目前，5G技术虽然已经在全球范围内得到广泛应用，但其在满足未来通信需求方面仍存在局限性。AI与RAN结合的AI-Native RAN技术作为未来网络核心组成部分，将为未来的通信网络带来革命性的变化。本文对AI-Native RAN技术进行了全面的技术分析，并初步探索了AI-Native RAN的实现路径。希望能为关注该领域的从业者提供一定参考。
AI-Native RAN的核心在于将AI技术与无线接入网络深度融合。一方面，通过智能化的方式优化无线网络资源，提高无线网络性能；另一方面，通过无线网络原生提供的AI服务，提升用户AI应用服务质量。这一技术的发展不仅能够提升无线网络的效率，还能够为未来的泛在智能应用提供强有力的支持。
2023年11月，ITU-R正式发布了面向IMT-2030（6G）的最新的移动网络框架标准。如图1所示，在IMT-2030应用场景定义中，明确要求未来的通信网络需要将AI与通信深度融合，支持更高的灵活性和智能化水平，以适应不断变化的用户需求和应用场景。
AI与RAN的深度融合，在各大标准组织内已经多有研究成果。
在3GPP R18以及R19版本中，RAN1工作组和RAN3 工作组分别在AI/ML Air Interface和AI/ML NG-RAN两个研究课题下进行了持续的研究，关注了诸如波束管理、CSI码本反馈增强和高精定位等AI案例研究。
2023年3月，6GANA研究组组发布了《6GNetGPT倡议书》，提出了大模型与6G网络结合的概念，并从两个维度定义了6GNetGPT：6G by xGPT和6G for xGPT。
2023年4月，NextG Alliance发表了《AI-Native Networks》报告，分析了AI与无线网络集成的问题和挑战。
2023年6月，ITU-R完成了《Future technology trends of terrestrial International Mobile Telecommunications systems towards 2030 and beyond》，提出了6G与AI的集成技术趋势，并定义了相关的能力需求。
2024年2月，AI-RAN Alliance宣布成立，并提出了AI for RAN，AI and RAN，AI on RAN三大研究领域。
2024年5月，Hexa-X-II发布了《Initial analysis of architectural enablers and framework》，介绍了6G架构下Native AI及AIaaS的实现路径。
目前业界关于AI-Native RAN还没有统一的定义，从范畴上讲大致包括AI使能RAN， AI与RAN同存共管 和 基站AI原生服务三个方面。下面从这三个方面进行详细介绍。
（一）AI使能RAN
AI-Native空口是目前研究的热点，也是最具挑战的领域之一。AI-Native空口是利用AI模型的推理能力实现对空口有限的无线资源的智能调度管理，这是涉及AI技术与空口的物理层、MAC层以及RRC高层协议的融合，要求高吞吐量、高实时的数据处理能力。下面是一些比较典型的应用场景：
• 信道状态信息反馈（Channel State Information feedback）
• 波束管理（Beam Management）
• 精确定位（Precise Positioning）
• 网络节能（Network Energy Saving）
• 负载均衡（Load Balancing）
• 移动性优化（Mobility Optimization）
AI-Native网管是指无线网络运维管理方式从传统的自动化演变为大模型为核心的智能化，TMF（TeleManagement Forum）组织定义了L1~L5个智能等级，AI-Native网管能实现最高级自治。下面是一些比较典型的应用场景：
• 自动恢复（Auto-recover）
• 根本原因分析（Root cause analysis）
• 网络优化（Network optimization）
• 网络规划（Network planning）
（二）AI与RAN同存共管
传统上，RAN包括基带设备和射频设备两大部分。这两大设备都是通信服务专用，需要通信专用的硬件设施。在6G网络系统中，由于开放性与服务化演进，RAN是一种特殊应用，可以与AI应用同时运行于相同的硬件平台之上，共享通用硬件资源，这样就实现RAN与AI深度融合，大大提高系统的灵活性。
另外从硬件资源编排与调度角度看，由于RAN与AI都将是服务化应用形态，因此可以在融合统一的服务编排系统管理，完成服务生命周期的管理。整合 AI与RAN服务编排流程流程，统一融合AI与RAN的应用管理，以更有效地使用基础设施资源。
图2：AI-Native RAN 融合资源编排调度
（三）基站AI原生服务
传统基站的功能仅限于提供无线通信连接，然而，AI-Native RAN 不仅具备连接功能，还额外提供AI原生服务。这些基站的AI原生服务既能够进行训练操作，也能进行推理操作。
AI原生服务在提供AI训练服务时，会向用户供应必要的计算和存储资源，并引导用户在最接近他们的AI服务节点上，根据AI模型的生成周期逐步完成模型的构建。AI训练过程中需要大量符合模型需求的数据集，用户不仅可以利用自己收集的数据集进行训练，还可以通过AI即服务提供的云数据市场寻找合适的数据集。此外，AI即服务还提供了数据预处理工具，这有助于简化用户对数据格式的理解与处理，从而更高效地进行数据的提取、转换和加载。
同时，AI原生服务还提供AI推理服务。6G网络的运营商具备提供高质、高效、实时的AI服务的能力，能够作为AI即服务的提供者，提供丰富的AI模型库和多样化的应用场景。通过6G网络，运营商能够提供即用型的AI模型服务，这不仅保护了模型架构和参数等知识产权，还允许组织或用户访问网络上注册的预训练AI模型，并根据需求选择相应的AI服务。这使得用户能够体验到智能化的感知、分析和决策能力。例如，类似大型模型的对话式应用程序可以在基站本地实时处理，从而有效提升操作效率。
（一）全时间维度的无线资源智能控制
现有标准组织在AI-Native RAN技术的应用上仍存在一定的局限性。比如3GPP标准组织虽然已经开始标准化AI能力内置在网元，并取得了一些进展，但是总体仍缺少系统化的AI+RAN一体化体系标准。另外，O-RAN Alliance组织虽然定义了RIC体系架构，通过智能化App实现了对RAN与AI的融合，但缺少对空口资源实时控制的能力。本文认为结合二者优势会是一个比较好的面向AI-Native RAN的AI for RAN技术方案。
图3描述了全时间维度无线资源智能管控方案，这个方案中包含非实时控制（Non-RT RIC /rApp）、近实时控制（Near-RT RIC /xApp) 和实时控制（CU/DU/dApp）等功能模块，能够很好支持AI-Native RAN空口资源全时间维度控制。
图3：全时间维度无线资源智能管控
（二）通算一体算力内生网络
算力内生网络技术在不改变5G网络基础功能与架构的前提下，创新性采用通算一体5G基站和通算一体调度边缘计算平台实现算力网络功能，既具备高带宽低时延的标准5G网络连接能力，也具备的低时延边缘算力能力。
如图4所示，算力内生网络采用云原生技术将大量分布式基站的室内基带处理单元（BBU）的算力资源虚拟化，将空闲算力与通信业务所需算力解耦为计算与通信两类算力，并将各BBU的计算算力构成算力资源池，用于服务通信业务之外的计算应用，实现AI与RAN的共享硬件资源，是一种通算一体基础设施的方案。
通算一体调度MEC平台能够动态地将BBU设备内生的算力纳入到集群中进行管理，并智能地分配给边缘应用。对于纳入管理的BBU算力节点，通算一体调度MEC实时监控BBU的通算资源的使用状态，基于AI技术实现对BBU计算与通信算力的智能化感知、分析、预测和决策，根据业务需求和算力资源情况，对基站通信和算力资源进行边缘实时的统一调度管理。当BBU通信业务负载上升时发出回内生算力通知和告警。在收回内生算力时，MEC平台支持应用完成边缘应用容器资源的无损迁移，保障计算任务的连续性。
图4：5G算力内生网络架构
（三）基站簇联邦学习模型
如图5所示，基于5G BBU集群的联邦学习系统架构，分别在 5G MEC 节点和选定的 5G BBU 子集群上部署“联邦学习”服务端和客户端，将AI模型分布式部署网元个体，实现基站网络原生提供AI服务。
基站簇联邦学习系统基于动态规划算法，根据5G BBU节点数据量、算力大小、每轮训练时间等信息，分配不同的算力资源，以提高计算资源的综合利用效率。基站簇联邦学习系统基以每轮训练结果、数据特征和节点网络状态为基础，选择能最大提升模型效果高价值节点参与模型参数聚合，以实现联邦学习模型参数的快速收敛。基站簇联邦学习系统基在确保本地数据不向外传播的基础上，实现满足数据隐私保护要求的多方联合模型训练和推理，打破“数据孤岛”。
AI-Native RAN技术正逐步构筑起未来6G网络的坚实基石。这种技术的深度融合不仅使得网络管理更加智能化，还显著提升了网络的整体性能。更重要的是，AI-Native RAN技术将为用户带来前所未有的智能化服务体验，包括但不限于自动驾驶和无人机感知等前沿应用。
然而，正如任何创新技术的发展轨迹一样，AI-Native RAN技术在实现过程中不可避免地会面临一些技术挑战。例如，如何确保AI模型的实时性满足高速网络的需求，以及无线空口协议的重构问题。此外，基站原生AI服务中用户数据隐私和安全的保护也是一个亟待解决的问题。
尽管如此，AI-Native RAN技术作为实现5G-A/6G愿景的关键技术之一，其潜在的应用前景无疑是广阔且令人期待的。通过将人工智能技术与无线网络的深度整合，它不仅能够显著提高网络性能，还能为未来的智能应用提供强有力的支持。因此，尽管存在挑战，但AI-Native RAN技术的未来值得我们投入更多的研究和探索，以期实现其在智能通信领域的全部潜力。
[1]ITU-R M.[IMT.FRAMEWORK FOR 2030 and Beyond], Framework and overall objectives of the future development of IMT for 2030 and beyond.
[2]3GPP Rel-18 Status and Rel-19 Progress in TSG RAN (3gpp.org)
[3]O-RAN alliance，O-RAN Native AI Architecture Description
[4]6GANA，6GNetGPT倡议书
[5]NextG Alliance，AI-Native Networks
[6]AI-Alliance，Industry Leaders in AI and Wireless Form AI-RAN Alliance - AI-Ran Alliance
[7]ITU-R, Future technology trends of terrestrial International Mobile Telecommunications systems towards 2030 and beyond
[8]HEXA-X-II，Initial analysis of architectural enablers and framework
[9]Salvatore. etc,dApps: Distributed Applications for Real-Time Inference and Control in O-RAN, IEEE Communications Magazine
[10]亚信科技，亚信科技算力内生网络白皮书
