未来6G不仅是“更快的网络”，更是“智慧内生”的网络。国际电信联盟（ITU）已将6G愿景扩展至“泛在智能”，AI将成为6G的内在能力和基础服务。智能协作无线接入网（CIS-RAN）架构在C-RAN的基础上，拓展协作化，引入智能化和服务化，通过分类采传、分层汇聚、分布智能、能力开放、服务下沉，实现6G核心目标。基于该架构，面向网络赋能AI场景，通过AI服务编排、任务控制、多维资源融合和数字孪生等智慧内生关键技术，6G能够实现AI业务需求与底层资源的灵活映射，保障端到端、差异化的AI服务质量。最后，提出了分布式AI模型部署和通感智控融合等潜在技术研究点，以适应网络赋能大模型、智能体的发展趋势。

1、6G无线网络智慧内生设计

随着ICDT（信息、通信、数据、智能）深度融合的推进，5G智能化实践中暴露出的“外挂式AI”局限性愈发明显。面对行业数智化转型与极致性能的新需求，6G网络设计需要四大转变：1）从外挂、场景驱动式AI转变为内生、能力驱动式AI；2）从多要素烟囱式转变为多要素协同。3）从尽力而为转变为服务质量可保障。4）从事后高成本处理到事前低成本干预。

如图1所示，6G将实现“智慧内生”设计，把数据、算力、模型与连接一道，沉淀为网络内部的基本资源。通过云化、服务化的分层管控，实现以任务为中心的统一编排、调度和控制，并借助数字孪生提升AI的可靠性和可预测性。

图 1 基于云化服务化的分层管控6G网络智慧内生设计

管理面：引入AI服务功能编排，完成用例生成、AI服务需求解析、模板映射和AI服务功能链部署，满足行业用户差异化需求。

控制面：引入AI任务控制和多维资源控制功能。AI任务控制功能负责内生的任务生命周期管理和需求拆解，对任务进行调度，满足任务层面的服务质量要求。多维资源控制功能负责连接、数据、计算的控制以及模型的控制管理，满足资源层面的服务质量要求。

用户面：引入多维资源承载负责任务的具体传输和执行，包括通信承载、计算任务执行承载、数据执行承载功能（数据采集、数据处理等）。同一个任务请求可能被映射/分解到多个承载上，进行部署并执行。此外，任务执行期间不同多维资源承载间也可能存在数据和信息的交互，例如多节点之间进行联邦学习需要在节点间传递中间梯度信息。

2、6G智慧内生关键使能技术

基于上述智慧内生设计，为数字化转型下的千行百业高效提供全生命周期高质量的AI服务，需要进一步实现基于服务化的AI服务功能编排、以任务为中心的多要素协同、QoAIS评估与保障和网络数字孪生等关键技术。

①基于服务化的AI服务功能编排

实现AI服务编排功能可以根据网络节点资源和功能逻辑按需部署各项功能，使6G网络为端到端AI工作流提供完整运行环境，支持差异化服务和持续性能优化。

图2 基于服务化的AI服务功能编排

首先，需要对异构硬件进行虚拟化和管理调度，以实现6G云化资源的充分利用。将底层GPU硬件抽象和封装为云中的虚拟化实例，使系统免受异构硬件差异化的影响，通过分时和空间共享等技术，无线接入网（Radio Access Network，RAN）中的多个应用程序可以同时访问GPU资源。进一步的，受限于6G云化无线网络的分散场景和分布式特性，利用资源发现、配置、调用、释放等技术进行虚拟化异构硬件的全生命周期管理，支撑根据编排策略（如资源请求和约束），以节点级别或更细粒度地分配工作负载。其次，利用服务化构建原子化的AI服务功能，设计功能间的服务化接口，并基于虚拟化的异构资源池将各AI服务功能按需部署到节点上。如图2所示，当到达无人机图像识别请求时，可利用服务化快速部署新的计算功能，并将车辆图像识别模型通过迁移学习加载至新计算功能，复用数据预处理和AI预验证功能，快速生成新的AI服务功能链。通过服务化网络功能编排，按需组合出内生于网络的AI服务流程，可以实现外挂叠加、场景驱动式到内生一体、能力驱动式设计方式的转变。

②多要素协同的AI任务高效管控

6G网络将以任务为中心，通过AI任务控制解析用户需求，提高服务适应性。同时，为应对无线环境变化并保障严格的AI服务质量，RAN侧协议栈需考虑AI多维资源融合置换机制，实现资源的按需、实时且灵活的配置。

图3 AI异构多维资源置换机制

如图3所示，通、算、数、智资源是强耦合的，AI准确度与AI模型和数据相关，而不同的数据量会导致传输时延的改变，并且数据量和AI模型的不同也会导致计算时延的变化。因此，在AI异构多维资源融合方面，需根据AI资源的多维性和异构性来研究分配和置换机制。在控制协议流程上，需突破传统仅考虑通信无线承载生命周期的控制方式，研究AI异构多维资源承载建立、配置、维护和释放，以及承载的切换机制，支撑资源的灵活调度和置换，解决复杂情况导致的资源切换问题。在AI异构多维资源承载功能方面，涉及跨资源维度和跨节点的融合处理，已经超越现有通信协议栈的范围，因此需增强相应功能模块与处理流程，在实现异构多维资源融合承载映射的同时，保障整体流程的实时性和灵活性。利用以任务为中心的多要素协同，完成多要素烟囱式到多要素协同融合的设计转变。

③AI服务质量保障

上述关键技术完成了AI服务的编排、调度、控制和执行，但面向连接的通信QoS难以满足AI服务的准确性等需求，需要统一可量化的QoAIS指标体系和闭环高效的评估和保障机制。

图4 三层闭环的AI服务质量保障

在指标体系方面，改变传统仅考虑通信连接指标的QoS体系，将AI相关指标作为新的评估维度纳入。三层闭环的AI服务质量保障机制如图4所示，引入数据、计算、模型等基本要素QoS，通过服务-任务-资源的逐层拆解和闭环反馈，实现从用户需求到网络资源的多层映射和细粒度的按需保障，在动态网络环境和有限网络资源的情况下保障差异化、个性化的AI服务需求，完成从尽力而为到AI服务质量保障的设计转变。

④网络数字孪生

由于AI幻觉的存在，AI服务仍然在决策质量和试错风险等方面面临风险。因此，引入网络数字孪生技术，利用高阶孪生建模技术提供更精准的AI训练和预验证环境。

图5 网络数字孪生数据生成及决策预验证

如图5所示，数字孪生网络包括数据采集、数据处理、建模、预测、算法预验证等功能。首先，数字孪生网络周期性地从物理网络采集原始数据，静态数据包括场景参数、用户位置、接入信息等，动态数据包括信道状态、业务数据、QoAIS需求等，对数据的处理方式为数据清洗与转换，随后利用处理后的数据对物理网络进行建模，包括基站、用户、信道等建模，并根据AI模型特点对算力资源、QoAIS需求建模。接着，数字孪生网络利用历史信息预测未来信息，并基于此对算法库算法进行预验证。最后，比较不同算法的性能，选择性能最优的算法，将该算法告知物理网络，便于后续物理网络在真实环境下进行动态决策。基于网络数字孪生的仿真建模与预验证技术，提供AI决策的精准预验证服务，实现从事后高成本处理到事前低成本干预的设计思想转变。

3、智慧内生赋能大模型与智能体

①网络赋能大模型

ChatGPT现象级事件标志着AI正迈向通用智能时代。目前，大模型多依赖云端算力进行训练和推理，距离用户较远，性能与效率仍有限；同时，大模型在算力、数据、能耗等方面需求差异明显，轻量化终端难以支撑其运行。因此，如何在网络中原生支持大模型训练与推理，已成为研究热点。

首先，网络的架构需要分布式云边端协作。大模型的运行需要大量的计算、存储和通信资源，为满足便携式终端多样化的需求，通过6G网络内生的AI计算资源，为算力受限的终端提供分布式AI算力支持，从而实现低功耗运行。然而，在无线网络环境中，资源有限且分布不均，需要有效地管理和分配这些资源。因此，通过智能化的资源调度算法和更高效的分布式架构，根据大模型的需求和网络的实际情况进行动态的资源分配和调整，在保障模型性能的同时，降低对网络资源的消耗。另外，为充分发挥大模型的效能，网络还需设计兼容大模型的通信协议和接口，确保参数或中间结果等信息高效传输与大模型无缝集成。

②网络赋能智能体

近年来，基于大模型、具备工具调用能力和自学习能力的AI智能体备受关注，已成为大模型商业化落地的主要形式。然而，作为一种新型通信实体，智能体在控制、算力以及功耗方面面临严峻挑战。

不同形态、功能和能力的智能体将广泛部署于各种终端上，具备感知和决策的能力。这些智能体通过传感器实时采集环境信息，并将感知数据通过通信设施传输至控制器。控制器在接收到数据后，借助部署的多种智能模型对信息进行高效处理，生成针对性的决策指令。随后，这些控制指令通过网络传输至智能体执行具体任务，完成闭环操作。在此过程中，信息流具有明显的时序因果特性，智能体的感知、通信、处理与控制高度耦合。感知数据从生成到传输、处理再到下达控制指令的全过程，不仅要求高效的通信支持，还需具备强大的智能处理能力，以保障时序控制决策的实时性和准确性。因此，需要从系统层面构建支持通感智控一体化的架构，设计全流程的多模态信息交互机制，实现通感智控的无缝融合。一方面，需要开发融合通信、感知、智能和控制的无线网络架构，为智能体间的任务协作与智能化控制提供全要素支持，从而实现超低时延、群体智能和按需组网等核心能力；另一方面，需要设计针对通感算智控的多维资源任务编排与联合调度算法，以提高资源利用效率，解决因任务需求差异化导致的资源分配不均和利用率低下的问题。

4、总结

面向智慧泛在的6G发展愿景，6G网络将超越传统通信网络的范畴，拓展计算、数据、智能等新能力维度，使能AI成为社会级服务。6G无线网络智慧内生通过引入AI服务编排、AI 任务控制、多维资源融合控制/承载和网络数字孪生功能，可以完成 AI 业务需求到底层多维网络资源的按需协同映射，实现端到端、差异化的AI服务质量保障，灵活、高效地为网络自身和千行百业提供高质量的 AI 服务。最后，随着大模型和智能体技术的涌现，如何通过分布式AI模型部署和通感智控融合技术，以适应AI大模型、智能体的发展趋势，也是未来重要的研究方向。

作者：陈天骄、崔莹萍

单位：中国移动研究院

来源: 中移科协