![]()
![]()
东南大学尤肖虎院士等在 Science China Information Sciences 2025年第1期院士专栏发表观点文章“When AI meets sustainable 6G”，欢迎关注阅读。
研究团队
尤肖虎，黄永明，张铖，王家恒：东南大学，紫金山实验室
尹浩：军事科学院
邬贺铨：中国信息通信科技集团有限公司
You X H, Huang Y M, Zhang C, et al. When AI meets sustainable 6G. Sci China Inf Sci, 2025, 68(1): 110301![]()
第六代移动通信(6G)提出两个核心发展诉求：一是“泛在智能”，拟将先进的人工智能(AI)技术深度融入6G网络的各个层面，使能6G实现网络自治和高质量服务定制化；二是“可持续性”，强调在提升网络性能的同时，尽量降低能源消耗，以实现绿色发展。虽然AI技术近年来取得了显著进步，但主要依赖于以数据与算力开销飞速增长为代价的大力出奇迹式发展范式，这引发了业内对于AI如何与可持续6G高效融合的思考。当下，亟需深入分析和梳理AI与可持续6G融合的关键挑战，并对6G的网络架构和AI融合机制进行系统创新。本文分析了6G “泛在智能”与“可持续性”两大发展趋势，揭示了AI与可持续6G融合的三大主要挑战，分别源自于绿色、实时性与可控性等需求。首先，AI的直接嵌入通常需要海量无线数据和重量级AI模型来实现良好性能，将消耗大量能源，与可持续6G的绿色目标产生矛盾；其次，实时精准数据采集困难、节点间数据与控制消息传递耗时长、重量级AI模型推理时延大等问题，导致6G网络难以提供以毫秒为单位的时隙级实时智能优化。再者，AI模型的运行机制通常难以理解且行为难以预测，导致在动态变化的无线环境中难以提供可控的服务质量保障。
图1 AI与可持续6G融合面临的三大挑战
为解决上述挑战，推动AI与可持续6G网络的深度融合，本文从AI的源头数据出发，探索发展基于精准利用关键小样本数据和分布式轻量化AI的6G网络实时智能全新路径，通过从无线大数据中甄别挖掘出关键少量特征数据并实时驱动轻量化AI优化，可以高效满足6G网络智能的绿色和实时性要求；通过进一步发展特征数据驱动生成式AI形成的网络数字孪生，让AI方法在实际部署前在孪生体中进行性能预验证，能高效解决网络AI的性能不可控问题。遵循这一思想，本文提出了以任务中心的三层6G架构所支撑的泛在分级智能(PML-AI)框架。如图2所示，PML-AI框架具有非实时与实时双循环，外循环专注于数据分析和长期优化，通过创建数据知识图谱对无线数据进行内在关联分析，提炼出少量关键数据字段形成特征数据集指引，为数字孪生和轻量化AI模型提供高效数据支撑；内循环实时采集小样本特征数据集，聚焦于发展分层分布式轻量化AI优化方法，通过时隙级(毫秒级)实时智能控制实现网络资源按需动态精准适配。内外循环协同工作，旨在实现绿色、实时且可控的6G原生智能。
![]()
本研究在紫金山实验室6G综合试验平台的基础上，构建了实时智能原型验证系统。该系统(图3)由核心网节点、边缘节点和末梢节点三部分组成；其中，核心网节点包括核心网网元、大数据平台、非实时智能控制器，主要负责外循环智能数据分析，基于非实时无线大数据采集构建数据知识图谱并智能生成特征数据集；边缘节点由空口基带虚拟化集中单元(vCU)、虚拟化分布式单元(vDU)、特征数据实时采集单元和近实时/实时智能控制单元等组成，主要负责内循环分层分布式轻量化AI优化，具备从数据实时采集、AI推理到优化控制的时隙级实时智能闭环优化能力。基于该原型验证系统，本研究开展了面向多个并发4K视频业务服务质量保障的实时智能资源调配试验。试验结果(图4)充分验证了所提PML-AI框架的优势：与传统智能优化相比，所提PML-AI框架将数据和计算开销降低了近一个数量级，实现了毫秒级实时智能控制，并使能系统吞吐量与满足4K视频QoS要求的用户支持数显著提升。![]()
![]()
图4 多路4K视频并发传输试验结果
![]()
![]()
![]()
