波束來實作最佳覆蓋。因此，從眾多波束中搜尋並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來提升效能。
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於建築密度和多徑幹擾等因素而精度不佳，需要引入AI，綜合多維資訊來提升精度。AI還可以適應環境的變化，並幫助我們在訊號傳播受阻的情況下進行定位，如衛星或基站訊號被遮擋。
來源：Qualcomm.com：Towards an AI-native communications system design
後續的R19將研究新的AI/ML用例。例如，為了實作快速適應和分布式學習，AI/ML的數據和模型可能會直接在裝置之間共享，而不需要經過5G網路。這就需要進一步研究私密保護以及能耗降低等問題。
此外，對於分布式學習，在標準制定上還需要考慮更多。比如，如何處理裝置進出覆蓋區域、電量有限、裝置間解除安裝計算等場景，並在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權衡。
再往後，我們離6G的標準化就近在咫尺了。在當前的6G願景中，「AI與通訊融合」六邊形的頂點之一。AI將成為網路底層架構的一部份，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分析通道特性實作幹擾消除、最佳化能效和核心網對業務的智慧化適應上。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。
作者 / 蜉蝣采采
— END —
參考資料：
Linkedin：AIin 5G Use Case - Summary of 3GPP's Work & Study on AI/ML for 5G System；
Samsung Rearch：First Light of the AI/ML Empowered RANin 3GPP；
Qualcomm.com：Towards an AI-native communications system design；
Sharetechnote.com：5G/NR - AI/ML.
來源：無線深海
編輯：魚非我
轉載內容僅代表作者觀點
不代表中科院物理所立場
如需轉載請聯系原公眾號
