6G智慧內生：技術挑戰、架構和關鍵特征

劉光毅，鄧娟，鄭青碧，李剛，孫欣，黃宇紅

（中國移動通信研究院，北京 100053）

0 引言

人工智能技術的發展已走過了64年的歷程，其與移動通信網絡的深度融合發展始于第五代移動通信網絡（5G），人工智能不僅促進了5G網絡自身的智能化發展，其與5G也被業界作為通用技術組合應用于各行各業中，賦能垂直行業的發展。

面向2030年，“數字孿生”和“智能泛在”將成為社會發展的目標愿景[1]。未來6G網絡的作用之一就是創造一個“智慧泛在”的世界，基于無處不在的大數據，將AI的能力賦予各個領域的應用。為了支持該愿景的實現，6G網絡提出了“智慧內生”的基本特征構想，即6G網絡將在設計之初就考慮與人工智能技術融合的理念，將AI和大數據的應用融入網絡的基因當中，形成一個端到端的體系架構，根據不同的應用場景需求，按需提供AI能力和服務。同時，6G網絡還將通過內生的AI功能、協議和信令流程，實現AI能力的全面滲透，驅動智慧網絡向前演進，實現“網絡無所不達，算力無處不在，智能無所不及”。

本文聚焦6G網絡架構的關鍵特征“內生智慧”，首先探討了內生智慧的需求，分析了6G實現“內生智慧”所面臨的技術挑戰，總結了當前各行業組織對AI功能架構的研究進展和欠缺之處，提出了6G內生智慧的端到端功能部署架構，以及內生智慧的三大技術特征，并對后續研究方向進行了展望。

1 智慧內生需求

近年來，人工智能技術作為一種IT技術取得了長足的進步。作為一種工具，它可以很好地幫助運營商提高網絡的運維效率，以及服務的效率和能力。移動通信網絡通常由數百萬個基站、路由器、核心網元等基礎設施設備，以及數十億用戶組成。海量數據在網絡中產生，包括各網元的運行數據、通信過程中產生的信令數據、事件報告以及用戶在網絡中移動的相關信息。如果在這些數據上加上標簽信息，將為網絡運維的自動化、智能化帶來不可估量的價值。從5G時代開始，運營商開始研究基于大數據和人工智能的5G網絡智能化，如海量多輸入多輸出（MIMO）權重優化、網絡異常分析、用戶體驗分析與優化等[2]。同時，3GPP也開始研究無線網絡中的大數據采集[3]、網絡運維的自動化和智能化[4]，以及人工智能在無線資源調度中的應用[5]。5G網絡智能化的研究可被劃分為應用和需求研究（包括5G+AI場景和需求、5G業務場景和需求以及應用和網絡資源的智能映射）、無線接入技術智能化（如基于AI的Massive MIMO設計、無線資源調度、定位技術、移動性管理、信號檢測、信道估計等）、網絡智能化（如基于聯邦學習的MEC架構、智能網絡切片、多RAT協作、智能網絡規劃、智能節能等）。

目前，移動通信網絡的智能化工作尚處于初始階段：大量的工作集中在需求的發掘和對解決方案的探索上，而成熟的網絡智能化應用非常少。同時，由于5G網絡架構在設計時并沒有考慮到對AI的支持，現有的場景驅動的網絡智能化面臨諸多挑戰。首先，數據的獲取非常困難，數據質量難以保證。因為在先前的網絡架構和協議設計中沒有預定義數據收集的接口，而當前基于實現的數據收集服務器/設備，例如深度包檢測或數據探測無法及時提供足夠的數據。基于網管的數據收集也存在數據種類較少，采集周期較長（15min）、異廠商數據格式、命名、計算方式不統一，南向網管數據難以開放的問題。同時，由于數據在設備內部采集的不穩定性、傳輸鏈路有損，網管設備存儲空間有限，標簽難獲得，獲取的數據常存在缺失、串行、無標簽或標簽錯誤等質量問題，在AI模型訓練之前，需要花費大量的時間和人力成本對數據進行預處理。其次，AI模型的應用效果缺乏有效的驗證和保障手段。當前智能模型的訓練和迭代優化均在線下完成，智能模型上線后的效果缺乏直接的驗證手段，大多是通過智能化應用相關的網絡性能評估指標進行間接判斷，實時性差且缺乏直接關聯性；當模型上線后，網絡性能指標低于預期時，僅能通過“回退”機制來避免AI模型的負面影響，存在滯后性。第三，AI在5G網絡中的應用是逐案處理的，其中數據采集、算法優化和處理被打補丁到相應的網元或外掛處理單元作為新的網元添加到網絡中。對于不同的人工智能用例，可能需要對網絡進行不同的修改，這給網絡的管理和運營帶來了困難。最后，針對移動通信網絡特征的AI算法研發和創新尚處于起步階段，AI技術與通信技術是以疊加方式融合的松耦合模式。所有這些因素決定了人工智能的性能和效率遠遠低于預期。

未來6G網絡的作用之一是基于無處不在的大數據，將AI的能力賦予各個領域的應用，創造一個“智能泛在”的世界。6G應在5G基礎上全面支持整個世界的數字化，并通過內生AI的網絡架構設計，實現智慧的泛在可得、全面賦能萬事萬物[1]。為了實現“智慧泛在”的愿景，未來6G網絡需要擁有內生智能。6G網絡架構的內生智慧將使AI能力在網絡中無處不在、無孔不入，并像人體的大腦和神經網絡一樣，以分布式或集中的方式按需提供AI能力。同時，通過智能平臺，6G網絡可以將外部AI能力引入網絡，提供新服務、新能力，將外部數據引入網絡，進一步提高數據處理效率。此外，網絡內的分析數據和人工智能能力也可以開放給第三方，通過智能平臺為其提供所需的各類智能服務。

2 智慧內生技術挑戰

2.1 AI工作流

當前，AI在各行各業的應用都存在類似的工作流程和技術挑戰。6G網絡的內生智能需要為這些挑戰提供內生的解決方案，由此既能為“AI for Network”的網絡智能化應用提供統一的技術框架，也能隨時隨地為垂直行業提供工作流所需的各類AI能力和工具，創造新的商業價值。

對智能化應用研發團隊進行了走訪和調查[6]，提煉出一套通用的AI工作流，如圖1所示。本文對其中每個環節所需達到的性能、存在的挑戰和現有解決方案[7-12]進行了提煉總結，并對6G網絡需提供的內生AI能力進行了展望。

圖1 通用的機器學習工作流

為了使智能化應用獲得較好的效果，AI工作流中各環節都需要達到相應的功能和性能要求。首先，數據管理方面涉及數據采集、預處理、數據分析和數據增廣。面向智能化應用的數據需具備與問題領域的相關性、樣本空間的完整性、數據集內部樣本分布平衡性及數據本身的準確性。其次，模型學習階段包括模型選擇、模型訓練和超參優化。這一階段產生的智能模型，其性能應可評估，評估指標包括傳統的ML指標，例如分類準確度、ROC和均方誤差，以及考慮模型部署系統和環境的指標。模型需具有穩健性，即模型在運行時遇到的輸入與訓練數據中存在的輸入不同的情況下，也能保持良好的性能。模型需具有可重用性，即模型或模型組件在其預期之外的系統中應用也具有重用的能力。模型需具有可解釋性：即模型可以產生支持對其輸出或所作決策進行分析的依據。AI工作流中的模型驗證階段包括需求編碼、形式驗證和基于測試的驗證。這一階段中所要達到的目標包括：

（1）模型驗證的綜合、全面性需涵蓋：1）與模型的預期用途相關的所有要求和操作條件；2）AI工作流前幾個階段的所有需求（例如，訓練數據的完整性和模型的穩健性）。

（2）在上下文相關性方面，模型驗證應與將使用模型的系統的上下文相關聯。

（3）在可理解性方面，驗證結果應能被使用驗證結果的人員所理解，驗證結果的使用場景可能涉及數據準備、模型開發、系統開發和監管批準等諸多環節。

最后，模型部署階段包括模型集成、模型監控和模型更新。模型在部署后需要適合特定系統上下文中的預期用途，且應較易更新。考慮AI模型推理的輸出存在一定的錯誤概率，系統需具備一定的容錯性。

相關行業為滿足上述要求而面臨的主要技術挑戰及解決方案，如表1所示。

表1 各通信行業應用人工智能技術的主要技術挑戰與解決方案[7-12]

為了解決上述挑戰，6G網絡在設計之初就必須考慮內生AI的理念，將AI和大數據的應用融入網絡的基因當中，形成一個端到端的體系架構，根據不同的應用場景需求，按需提供AI能力和服務。同時，6G網絡中的算力將從外延走向內生，超越5G的邊緣計算，最終實現網絡與計算的深度融合。基于此形成的基礎設施，才能為AI提供無處不在的算力，從而實現無所不及的泛在智能[1]。

具體而言，在數據管理方面，6G網絡的內生智能需要解決數據結構與格式的規范化問題，提供包括仿真在內的多種數據增廣技術手段，提供支持整個數據管理流程的自動、高效的數據處理和分析工具，以及提供專家經驗和領域知識的導入或交互接口。在模型學習方面，建立一套模型的描述機制及模型的元數據庫，建立環境相似性的度量機制以支持遷移學習，構建基于環境上下文動態優化的、綜合性能與效率的模型評估技術體系，提供模型的局部或全局的可解釋性方法或接口，提供模型導入和重用的機制與接口，提供分布式模型訓練框架，以及基于上下文的自動化調參技術。為了有效地驗證模型，6G網絡需提供生成測試數據和測試場景的仿真環境，提供導入模型驗證指標及測試用例的通用接口，提供從模型驗證結果反饋到AI工作流各環節的閉環優化流程，提供對外接口對模型進行形式驗證。最后，為支持模型的部署和推理，需建立分布式實時協作推理框架，提供適配底層硬件的模型優化工具，建立數據與模型的監控技術體系，對模型推理結果的應用效果進行預判，以及持續的模型在線更新機制及相關接口。

2.2 云網絡AIaaS

當前，面向行業本地應用的智能化標準架構很少見，大多數采用“上云”的模式，企業租用云服務提供商的算力和存儲，使用云平臺提供的各類AI工作流工具。在目前的云端AI模式下，海量的設備數據通過5G等無線通信系統，跨越多個網絡技術領域，傳輸到云端。這種方式是低效的，并且會給數據安全和隱私帶來相當大的風險。另外，智能服務的實時性和高可靠性的保證成本很高。如果僅限于云端AI模式，6G無法實現智能無處不在的愿景[13]。

與單純的集中式云數據中心不同，6G網絡將是端到端的云原生網絡，這有助于實現業務快速部署、功能軟件版本快速迭代、資源（例如無線電頻譜、計算和存儲）的動態共享、網絡自動化和智能化。在云原生網絡中，各類AI功能和工具將被服務化，以AI as a Service（AIaaS）的方式被網絡內部功能調用或提供給第三方使用。其面臨的技術挑戰與云服務供應商有所不同：首先，與集中式云平臺不同，云原生網絡中的資源分布呈現出分層級，多維度（通信、存儲、計算）、規格異構，分布式與集中式相結合的形態。這就給AI功能服務之間的通信、資源分配和編排帶來了挑戰。其次，由于AI功能服務與網絡功能服務均存在于云網絡中，且兩者之間有所交互。如何在多云的架構下，為他們設計統一的技術框架，使得該框架既能支持AI全生命周期中各功能的運轉，也能支持不同網絡功能間的各類交互，還能支持AI功能服務與網絡功能服務間的信息交互，這也是一個巨大的挑戰。

相比云服務提供商，傳統運營商的優勢之一在于既可利用廣泛的邊緣基礎設施為垂直行業提供低時延云服務，保證對時延敏感的智能化應用的性能，同時也能利用部署在傳輸網和核心網內的多層級不同規格的云服務中心網絡為客戶提供不同QoS等級的AI服務，滿足垂直行業的多樣化需求。這需要運營商建立起一套評價和保障網絡提供的AI服務質量的技術體系，同時需重點研究如何設計、建模和對外開放這些AI服務，以滿足邊緣智能化應用的低時延需求。

由于AI服務和網絡功能服務將共生于6G云網絡中，對于以數據驅動的網絡功能服務，在其設計之初即應考慮與AI服務的高效交互及聯動，將AI作為一項重要的設計原則。反之，在AI功能的設計、AI服務的拆解和組合上，也需考慮如何以統一的方式與不同的網絡功能服務進行交互以獲取或配置數據，并解決不同數據源的數據格式兼容性問題，如何在AI服務之間交互不同格式的數據、信息以及智能，業界針對數據驅動的物聯網業務建立的開源框架如EdgeXFoundry、MUSA、BigClouT等提供了很好的技術參考[12]。

在端到端的云網絡中，編排器起著至關重要的作用。當AI服務內生于云網絡后，編排器不僅需要負責AI服務本身的動態發現、動態拆解、組合和重定位，更需聯合考慮網絡功能服務和AI功能服務，為滿足其各自的服務質量需求，聯合進行資源的分配、編排，AI與網絡功能服務的解耦或組合等，以同時支持“AI for Network”和“Network for AI”的應用場景[13]。

3 AI架構研究現狀

人工智能在通信領域應用的研究工作始于2017年[14]。2017年2月，3GPP服務和系統第二工作組SA2開始研究5G核心網的智能化網元：網絡數據分析功能NWDAF（Network Data Analytics Function）[4]。同月，歐洲電信標準化協會ETSI成立了體驗式網絡智能ENI（Experiential Network Intelligence）工作組，專門研究體驗式感知網絡管理架構、用例、術語等[15]。2017年6月，中國通信標準化協會CCSA啟動了人工智能在電信網絡中的應用課題研究[16]。2018年6月，3GPP無線接入網第三工作組RAN3開始研究無線側的數據采集機制[17]。電信管理論壇TMForum（Telecom Management Forum）也開始了與人工智能相關的研究工作。2018年10月，3GPP SA5開始人工智能研究，定義了一個新的管理面功能：管理數據分析功能MDAF[18]。2019年6月，國際電信聯盟電信標準分局第13研究組ITU-T SG13啟動機器學習用例的研究[19]。同月，全球移動通訊系統協會GSMA開始了智能自治網絡案例的白皮書制定工作[20]。2020年6月，3GPP SA5開始啟動網絡自動化分級課題的研究[21]。2020年7月R16正式凍結后，3GPP RAN3 SA5針對新的R17版本繼續推進人工智能相關的ENDC、NWDAF、MDAS等標準化課題的研究。

3GPP中對于AI功能架構的研究主要集中在網絡功能層面引入的NWDAF和管理層面引入的MDAS上。NWDAF是數據分析網元，根據網絡數據自動感知和分析網絡，參與網絡規劃、建設、運維、網絡優化和運營的全生命周期，使網絡易于維護和運行。3GPP在R16階段定義了NWDAF的基本框架，R17定義了NWDAF功能的拆解、數據采集優化、多實例部署時NWDAF實例間的協調，并未對AI數據集或訓練模型進行標準化。雖然通過NWDAF有效提升了網絡性能，但這種AI功能打補丁的集成方式暴露了一些問題：一是海量測量上報導致的數據安全問題和過高的信令開銷；另一個是低延遲的挑戰，因為所有數據都必須上傳到中央分析單元進行處理，即NWDAF，而它可能部署在遠離數據源的地方。在管理面的MDAS的設計上，也存在類似的問題，MDAS對管理域數據進行分析，支持RAN或CN域內的數據分析或跨域的數據分析，并支持與NWDAF的接口和交互，但其本質還是一個中央分析處理單元。

2018年1月，ITU面向未來網絡（包括5G）成立了FGML5G（Focus Group on Machine Learning for Future Networks including 5G），旨在幫助ITU-T研究組和研究實體在未來網絡中采用可互操作的 ML overlay，包括架構、接口、協議、安全和信息保護。截止2020年7月，FG ML5G輸出并向ITU-T第13研究組提交了關于用例、架構框架、智能級別、數據處理、機器學習（ML）功能編排器、服務框架等的十項技術規范。其中一半的規范已經變成了ITU標準。FG ML5G提出了一套針對機器學習ML的管理子系統，其核心功能包括ML意圖的解釋器和ML功能的編排器（MLFO）[22]；針對機器學習生命周期內不同階段所需功能，提出了跨多域、多云、不同層級的多層級ML工作流，由MLFO進行統一編排[23]；針對動態網絡環境下，ML模型應用效果存在風險的問題，提出了應用“沙盒”對ML工作流或ML模型進行預驗證和迭代優化[24]。不足之處在于對ML意圖的定義尚不完善，混淆了ML意圖和手段，且部分意圖指標運營商很難明確給出；在數據處理框架部分，缺乏新數據源數據模型的自動生成和注冊機制，以及數據模型的閉環優化機制；在沙盒框架部分，缺乏對仿真環境的管理機制，包括仿真準確度的度量及閉環優化、仿真環境與真實網絡間的數據交互、仿真環境配置的自優化等；在編排器部分，未考慮ML與NF的聯合編排等。

ETSI于2017年定義了ENI系統，作為一個獨立的人工智能引擎為網絡運維、網絡保障、設備管理、業務編排與管理等應用提供智能化的服務[15]。ENI系統是一個將數據分析功能集成到閉環管理和編排過程的系統，重點定義了和網絡自治相關的功能，ENI引擎內部的接口以及面向其他網絡功能的對外接口。如通過數據處理和正則化對原始數據進行清洗和特征分類，將ENI產生的策略或者指令進行翻譯，輸出服務對象能夠理解的語言。

綜上可見，目前移動通信系統與人工智能融合的研究主要集中在利用人工智能技術使能網絡自動化，提升現有通信系統的性能，改善通信服務的用戶體驗。標準組織中的大部分工作集中在討論智能化應用場景案例、所需采集的數據、功能實體間的接口和數據分析輸出內容上。對于AI全生命周期工作流在網絡中的功能架構及與網絡功能的融合編排方面討論較少。

自2019年以來，國內企業和高校面向無線AI開展了大量的研究，致力于解決無線AI在架構、模型、數據、算法等方面面臨的諸多挑戰。從這些研究來看，內生AI的智能無線網絡通信系統應該由四個部分組成：智能化數據感知模塊，能夠自動感知收集各個網元的數據；智能化建模模塊，可以減少人工的干預且網絡能夠自動地建模訓練，實現網絡自主學習能力；智能化AI網絡架構模塊，采用分布式的AI服務器架構，各個網絡節點可以作為AI訓練/執行的一部分，根據本地收集的數據集，通過大量相關聯的設備共同構建一個通用模型；智能化監控模塊，采用傳統AI+專家經驗方法，解決AI模型本身無法做出正確的決策或做出錯誤決策造成的成本很高的問題，或者采用強化學習算法，改進決策策略來適應外部環境。但國內的研究目前還沒有討論架構的具體實現方式等。

2020年12月，由中國通信學會主辦、中國移動研究院聯合承辦的以“從Cloud AI到Network AI：打造6G網絡架構”為主題的研討會在成都召開，研討會發布了來自運營商、設備商、互聯網服務商、高校等18家單位共同簽署的6G Network AI論壇倡議書，成立了6GANA（6G Alliance of Network AI）論壇。6GANA定位為全球性論壇，專注于6G網絡AI相關技術、標準化、監管和產業的持續探索和推廣。它旨在通過整個生態系統的聯合研究，包括ICT（如芯片制造商、網絡基礎設施供應商、移動網絡運營商）、垂直行業、人工智能服務提供商、人工智能解決方案提供商、人工智能學術界和其他利益相關者，形成業界共識，推動AI能夠成為6G網絡全新的能力與服務。

6GANA的首要目標是保證6G網絡對AI業務的最佳適應性，保證6G標準和規范充分考慮AI領域的應用和特點。6GANA將引導垂直行業使用基于高性能無線通信技術的人工智能服務，幫助各行業受益于6G網絡賦能的人工智能計算能力、開放的人工智能算法和安全的人工智能數據生態系統。通過將整個生態系統拉到一起，它將建立一種共同的語言和相互信任。6GANA還可以作為行業論壇，充分考慮6G網絡架構中的特定行業需求[13]。

為促進內生AI與6G通信網絡的深度融合，6GANA提出產業界需在如下三個技術方向上達成共識：支持內生AI的6G網絡功能和協議，支持內生AI的6G網絡架構，支持內生AI的6G網絡自治框架。前兩個技術方向對底層網絡架構進行改造，最后一個涉及在新架構中構建AIaaS，實現6G網絡上AI應用的使用、開發、部署、維護和監控。

4 6G內生智慧架構

4.1 功能架構

基于6G網絡“三層四面”的邏輯架構設計[25]，我們提出一種6G網絡內生AI功能架構的設想。6G網絡架構的內生智能將使AI能力在網絡中無處不在、無孔不入，并像人體的大腦和神經網絡一樣，以分布式或集中的方式按需提供AI能力。同時，通過智能平臺，6G將外部AI能力引入網絡，提供新服務、新能力，將外部數據引入網絡，進一步提高數據處理效率。此外，網絡內的分析數據和人工智能能力也可以暴露給第三方，通過智能平臺為其提供服務和所需的支持，如圖2所示。

圖2 6G網絡內生AI功能架構

在數據面上，內生AI架構涉及到的功能模塊如圖3所示。既需要全局的數據采集、存儲和處理，也需要進行本地數據的收集和處理。因為在很多應用場景下，出于數據隱私的考慮，客戶并不希望自己的數據被上傳到公共網絡中，需要網絡在本地提供處理和存儲這些數據的能力，因此需要一種分布式和集中式相結合的數據管理架構。訓練數據管理提供模型訓練所需的訓練樣本，根據模型性能要求對訓練數據進行定制和預處理。

圖3 數據面功能模塊

如圖4所示，在智能面上，人工智能模型的管理包括模型的選擇、生成、存儲、更新、轉移和刪除。管理的模型包括網絡資源層、網絡功能層和服務應用層的各種模型，用于優化這些層級的相關實體。RAN域、TN域、CN域、UE等各個域也需要集中智能與分布式AI能力相結合。全局集中的AI平臺可以對外部和內部數據模型進行全局處理，并根據特定用例的要求編排智能能力，然后將結果分發到特定子域的AI平臺執行。對于本地的AI能力，需要盡可能靠近用戶部署，提供實時的AI能力支持，包括模型和算法等。知識倉庫對人工智能模型的應用結果進行匯總和抽象，提取規則或關系模式以及外部導入的專家經驗。

圖4 智能面功能模塊

作為人工智能的三大支柱之一，計算能力至關重要。隨著通信、計算、存儲的融合，計算能力也是我們需要進行管理的。從網絡部署的角度，必須考慮其經濟性，綜合考慮如何利用這種分布式、集中的計算能力，我們還需要考慮終端和網絡之間計算能力負載分擔的方法。

綜合上述功能設計，完整的內生AI架構設計如圖5所示。該架構提出如下創新理念：首先，為支持6G網絡的自優化和自演進，AI用例將不再由網絡管理或優化團隊提出，而是由網絡通過AI用例生成器或外部通過API導入。第二，網絡提供對AI服務的性能評估和保障，這是通過QoAIS（Quality of AI Services）解釋器和評估器完成的。人工智能用例的性能需求由解釋器導出，轉化為人工智能工作流程中對模型、算法、計算能力、數據和工作模塊的具體需求。然后由編排器聚合網絡能力，并由硬件資源支持，以滿足人工智能用例的上述要求。當然，AI超腦也可以將一些需要全局協調的編排結果交付給各個子域執行，從而保證智能化應用得到全局支持。第三，該架構為本地用例提供了類似的框架，以支持實時用例。由于是端到端的架構，因此編排時也考慮了終端的AI能力，支持終端的智能應用。最后，AI模型、數據和知識可以重復使用并共享給第三方。同時，內生AI架構中的各項功能和服務也可開放給第三方，提供所需的智能。

圖5 完整的內生AI架構

4.2 技術特征

除了上述功能架構的設計外，我們總結提煉出6G網絡內生AI的三大技術特征，以應對AI全生命周期工作流和云網絡AIaaS帶來的技術挑戰。

第一項技術特征是基于QoAIS的AI全生命周期服務編排，這項特征在功能架構中已有所體現。為了滿足網絡本身和各行業對智能化服務質量的不同需求，6G網絡需構建一套AI服務的質量評估和保障體系，并基于AI服務的目標性能，對其生命周期內的功能服務、相關數據和模型、以及所需資源進行編排。為支持該技術特征，需進一步研究AI用例的自生成技術、QoAIS的解析和評估技術、數據/模型/資源的API設計、自動模型搜索和構建技術（如AutoML）、在線學習的數據處理、模型訓練推理和自更新的流程編排等。

第二項技術特征是內生AI計算與通信的深度融合。這一特征是運營商區別于云服務提供商和其他任何AI服務供應商的關鍵所在。這種融合既包括將AI用在提升網絡運維智能化和網絡性能的“AI for Network”場景，也包括為保障AI服務的性能，網絡架構、協議和功能所做出的改變，即“Network for AI”場景，同時還包括為提升整網資源效率、降低成本，而對AI功能和網絡功能做出的聯合優化。在這一方向上，當前已有較多關鍵技術在研究中，如基于數據分割或模型分割的分布式模型訓練[26-27]、分布式實時協作推理[28]、基于聯邦學習的空口傳輸和資源調度優化[29]、AI模型信源與信道聯合編碼、二階模型訓練算法降低空口訓練開銷[30]等。

第三項技術特征是內生AI與數字孿生的融合。6G網絡架構的特征之一是數字孿生網絡[31]。2030年以后的社會將是數字孿生社會，數字孿生技術也可以應用于6G網絡，實現全數字化。通過數字孿生，每個網絡實體和用戶的服務都可以通過實時信息采集實現數字化。實時狀態監測、軌跡預測和對可能出現的故障和服務掉線的預測性干預將成為可能，從而提高整個網絡的運行效率以及服務效率；還可以提前驗證網絡新特性部署的效果，加快新特性的改進和優化，實現新功能的快速自動引入，從而實現網絡的自我進化[1]。內生AI架構可利用數字孿生網絡提供的仿真功能生成模型訓練所需的樣本數據，提高輸入樣本空間的完整性，也可在孿生網絡中對AI工作流或AI模型的效果進行預驗證和優化，避免AI功能的啟用對真實網絡帶來性能的損傷。反過來，數字孿生網絡也可利用內生AI架構解決其自身的構建問題，比如通過收集網絡功能的相關數據訓練出可模擬該功能的AI模型，作為其孿生體、通過GAN生成的數據構建孿生體，從而降低數據傳輸對網絡資源的消耗。

5 后續研究

本文初步提出了6G內生AI功能部署架構及其主要技術特征，后續仍需從如下方向開展進一步研究工作：

首先，在內生AI的需求方面，需進一步研究統一的內生AI需求用例和服務質量的表征方案、閉環保障架構和技術體系，具體包括內生AI需求用例的表征方案、語言、接口；研究內生AI需求用例的自生成和管理技術體系。

其次，在AI服務質量閉環保障及統一編排管理方面，需基于端-邊-云的多層次網絡架構，進一步研究AI工作流編排、網絡資源編排的技術框架。具體包括QoAIS的解析、評估和保障技術體系；高效的通信-計算-存儲多元異構資源的協同調度機制；數據、模型、功能和工作流的域內和跨域的編排管理。

最后，在內生AI基礎網絡架構方面，需進一步研究并完善內生AI整體技術框架，進一步研究內生AI和數字孿生網絡的融合架構，包括基礎網絡架構及功能模塊、接口和流程。

6 結束語

本文聚焦6G網絡架構的關鍵特征“內生智能”，從5G網絡智能化和6G“智能泛在”愿景兩方面出發探討了內生智能的需求，分析了AI生命周期工作流（包括數據管理、模型學習、模型驗證和模型部署）和云網絡AIaaS存在的技術挑戰，包括AI服務質量的評估和保障體系、AI功能服務和網絡功能服務的設計以及聯合編排，總結了當前各行業組織（包括3GPP、ETSI、ITU、TMForum等）對AI功能架構的研究進展和欠缺之處，提出了6G內生AI端到端功能部署架構及其在6G網絡“三層四面”邏輯框架上的功能映射關系，提出了內生AI的三大技術特征：基于QoAIS的AI全生命周期服務編排、內生AI計算與通信的深度融合、內生AI與數字孿生的融合，以及支持上述特征的關鍵技術。最后，從內生AI的需求、AI服務質量閉環保障和基礎網絡架構方面對后續研究方向進行了展望。