7、5G-Advanced与6G：AI驱动下的移动通信发展

5G-Advanced与6G：AI驱动下的移动通信发展

1 AI在5G网络中的应用挑战与策略

在将AI集成到移动网络的过程中，面临着诸多挑战。由于AI方法的非线性特性，难以保证在最坏情况下的性能。为了确保一定的服务质量（QoS），系统设计者需要考虑最坏情况，但AI在这方面难以提供性能保证。因此，实现AI在移动网络中的平滑集成，关键在于保证在最坏情况下性能的可承受和渐进式恶化。

此外，AI技术常被视为黑盒，因为难以建立分析模型来测试其正确性或解释其行为。在实时决策场景中，如车辆间通信，缺乏可解释性可能成为问题。所以，在为移动网络创建AI模型时，应尽量提高其可解释性。

同时，用于训练AI模型执行通信任务的数据集是否全面，能否涵盖模型实际遇到的输入分布，并不总是明确的。学习机制需要对训练数据集中未出现的情况进行泛化。

当前移动网络日益复杂，互操作性变得尤为重要。不同制造商的AI模块之间的任何不兼容性都可能降低整个网络的效率。而且，基于人工智能的移动网络存在复杂的依赖关系，在性能指标（KPI）下降时，难以确定是哪个供应商的设备或AI模块的问题。

为应对这些挑战，从网络设计角度出发，最大化AI模型应用的复杂性需要明确定义协议栈层内和层间的接口。鉴于AI在无线系统中的应用尚处于初期，且移动网络运营商（MNOs）对服务保障要求较高，AI的实施应分阶段进行。系统设计者先实施AI，再完善测试工具和方法。理想情况下，AI模型应在较长的时间尺度（分钟或小时级别）上运行，以便专家在必要时更改模型建议。通过根据专家反馈调整AI模型的性能，可以增加其鲁棒性。

2 AI赋能的RAN架构

3GPP在R17版本中探索了由AI支持的