尤肖虎院士、张平院士等联合发文：6G 网络中AI与通信融合综述：基础、挑战与未来研究机遇

《中国科学·信息科学》发表了尤肖虎院士等为通讯作者、张平院士等25人为作者的《6G 网络中AI与通信融合综述：基础、挑战与未来研究机遇》，5G与6G公众号（ID：angmobile）了解到此文围绕6G网络中AI与通信的融合展开，从基础原理、融合阶段、标准化进程、面临挑战到未来研究机会进行了全面且详细的阐述。

1、研究背景

在5G网络中，AI已应用于网络优化、流量预测等方面，但在6G实现原生支持仍面临数据量、能耗和可靠性等问题。

2、融合的驱动因素与愿景

AI可处理海量数据、预测网络需求、适应复杂环境，解决无线通信面临的挑战。6G与AI融合分三个阶段，AI for Network（利用AI优化网络）；Network for AI（网络为AI提供全面支持）；AIaaS（使6G网络提供AI服务，构建新生态）。

其中AIaaS在6G网络中的应用典型场景涵盖沉浸式通信、智能工业机器人、精准医疗和超智能交通等领域，为用户提供多样化智能服务。5G与6G公众号注意到此文定义了AI服务质量（QoAIS）指标体系从性能、连接、数据、计算、安全和编排六个维度评估AI服务质量，认为AIaaS需具备数据支持与模型访问、分布式计算与资源优化、安全与生命周期保障等关键能力。

3、6G网络中的无线网络大模型

①与传统大模型（LLM）的差异

无线网络大模型在输入数据格式、任务类型和推理要求上与传统LLM存在显著差异。无线网络数据多样复杂，包含各类协议数据和应用数据，具有结构化与非结构化、异构且含时空和关系特征的特点；任务涉及传输、调度、管理、诊断等多方面；对推理速度和精度要求极高，需快速处理数据以适应网络变化，且微小误差可能导致严重后果。

②构建无线网络架构的关键设计原则

一是分层设计原则。采用分层模型结构，包括L0、L1和L2层。L0层为通用模型，考虑通信系统整体架构和运行机制，提供通用优化和管理服务；L1层针对特定领域问题进行建模和优化；L2层为具体业务场景提供定制化解决方案。

二是数据驱动原则。重视数据的作用，通过收集和分析大量网络数据，实现网络状态实时监测、故障诊断和任务调度优化。同时5G与6G公众号注意到此文指出要关注数据质量，解决数据获取和质量评估难题，确保数据的准确性和完整性。

三是适应网络动态性原则。考虑无线网络的动态变化，如信号干扰、节点移动等，设计能够快速适应这些变化的模型和算法，保证网络的稳定运行和服务质量

③构建无线网络架构的关键组件

一是数据处理组件。负责收集、清洗、存储和分析网络数据，为模型训练和推理提供支持。包括数据采集模块、数据清洗和预处理工具，以及数据存储系统，确保数据的质量和可用性。

二是计算支持组件。提供模型训练和推理所需的计算能力，包括网络元素专用计算能力、分布式外部计算能力和分布式网络原生计算能力，满足不同规模和复杂度的计算需求。

三是模型管理组件。负责模型的构建、训练、更新和部署，确保模型的性能和适应性。包括模型训练框架、模型评估指标，以及模型部署和更新机制，实现模型的高效管理。

4、6G与AI融合的标准化进程

多个标准化组织和行业联盟自2017年起开展相关研究。3GPP在网络智能和自动化方面取得进展，定义了相关功能和应用场景；ITU-T制定了技术报告和规范；ETSI应用AI技术提升网络运维体验。这些努力推动了6G与AI融合的标准化发展。

5、6G与AI融合面临的挑战

①AI4NET面临的挑战。包括AI的可靠性、稳定性、泛化能力和可解释性等问题。如网络环境的动态变化可能导致AI模型出现错误或故障，模型的稳定性受多种因素干扰，泛化能力需适应不同网络场景，而其复杂的结构使得决策过程难以理解。

②NET4AI面临的挑战。网络的动态性、异质性、复杂性和资源稀缺性等问题。5G与6G公众号注意到此文指出网络动态变化影响模型训练和推理，导致收敛慢等问题；网络存在多种异质性，影响模型性能和训练效率；网络规模和复杂性增加，部署和管理难度大；资源受限影响模型训练和传输，需权衡资源分配。

③其他挑战。还需考虑可持续性、实时AI需求、安全隐私以及人机交互协作等方面的挑战。AI计算能耗高，对环境和成本产生影响；实时AI应用对模型计算速度要求高，现有的模型和技术难以满足；AI模型易受攻击，数据存在安全隐患；人机协作存在信任、公平性和伦理等问题。

6、6G与AI融合的未来研究方向

未来研究可围绕自适应学习机制、网络架构设计、绿色AI与6G网络、AI助力超低延迟通信、AI增强6G网络安全、AI驱动6G创新、泛在计算以及LLM驱动的6G认知网络等方向展开。这些研究方向有望推动6G和AI技术的进一步发展，实现更智能、高效和安全的网络通信。