对无处不在的情报的需求人工智能已经成为新一轮产业转型的核心驱动力。工业的自动化、数字化和智能化需要无处不在的智能。网络自治需要 AI客户需要 AI业务需要 AI应急通信操作与维护医学识别安全监视器声纹识别机器翻译智能导航个性化推荐。机器人救援智能制造智能覆盖定制网络6G 和 AI 的集成包括两个方面 ： “面向网络的 AI ”和 “AI 网络 ”3 AI 对网络的驱动力移动通信技术面临瓶颈 ， 迫切需要技术创新和跨学科集成。人工智能是提高网络性能的关键解决方案。传统通信系统面临性能瓶颈6G 提出了更具挑战性的需求指标空中接口更精确的通道信息更精确的定位增强干扰取消功能提高能源效率,频谱容量网络运行之间出现冲突效率、复杂性和成本网络当前技术不足满足 6G 的需求改进的场景自适应网络运维效率速度难以估计更大规模MIMO 信道交通更加平衡调度密集的基站部署线索增加干扰更快的联网干扰避免更复杂的系统设计导致能源消耗增加异构中的复杂路由设备网络矛盾三角形更精致的业务标识网络复杂性成本更准确的故障定位多样化的通信场景要求是分散的4 人工智能网络的驱动力ITU 将 6G 场景扩展到无处不在的智能。 AI 需要转化为新功能为 6G 通信网络提供服务 ， 实现 AIaaS6G 网络本身提供ITU 将 6G 场景扩展到无处不在的智能AI 服务5G随时随地获取 AI通信服务通信能力低延迟 AI推理 / 训练支持移动 AI6G通信计算AI 服务质量保证+能力能力AI 服务感知能力数据能力AI 模型能力AI 安全和隐私保护5 5G 网络与 AI 融合的挑战满足 6G 和 AI 集成需求 ， 现有 AI 设计方法的通用性和效率由场景驱动的用例、插件或移植需要改进。情景驱动的 AI外部或嫁接 AIn为特定的空中接口和网络设计单独的 AI 模型优化用例将 AI 服务器或与 AI 相关的网络功能添加到网络中 ， 例如 NWDAFnNWDAF智能数据分析AI 服务器CNRANUE海量交通数据AI forNetworks更改频道条件天线重量调谐网络管理减少开关性能用户移动预测问题 ： 保证实时、有效和一致的数据。完成整个 AI 过程涉及高试验和错误成本。问题 ： AI 模型泛化程度低 ， 时间长开发周期和高成本n为不同的第三方 AI 设计不同的 AI 服务流程场景n云 AI 服务提供商在用户提交订单后提供尽力而为的 AI 服务高速智能跟随提交 AI服务订单车联网网络变速器Networks forAI实时多代理协作智能工厂XR / VR网络用户移动预测UE云 AI 服务提供商问题 ： 数据只能上传到云端 ， 很难有效地利用网络中无处不在的资源 ， 这无法保证 AI 服务的质量和安全性问题 ： 网络难以快速部署 AI适用于不同场景的服务6 6G 原生 AI 设计原则要实现泛在智能 ， 6G 网络架构需要 “四个转变 ”云云云 AI提供者NWDAFCNCN通信 QoSAI 工作流程 15G 外部 AI6G 原生 AI AI 工作流程 2通信 QoS交通分析交通分析天线调整天线调整运动预测运动预测Commu沟通ComputINGAI四要素协作Data算法7 目录6G 原生 AI 的驱动力1236G 原生 AI 架构设计和关键功能6G 和基础模型8 6G 原生 AI 网络架构挑战 ： AI 的三个基本组成部分 （ 数据 ， 算法和计算 ） 已经获得与网络连接、相应体系结构、接口和协议应该跨越整个 AI 生命周期。数据平面:管理网络数据并提供数据服务资源层:提供底层资源计算平面:管理计算并提供计算服务网络功能层 ：提供特定的网络功能网络服务能力智能平面:提供操作环境原生 AI 的完整生命周期。应用程序和服务层 ：提供相应的支持客户的业务需求。与 5G 网络不同 ， 6G 网络将定义新的数据平面、智能平面和计算平面。传统的控制平面和用户平面也有望得到扩展。9 6G 原生 AI 网络架构要实现 AI 服务 ， 通信、数据、计算和智能之间的协作至关重要。集成架构支持东西向和南北流程 ， 满足内部和外部 AI 服务1. 无处不在的智能网络和 AI综合服务框架2. 从外部覆盖到内部Synergy3. 从尽力而为到按需AI 网络智能飞机通信平面数据平面计算平面数字双床AI 管理和编排AI 用例Generation和战略网络函数安排AI forNetworks服务 QoS分析AI 任务管理数字双胞胎为社区- 阳离子FourAI 任务生命周期管理AI 任务调度元素资源Control通信ControlComputingControl模型控制数据控制通信BearerData处理ComputingExecution模型操作人工智能训练、推理、压缩的结果 ，验证等。10 关键功能 1 ： AI 服务质量 (QoAIS)传统的 QoS 系统主要强调会话和连接性能 ， 缺乏全面的支持满足不同的需求 ； QoAIS 指标系统包含安全性、隐私性、自主性和资源开销作为新的评价维度 ， 形成标准化的 AI 服务质量评价体系。QoAIS 保障机制智能娱乐智慧城市智能Industry智能生活智能社区管理&业务流程AI 服务服务 QoSAI 任务任务 QoS任务管理算法DataConnection资源 QoS任务控制Computing统一 IP 计算 -网络基础OTN / OXCOTN / OXCOTN / OXC所有光学底座计算 - 网络基础设施 关键特征 2 ： AI 计算与通信深度融合设计集成计算和通信的原生 AI 协议对于满足 AI 的连接性是必要的和分布式计算服务需求。它通过三个维度来实现 ： 管理平面、控制平面和用户平面控制平面 ： 深度收敛的三种模式计算与通信管理平面模式 1模式 2模式 3功能安排QoS 分析计算要求对于 6G 原生 AI协调xNBxNB高计算量效率连接控制Computing控制连接控制Computing控制融合控制低能量消费和延迟CCB行政首长协调会CCB行政首长协调会计算任务数据传输与执行满足差异化QoAIS 需要Task1行政首长协调会行政首长协调会用户平面行政首长协调会CCBCCBTask3CCB协同设计计算与通信协议CCB行政首长协调会行政首长协调会CSTask2行政首长协调会行政首长协调会：计算执行承载CCB：计算连接承载CS：计算会话 = CEB + CCB 关键特征 3 ： 数据生成和可靠的 AI网络中 AI 的海量训练数据需求和高试错风险要求网络数字孪生实现按需数据生成和可靠的 AI 和验证数据生成和网络数字孪生优化1. 降低数据收集成本和传输 ；2. 解决困难等问题获取传统的真实数据 ；3. 技术 ： 数据增强GAN;网络状态预测网络 AI要求AI服务数字孪生建模requirementsAI 的预验证外部需求自动生成requirements已处理数据1. 预期完成性能预验证不影响网络运营 ；的要求数据收集和一代2 . 降低潜在风险决策可能会导致 ， 例如网络性能恶化 ；收音机CUDUAAU物理网络虚拟化核心网基于云的无线接入网 目录6G 原生 AI 的驱动力1236G 原生 AI 架构设计和关键功能6G 和基础模型14 6G 与 AI 的融合 ： 基础模型的新时代随着人工智能进入通用智能时代 ， 基础模型的出现带来了深刻的6G 与 AI 融合的转型Networks for基础模型基础模型用于网络网络作为一个平台来支持或提供基础模型服务基础模型将增强移动网络在运营、执行、和验证域要求影响Networks小网络Operations多模态机床学习, 语言理解, 文本Generation网络Maintenance非标准数据治理, 数据对齐, 自然语言理解,代码生成介质大网络正在运行非标准数据治理, 形象生成、视频Generation•为基础模型提供丰富的环境数据•为用户提供基于意图的服务•实现智能全局协同控制端子•检测故障并生成解决方案•编排和计划任务工作流•在验证阶段发挥重要作用15 基础模型的网络6G 原生 AI 通过在训练期间提供链接和数据服务来促进基础模型的训练流程 ， 并支持具有链接、计算和模型分解 / 分发服务的推理流程6GAI 培训服务AI 推理服务已处理数据已处理数据海量数据集合推理请求数据处理AI 推理UE6G 网络云 AI 提供商UE6G 网络云 AI 提供商基础模型训练通常需要高速光纤基础模型需要大量的存储空间和数据中心的光学连接 ， 使无线电网络强大的 AI 推理芯片 ， 这是无法满足的功能服务部署具有挑战性。单基站。收集用户和网络数据 ， 对其进行预处理 ， 以及管理流量以支持模型训练通过适当的模型分割 ， 可以部署模型在无线网络中提供 AI 推理服务。潜在增益在 6G 网络中 ， 部署更靠近用户的模型可以减少延迟6G 网络高效处理数据 ， 减少数据传输和改进模型的云 AI 训练如何平衡增加的推理延迟和减少的推理延迟6G 网络中的传输延迟 ？ 技术是否像模型分割、压缩和加速是可行的未来问题所需的特殊数据分析技术 ？ 如何在分布式中有效地调度数据 ？16模型 ？ 数据在节点之间有效调度 ？ 网络基础模型由于结构化数据的丰富和不清楚 ， 网络基础模型面临着重大挑战不同网络问题之间的共性 ， 不同于 ChatGPT分阶段探索 ， 从探索网络运营 ai 通用模型开始从小规模到大规模 ， 从离线到实时 ， 最终调查统一的可行性小规模大规模统一脱机基于场景运营模式操作通用模型？网络通用模型小模型 1服务级别？运行模型小模型 2...小模型 N多场景网络级运行模型？ 通用运行模型单系统运行模型实时17 网络 AI 基础模型的挑战 - 数据网络运行和维护数据主要以分钟 / 小时的间隔从一致的来源获得 ，而网络运营数据由于不同的时间间隔、标准化和数据源而更加复杂 ，让它更难获得。数据开放和标准化全行业协作数据开放6GANA 与多个组织合作 ， 包括九个天堂平台 ， 发布四大数据集 ， 创建行业数据共享生态系统支持网络 AI 研究 ！困难数据采集数据差质量智能 RAN切片数据集CSI 压缩反馈数据集数据开放不断策划和积累智能网络数据集 ， 向公众开放 ， 构建一系列创新标准化与行业合作 ， 共同制定新数据收集标准和开发动态数据收集网络 AI 调度技术研究数据集无线电资源调度数据集18 网络 AI 基础模型的挑战 - 评估建立人工智能网络综合评价体系 ， 确保整体实用性、平衡性、技术解决方案的系统性。要求挑战可行性定量Metrics•创建整体公制系统平衡能力 ，效率和质量。•覆盖定制、泛化、通用性、实时性性能、可靠性和成本效益Metrics驱动程序•设计一种包含以下内容的工程评估方法整个生命周期和所有元素•包括训练推理、元素权重、综合目标等。有效性评价Methods评价系统保证工具Methods支持•提出适合不同阶段的评估工具 ， 同时平衡精度和效率。有效性的评估工具•如高精度网络仿真平台、数字双网络和网络管理统计。19 批判性思维•如何探索模型的潜在应用场景并挖掘其价值各种背景?用例•如何评估 AI 网络的价值和优势 ？•如何构建统一的网络 AI 基础模型 ？•如何建立可解释的理论模型 ， 以确保 AI 的有效性和网络中决策的可靠性 ？数据 / 模型•如何解决诸如数据碎片和获取设备方面的挑战等问题数据?•如何利用数字孪生网络生成高质量数据并验证网络AI 基础模型?计算能力建筑•如何利用无处不在的移动计算能力来增强基础功能ChatGPT 和语义模型等模型 ？•如何将面向 AI 的网络和面向网络的 AI 的统一架构细化为实现智能接口、功能和流程的高效设计智能或计算飞机 ？•架构如何支持网络 AI 基础的分布式训练模型?20 6G 网络 AI 联盟 — — 6GANA6GANA ： 一个民用和开放的网络 AI 国际交流平台n 国际会议 MWC 2023 、n 6GANA 发布 17 份白皮书 （ 7