6G智能內生系統架構關鍵技術探究和展望

王夢涵 楊 立 朱進國

1 中興通訊股份有限公司 南京 210012

2 移動網絡和移動多媒體技術國家重點實驗室 深圳 518055

引言

隨著車聯網(V2X)、物聯網(IoT)、增強現實/虛擬現實(AR/VR)等新興數據計算密集型業務的發展，以及智慧工廠、智慧礦山、智慧醫療等多領域新場景用例需求的出現，下一代移動新系統(6G)除了要提供基本的通信資源/能力外，還需將計算資源/能力、存儲資源/能力、空間資源/能力、數據資源/能力等多維度異構資源統一整合和利用，從而更好地滿足新業務場景的需求[1-5]。另外，考慮到未來更多電信利益相關方相互協作的新商業模式，需要保證多方參與時的高安全性、保密性及隱私性[6-8]。為了滿足以上技術發展及商業應用的新需求，6G新網絡需要能夠和人工智能(AI)技術深度融合，智能內生作為6G的核心特征之一，也已在業界基本達成共識[9]。

目前，已有大量無線側基于AI的傳輸和網絡優化方法在研究[10-11]，但業界針對6G智能內生系統架構的設計和相關關鍵技術的研究還不完善。在文獻[12-15]中，主要針對6G智能內生的標準研究現狀、需求、面臨的技術挑戰、典型的用例場景等進行了深入的分析，而對于6G智能內生的設計原則、系統架構相關關鍵技術還需深入探討和統一。因此，本文將結合業界的最新研究進展，對6G智能內生的設計原則、系統架構關鍵技術方面進行探討和總結。

1 6G系統智能內生的設計原則

智能“內”生概念的提出，是因為在現有5G網絡中，AI的服務實現是由特定的應用場景用例驅動的。針對已識別的碎片化AI應用場景，在現有網絡中定義相應的分析數據類型，將“(準)定制化的”數據采集、模型訓練和推理、策略下發等功能通過“打補丁”到相應的網絡功能中，或者外掛相應的獨立AI處理單元。因此，對于不同的AI場景用例和服務，需要對5G網絡進行不同的增強拓展。另外，5G標準中沒有對AI數據集或AI訓練模型進行標準化，缺乏統一的AI技術體系框架和AI操作通用流程。同時，5G網絡著重于網絡運維的智能化，還沒有真正對外提供智能化業務服務，即未實現AIaaS。

所以，6G系統在設計之初就需考慮將AI眾多相關需求融入到網絡的體系架構設計、功能實現及協議與流程這些方面，構建通用型AI完整且自治的工作環境，6G系統中的每個網絡節點都可以是智能化實現執行的一環，對內實現智能高水平自治，對外按需提供定制化且可保障的AI服務。從而當未來引入各種新的應用場景用例時，最小化對6G網絡架構和部署的影響，靈活滿足6G全場景的業務需求。

1.1 架構設計層面

基于上述分析，6G智能內生系統架構設計應當至少符合分布式、快速協同、能力開放以及安全可信的4大基本原則。

1)分布式AI：采用分布式學習、云邊端協同一體化智能部署的方式，AI能力內嵌于所有相關網絡節點，每個網絡節點都可以是智能化實現執行的一環。同時，要分級、分層地實現智能化，各級、各層都融入AI，部署上實現獨立AI功能實體和內嵌AI功能實體并存。另外，6G智能化涉及各類智能終端、智能接入網、智能邊緣網絡、甚至智能的傳輸網、智能核心網、智能管理運維、智能的業務應用。分布式AI關鍵技術包括(分層)聯邦學習、群體學習、多智能體強化學習、遷移學習和元學習等，在第3章中將詳細闡述。

2)AI快速協同：實現群智式協同，即分布式智能化節點間的快速協同聯動，例如，基于6G新承載新傳輸手段[16]。具體包括邊緣與中心智能之間的協同工作，基于AI的基礎設施、網絡功能和管理編排協同，以及跨域、域內的智能化應用協同等。AI快速協同關鍵技術包括6G網絡側和空口的大帶寬低延時傳輸技術、節點通感融合、快速發現與同步能力等，在第3章中將詳細闡述。

3)AI能力開放：AI能力開放至少包含三個方面。第一個方面是AI算力開放；第二個方面是AI算法和模型服務開放；第三個方面是AI數據開放，包括數據的存儲、認證等數據功能，可開放的數據包含AI相關數據及網絡數據，如網絡的簽約數據、用戶面數據。

4)AI數據可信和隱私保護：充分有效地利用數據、實現數據流轉、共享和融合的前提是能夠保護數據隱私，涉及跨域或者多方共同參與時，需要考慮如何實現AI數據的隱私保護和可信認證，遵循相應安全法規，從而構建統一的可信AI平臺能力和標準。區塊鏈具有“不可篡改”“共識機制”和“去中心化”等特性，能夠作為底層支撐技術，提升網絡中龐大AI數據的可信與安全[17]。

1.2 功能實現層面

6G智能內生功能的實現要構建智能化閉環，具體可包括：數據感知、流轉融合、模型訓練、模型驗證、分析推理、策略執行、反饋評估、模型優化八個方面。

1)數據感知和流轉融合：現有5G網絡中存在數據獲取困難、數據質量難以保證、異廠商數據格式不統一等問題。在6G網絡中，要實現數據和服務分離，提供統一的數據服務，包括對海量異構數據的精準感知、流轉傳遞、共享和融合處理等，避免數據冗余，提升數據分析能力和價值挖掘能力。

2)模型訓練和模型驗證：現有5G網絡主要在線下實現AI模型的訓練和驗證，因此模型應用效果缺乏有效的驗證和保障手段。仿真環境與真實網絡環境的差異程度會直接影響模型在實際應用中的效果，應當為AI模型訓練和驗證提供擬真的仿真環境。

3)分析推理和策略執行：分析推理和策略執行要能夠實現局部協同和全局協同，例如中心節點可獲取全局的網絡數據，從而實現全局的協同分析和決策控制，而邊緣節點僅能獲取一定范圍的網絡數據，可實現輕量級的局部AI推理。分析推理結果實現按需提供，從而達到整體最優。將分析推理的結果以策略的形式下發到網絡相關節點，架構上實現策略和服務分離，減少對服務的影響。

4)反饋評估和模型優化：策略執行節點能夠反饋執行結果，網絡可根據反饋結果進行評估，決定是否優化以及如何優化數據集、AI算法和模型、算力資源分配等，從而實現智能化執行閉環。

1.3 協議與流程層面

5G系統的協議棧和功能演進，還是僅以通信類(數據傳輸)業務的拓展增強為主[18-20]。未來6G新系統協議實體要支持內生AI工作流及功能性能保障。AI模型參數數據和樣本數據量巨大，因此在6G新系統設計之初就要考慮分布式架構中AI相關數據的傳遞，定義AI服務質量(QoAIS)評估保障體系。另外，流程上要支持AI信令和AI數據的交互，包括網絡節點對AI能力的調用、AI數據采集單元進行數據采集、結果下發單元將決策/預測信息反饋給相關網絡節點等。這可能要求6G新系統針對“AI操作流程”引入和構建獨立高效的“智能面”“計算面”和“數據面”，以支撐相關數據包的高效傳輸流轉融合利用，具體將在第3章中詳細介紹。

2 6G智能內生的網絡體系框架

文獻[21]中提出了6G網絡“三層四面”的邏輯體系架構，基于前一節總結的6G智能內生設計原則，我們提出一種6G智能內生網絡體系框架的設想，如圖1所示。在分布、協同、開放、可信安全的4大設計原則下，智能化涉及如下內容。

圖1 6G智能內生網絡體系框架

1)橫向多層，包含資源層、功能層、管理層及開放層四個層；

2)縱向多面，至少包含縱向貫穿各層的智能面，為各層提供智能能力；

3)跨域協作，終端域、接入網域、承載域、邊緣網絡域、核心網域、外部網絡域等各域協同；

4)分級部署，獨立智能功能實體和內嵌智能功能實體并存。

2.1 資源層

網絡架構的底層是資源層。資源層提供頻譜、功率能耗、光纖傳輸等通信資源，CPU、GPU、TPU等異構算力資源，以及樣本數據、模型參數等數據資源。OTT也可以通過網絡的開放接口得知網絡的通信能力以及運行AI模型節點的算力能力。6G網絡中的算力將從外延走向內生，超越5G的邊緣計算，實現網絡與計算的深度融合。

2.2 功能層

功能層要滿足微服務化特征，至少提供連接功能、計算功能、數據功能、策略功能以及智能功能。連接功能是指網絡通信能力，包含移動性管理、會話管理等。計算功能實現對算力的控制，包含算力的資源感知和靈活動態調度等。另外，要實現數據與服務的分離，提供統一的數據服務。數據服務應當包含多域數據的采集、清洗、結構化存儲、按需的數據訂閱、數據分析等。在此，數據服務也包含對感知數據的管理，從而實現通信和感知的深度融合。同時，功能層也要實現策略與服務的分離，提供統一的策略服務。AI分析推理/預測等以策略的形式下發到網絡，策略執行節點能夠反饋執行結果，實現決策智能化和智能優化閉環。智能功能提供統一的智能服務，部署上可采用分級部署，即獨立智能功能實體和內嵌智能功能實體并存。

2.3 管理層

管理層實現網絡監控、協同控制、融合編排管理、廣義QoS保障等功能，可引入數字孿生、意圖引擎等技術輔助實現自智網絡，第3部分對6G系統引入數字孿生和意圖引擎技術做了詳細的介紹和分析。

2.4 開放層

開放層涉及對內的智能自治和對外的第三方應用。對內實現智能自治，使6G網絡能夠自學習、自優化、自演進、自免疫(對風險的預測和避免)。對外向第三方應用提供AI業務，根據不同的應用場景需求，按需提供AI服務。這里AI能力開放包含AI算力、算法和模型、數據三個方面，具體內容在前1章已詳細解釋，不再贅述。

2.5 智能面

采用分級部署的方式，實現獨立智能功能實體和內嵌智能功能實體并存。另外，作為縱向貫穿各層、為各層提供智能能力的智能面，向資源層可提供智能資源分配和管理建議；在功能層可實現AI模型的自演進、自優化、AI預測和推理等，實現AI功能的按需調用及按需的AI能力部署；向管理層可提供智能協同和編排分析；向開放層可提供輔助應用的分析、開放資源感知等。

3 6G智能內生系統架構關鍵技術

針對6G智能內生系統實現所需解決的關鍵問題，本節提出并分析分布式AI技術、6G海量數據大帶寬傳輸和通感融合技術、智能管理編排技術、端到端SBA服務化技術以及面向6G新系統“XX面”模型構建，共五大類支撐關鍵技術。

3.1 分布式AI技術

6G智能內生系統引入分布式AI技術的必要性有三個層面：1)算力層面。當前通信系統中雖然存在分布式的云、邊、端等多級算力，但多級算力之間互為資源孤島，難以突破單點算力的性能極限，發揮算力的群體優勢。2)數據層面。當前通信系統中存在數據孤島問題，為了實現數據的充分高效利用，需要實現跨域的數據協同能力，同時保證各參與方的數據安全可信和隱私保護。3)AI模型層面。對于跨域的全局AI業務，需要實現合理的AI模型劃分、AI模型共享、AI模型參數和中間結果傳輸等。對于局部AI業務，需要共享高質量的AI模型，從而提升整網效率。

分布式AI技術包括(分層)聯邦學習[22]、群體學習[23]、多智能體強化學習[24]、遷移學習和元學習等。一種面向(分層)聯邦學習的分布式智能網絡架構[25]涉及全局聯邦、跨域聯邦和域內聯邦三層，與前文中提出的分布、協同的設計原則以及分級部署的部署方式相一致。文獻[25]具體介紹了面向聯邦學習的分布式智能網絡架構和聯邦學習在移動通信網絡中的典型應用場景。

和聯邦學習不同的是，群體學習實現了完全去中心化的分布式AI，無需專門的中央服務器，參數可在群體網絡中共享，每個節點能夠基于本地的隱私數據獨立構建模型。基于區塊鏈技術，群體學習能夠保證數據的控制權、安全性和機密性。而多智能體強化學習既可實現有中央智能節點參與的分布式AI，又可實現去中心化的多智能節點協同。目前研究表明，對于大規模場景，多智能體強化學習可實現各智能節點間的非直接通信；對于小規模場景，多智能體強化學習可實現完全去中心化的多智能節點協同。

另外，遷移學習是指利用基于其它大型數據集已經訓練好的模型，將自己的任務數據集在遷移過來的模型上進行訓練或者微調。基于遷移模型也可以增加模塊，構成新的AI模型。元學習也叫做“學會學習”，即利用以往的知識經驗來指導新任務的學習，具有學會學習的能力。遷移學習和元學習更強調模型參數等在多節點間的共享來輔助學習，可能需要管理和協調的中央節點，且具備更適用小樣本和適應性強的特點。

3.2 6G海量數據大帶寬傳輸和通感融合技術

AI數據包括樣本數據、模型參數、中間結果、推理/預測結果等，數據量巨大，且通常為了達到滿意的效果，AI模型規模和訓練迭代次數均很大，從而導致6G智能內生系統的數據傳輸量巨大。為支持海量數據的大帶寬傳輸，未來6G移動通信系統可進一步提高工作頻率，引入毫米波和太赫茲技術[26-27]，使用戶體驗速率、峰值速率、頻譜效率等關鍵通信性能指標相比現有的5G系統實現10～100倍的提升。毫米波和太赫茲技術的短板也非常明顯，例如覆蓋范圍較窄、受大氣影響明顯等，這些都需要進一步的研究。例如高頻通信和高頻增強相結合，或許有助于毫米波實現覆蓋擴展和應用場景的拓展。

另外，基于前文所述，智能化閉環實現的第一步是數據感知，這里數據包括通信網絡運營數據、用戶簽約數據、AI相關數據，也包括對一切業務、網絡、用戶、終端、以及環境物體、狀態等的感知數據。通感融合是未來移動通信系統的關鍵使能技術之一[28-29]，借助定位、探測、成像等技術可實時地進行環境感知，另外還可以實現業務數據和內容、網絡狀態等的感知，同時借助海量數據大帶寬傳輸技術將感知信息傳輸至其它網絡節點協同進行智能化處理、決策和控制。

為了協助實現數據深度開放、數據價值提升、自治需求生成以及低成本試錯尋優，可以引入數字孿生網絡[30]。文獻[31]對數字孿生網絡架構及數字孿生技術在移動通信網絡中的應用場景做了詳細的介紹，包含對無線算法的仿真、網絡性能預測、端到端網絡SLA質量保障等。

3.3 智能管理編排技術

實現智能管理和編排，包含三個層面：1)管理層工作盡量簡化，能夠屏蔽底層系統實現、技術和設施，實現需求自感知、資源自匹配；2)網絡層實現以任務為中心的新技術范式；3)資源層實現以數據為中心的計算。意圖驅動的閉環管理示意見圖2。

圖2 意圖驅動的閉環管理示意圖

通過對運營商、用戶、業務場景的意圖需求感知，AI用例由網絡AI用例生成器自動生成或者構建聲明式的API由外部通過API導入。管理層實現AI用例到任務的分解、映射和AI業務流編排等。網絡層實現任務的生命周期管控，包括任務的部署、啟動、監控、修改、刪除等操作，匹配并調度適合的連接、算力、AI能力和服務等資源，從而保障任務QoS需求。資源層提供分布式算力資源、數據資源等，采用以數據為中心的計算模式，實現快速數據計算，使能計算資源的靈活部署和智能調度。

意圖引擎可應用于意圖驅動的業務部署、網絡優化、容量規劃等場景。意圖網絡的價值在于以用戶商業邏輯和業務意圖為驅動，簡化用戶和運維人員的工作。但是，意圖引擎也存在一些關鍵問題需要深入探討：聲明式的API如何構建、意圖的分解和翻譯如何實現、組件和設備的兼容性問題等。

3.4 端到端SBA服務化技術

5G核心網已引入SBA服務化架構，從根本上改變了傳統的P2P點到點通信方式，使得控制面網絡功能可以快速構建、發布及部署。為了適應未來更多變的需求，6G網絡應當更加高適應性和靈活彈性韌性，需要從6G系統架構本身進行根本性的改進，嘗試實現端到端的SBA服務化架構。6G系統端到端的服務化有利于智能三要素(算力、算法、數據)的全面內嵌承載和利用。

端到端SBA服務化技術應該包含以下4個方面。1)接入網架構服務化[32-33]。服務化的接入網網絡將接入網功能柔性分割為多個網元功能，模塊間可以通過服務化接口進行交互。針對不同的接入網需求，如針對AI內生業務、通感一體化、算網融合等新能力的需求或針對不同類型終端的需求，可以通過接入網網元功能的重構，形成個性化的接入網拓撲和協議棧部署，實現自組織的虛擬化無線接入網。2)核心網控制面服務化。在5G核心網控制面服務化的基礎上進一步演進，基于微服務理念，構建更細粒度的控制面網絡功能資源池，如前文所述，至少應當包含連接、計算、智能、數據、策略等服務化功能，每一個網絡功能都可以獨立迭代演進、彈性擴展，網絡功能之間也可以根據用戶需求按需組合，為用戶提供定制化網絡服務。3)核心網用戶面服務化[34]。在將控制面各個網絡功能以SBA架構靈活解耦提供的基礎上，通過協議無關的用戶面編程語言，可以進一步靈活定義用戶面的分組處理邏輯。通過對用戶面諸多網絡功能的靈活定義和在各個可編程網元上的優化編排，可以實現用戶面功能的服務化部署。4)資源層服務化。可以利用區塊鏈等新技術，實現云、網、邊之間資源的按需分配和靈活調度，例如第2章中提到的算力資源、數據資源、頻譜資源等，從而在資源層實現服務化構建。

3.5 面向6G新系統“XX面”模型構建

網絡架構中的“層”主要從網絡提供服務的視角闡述，而“面”則縱向貫穿各層，為各層提供基礎能力。基于前文所述，6G新系統需要針對“AI業務服務相關流程與實現”引入和構建邏輯獨立高效的“數據面”“計算面”和“智能面”模型，如圖3所示，以支撐相關AI數據的高效傳輸、流轉、融合和利用。

圖3 6G新系統數據面、計算面、智能面構建示意圖

1)數據面：數據面可實現資源狀態感知(如算力資源)、網絡狀態感知、業務或場景感知、用戶數據感知、數據倉庫等，實現多域數據的采集、清洗、結構化存儲、按需數據訂閱、數據分析等數據相關功能。提供統一的數據服務，避免數據冗余，提升數據分析能力和數據價值挖掘能力。智能面可按需訂閱特定數據，用來模型訓練、模型驗證、網絡優化等。

2)計算面：6G智能內生網絡中的計算需求將大幅增長，為了實現云、邊、端的算力共享和算力協同，從而使能算力資源的靈活調配，需要提供統一的計算服務。算力面對AI任務的算力要求進行準確評估，確定算力要求后根據各節點算力資源情況在節點間合理分配，以滿足AI任務的實時性要求等。

3)智能面：如前文2.5節所述，智能面為網絡各層提供智能服務，如向資源層提供智能資源分配和管理建議；在功能層實現AI模型的自優化、AI功能的按需調用及按需的AI能力部署；向管理層提供智能協同和編排分析等。

4 總結和展望

為了促進6G智能內生系統的研究和統一，本文對6G智能內生的設計原則、系統架構及針對性的關鍵技術進行了分析和總結。首先，基于架構設計、功能實現、協議與流程層面的設計原則，設計統一的6G智能內生技術架構和通用流程，實現分布式學習、群智式協同、云邊端一體化智能部署、能力開放、安全可信的6G網絡，構建數據感知、流轉融合、模型訓練、模型驗證、分析推理、策略執行、反饋評估、模型優化的智能化閉環。其次，提出了6G智能內生網絡體系框架應該包含資源層、功能層、管理層和開放層四個層以及智能面，實現通—感—算—智的深度融合，提供端到端、全場景、泛在的AI服務。最后，針對6G引入智能內生亟待解決的關鍵問題，提出了針對性的解決方案和五大類支撐關鍵技術：分布式AI技術、6G海量數據大帶寬傳輸和通感融合技術、智能管理編排技術、端到端SBA服務化技術以及面向6G新系統“XX面”模型構建，并對這五大類技術的發展進行了總結和展望。