6G内生AI架构及AI大模型-中国移动研究院_20页_2mb

6G内生AI架构及AI大模型总结

6G内生AI的驱动力

人工智能已成为产业升级的核心驱动力，推动自动化、数字化与智能化发展。6G网络需为网络自治、ToC和ToB场景提供高效AI服务，通过泛在智能实现统一网络AI框架。主要驱动力包括：

1. 网络自治需求：AI技术支撑网络自主决策与运行维护
2. 用户需求：支持数字孪生、智能导航、个性化推荐等场景
3. 企业需求：需要AI优化通信、安全监控、智能制造等业务

6G内生AI架构及关键技术

核心设计

6G网络将定义新的数据面、智能面、计算面，并扩展传统控制面和用户面，实现通信、感知、计算、AI、大数据、安全等多维能力融合。关键技术包括：

1. 网络使能AI大模型：利用网络资源支撑AI模型训练与推理
2. AI大模型赋能网络：通过AI能力优化网络功能，如NWDAF（网络数据功能）

算网基础设施层

• 构建OTN/OXC全光底座，形成统一IP算网底座
• 分布式算力部署（端/边/网/中心），提升计算资源流动性
• 平台化服务体系：支撑智慧城市、工业、医疗、娱乐等应用场景

AI服务质量（QoAIS）指标体系

突破传统QoS体系，将安全、隐私、自治和资源开销作为评估维度：

1. QoAIS三层结构：包含AI服务QoS、AI任务QoS、AI资源QoS
2. 保障机制：需建立"三层闭环"机制，将服务QoS分解为任务QoS，映射至连接、计算、数据等资源要求
3. 关键指标：包括计算速度、能效、数据隐私、模型可控性等

6G与AI大模型的融合

发展方向

AI迈入通用智能时代，大模型对6G网络融合带来变革：

1. 能力驱动：从用例驱动转向能力驱动，降低应用开发门槛
2. 多模态能力：支持文本、图像、语音等多模态处理，如BERT、PaLM、Gato等模型
3. 差异化需求：满足医疗识别、安全监控、智能制造等场景的QoAIS要求

技术挑战与解决方案

训练与推理成本

• GPT-3训练成本约140万美元，推理需大量算力资源
• 6G网络需提供分布式AI训练服务，降低单基站算力需求
• 推理时延优化：通过模型分割、压缩及靠近用户侧部署

数据处理难题

1. 数据获取：需解决非结构化数据（链路性能、语义信息）和结构化数据（KPI、拓扑）的采集问题
2. 数据调度：建立合理的数据流量分配机制，支撑大规模模型训练
3. 数据质量：需完善实时校验和闭环稽核能力，确保数据准确性

应用场景与创新方向

1. 智能化场景：包括智能网络运维（故障处理、扩容规划）、智能业务识别、网络节能等
2. 分布式部署：AI模型需在无线网络中分割并行处理，优化计算与通信协同
3. 数字孪生赋能：利用虚拟网络生成高质量训练数据，验证AI模型效能

数据与模型管理

1. 数据分类：标准化数据（MR测量、KPI监控）与非标准化数据（日志、文档）需分层管理
2. 模型协同：需设计计算协议与通信协议的融合机制，支持AI任务优先级、资源保障等需求
3. 资源优化：通过动态负载均衡、智能AMC等技术，平衡性能与能耗要求

国际合作与产业发展

1. 研究进展：6G网络AI需构建统一框架，支持高效验证与保障方法
2. 创新生态：推动算网融合数据集建设，促进AI工程化与规模化落地
3. 标准制定：需建立统一数据采集规范与模型评估体系，提升网络智能化水平

未来发展方向

1. 分阶段探索：从运维通用模型向运行通用模型演进
2. 技术路径：结合物理层、网络层、业务层特点，构建多模态模型
3. 可解释性研究：建立网络AI决策可靠性理论模型，保障决策有效性

总结

6G内生AI架构通过将AI三要素（数据、算法、算力）与网络资源融合，旨在实现智能化服务。需重点突破QoAIS指标体系、算网基础设施、分布式模型部署等关键技术，解决数据获取、模型训练、资源调度等难题。未来发展方向包括构建统一网络AI框架、完善数字孪生数据体系、推动标准化数据采集，以及建立多层级的AI服务质量保障机制。