RAN全体会议早前曾经批准了一项新研究，用以调查5G RAN架构中对人工智能和机器学习 (AI/ML) 的支持。它探索了RAN侧的智能功能框架，并根据当前的5G RAN架构确定了应用AI/ML技术可以带来巨大好处的众多用例。而RAN3的相关研究早在2022 年3月在全体会议 (RAN#95-e) 上结束，其动机是3GPP对推动RAN自动化实现新目标表现出的强烈兴趣，目的是在多变量场景中实现网络优化决策，而传统的“基于规则”的技术不会同样有效。
针对AI/ML的研究，3GPP标准化从以测量为主导的过程转向利用预测的方法。不仅如此，这种方法还能够预测已识别事件类别中的事件，这些事件以前很少（甚至从未）记录过。其成果正在影响其他3GPP WG（如 RAN1、SA5 和 SA3）的类似活动。
网络节能：整个无线接入网络的能耗改善可以通过traffic offloading、coverage modification和cell deactivation小区停用等操作来实现。
负载平衡：目标是在多频/多RAT部署中在小区或小区区域之间有效地分配负载，以根据负载预测提高网络性能，同时提升最终用户感知。
移动性优化：在移动性事件期间保持令人满意的网络性能，同时根据对UE的服务方式的预测选择最佳移动性目标。
RAN3 采取的第一步是确定可以基于哪些关键原则开发每个用例的技术解决方案。以下是一些最相关的原则：
在保持当前5G架构的同时引入AI和ML是RAN3所面临的需要解决的挑战。为了促进这一任务，RAN3定义了一个功能框架，旨在为不同的AI/ML功能如何相互作用提供指导，如下图所示：
AI/ML部署选项：
基于上述原则和框架，RAN3为AI/ML功能开发了不同的部署选项：
第一类，AI/ML模型训练Model Training位于OAM中，AI/ML Model Inference位于gNB（Split RAN的gNB-CU）中。
第二类，AI/ML 模型训练Model Training和AI/ML的Model Inference模型推理均位于gNB（Split RAN的gNB-CU）中。
对于每类用例，RAN3确定了一组AI/ML输入、输出和反馈信息，这些信息被认为与执行和评估基于AI/ML的流程最相关。对于各种输入信息的描述来说，这些输入可能由不同的实体生成，例如UE、相邻RAN节点和托管 AI/ML推理过程的RAN节点。输入信息的示例包括UE位置信息、RAN能效指标和RAN资源状态测量。已确定的AI/ML输出由各种预测指标和操作组成。例如，预测能源效率水平、预测RAN资源状态指标和移动性决策，以提高能源效率或优化负载平衡。
对于每个用例，都确定了一组反馈信息。此信息表明系统性能如何受到基于AI/ML的操作的影响，例如，它可用于触发模型再训练。反馈信息是基于案例的，并在做出基于AI/ML的决策后进行衡量。它可能包括但不限于有关QoS和UE性能、能源效率测量、RAN 资源状态指标的指示。
坐而论道，好好读书！
