AI原生6G网络是一种设计愿景，在这种愿景中，学习系统被视为通信和网络运行的基础组成部分，而非在网络构建完成后添加的可选工具。该术语并非指一种完成的架构，也不应被用作证明未来每一个无线电决策都将由不透明模型做出的证据。
从AI辅助到AI原生
移动网络已经在利用分析和机器学习。运营商预测需求、检测异常、优化参数并实现维护自动化。设备利用学习模型进行摄影、语音和无线电相关任务。这些用途属于AI辅助：它们在既定架构的基础上改进了特定的功能。
AI原生的提案提出了一个更深层的问题。如果学习将影响多个层级，那么网络是否应该从一开始就开放数据、生命周期管理、模型接口、计算资源和保障机制？某些无线电功能是否可以通过联合学习而非设计为固定算法来实现？系统能否更快地适应环境、流量和应用目标？
网络变为AI原生并没有一个单一的阈值。一个有用的描述应该是识别功能、训练过程、推理位置、数据和回退行为，而不是仅仅依赖于标签。
无线接口中的可能角色
研究人员正在研究用于信道估计、波束管理、定位、编码、波形优化和资源调度的机器学习。部分工作旨在替换一个受限组件；而其他工作则在定义的目标下考虑端到端的学习通信。
学习组件可以在其训练和评估数据所代表的条件下表现良好。无线环境具有多样性，因此在这些条件之外的鲁棒性是一个核心问题。移动性、新设备硬件、异常干扰和对抗性输入可能会改变数据分布。
标准必须决定互操作性的终点和实现自由的起点。当接口和行为定义明确时，即使内部算法不同，两家供应商也可以实现互操作。影响传输行为的模型可能需要更明确的约束、测试程序或共享表示。
网络运行与自动化
AI可以帮助网络预测拥塞、分配资源、识别故障、优化能源并协调多个无线电或计算域。最强的运行案例将模型输出与策略、可观测性和人工控制相结合。
自动化具有价值，因为未来的系统可能拥有比团队手动调优所能承受的更多的频段、节点、服务需求和计算位置。但自动化的复杂性也可能使故障传播得更快。运营商需要限制、回滚、监控以及解释为何采取高影响操作的方法。
模型的准确率并非唯一指标。推理延迟、计算成本、能耗、更新频率和错误后果都应纳入工程评估。
面向通信的AI与面向AI的通信
ITU的IMT-2030框架将“人工智能与通信”列为一种使用场景。这个短语涵盖两个方向：AI可以改进网络功能，而通信系统可以支持分布式AI应用。
未来的设备和机器可能会交换模型更新、传感器数据、提示词、嵌入向量或任务结果。这些流量模式可能比传统的媒体消费更偏向上行、更具突发性或对延迟更敏感。网络可能需要协调连接性和计算部署。
语义通信研究更进一步，探讨系统是否可以传输与任务相关的含义，而不是以传统方式重建每一个比特。这在特定任务中前景广阔，但也引发了关于共享模型、错误、问责制和通用性的问题。
边缘计算的角色
AI工作负载可以在设备、无线电站点、区域边缘或大型云端运行。部署位置会改变延迟、隐私、功耗和成本。靠近用户的模型可以快速响应并保持数据本地化，而较大的中心化模型则可能提供更强的能力。
未来的网络可以动态选择部署位置，但迁移和分布式执行会带来开销。无线电条件的变化速度可能快于工作负载的移动速度。因此，架构需要现实的编排、状态管理和服务级别目标。
对于“零延迟AI”的说法应持怀疑态度。每一个物理和计算路径都存在延迟。工程目标是实现与任务相匹配的可预测性能。
数据是网络设计的一部分
模型依赖于代表其运行环境和用户的数据。网络数据可能是敏感的：位置、移动、流量模式和设备行为可能会揭示个人或运行信息。
AI原生设计需要关于采集、最小化、访问、保留、溯源和质量的规则。联邦学习或分布式训练可以减少部分数据移动，但不能自动解决隐私、投毒或代表性不足的问题。
当罕见事件难以捕捉时，合成数据和仿真非常有用。它们必须经过现实验证，因为在简化世界中训练的模型在实际现场可能会产生自信的错误。
安全与对抗行为
学习组件创建了新的攻击面。攻击者可能会操纵训练数据、构建触发错误决策的输入、窃取模型或从其输出中推断信息。受损的优化系统可能会在不产生明显中断的情况下降低服务质量。
因此，安全工作包括模型完整性、认证更新、受保护执行、异常检测和安全回退。网络还需要传统的安全措施：身份识别、授权、隔离、软件供应链控制和事件响应。
对于安全关键型通信，模型不应成为单一且无法解释的控制点。高影响功能可能需要确定性界限或围绕学习决策的独立验证。
能源与可持续性
AI可以通过开启和关闭容量、改进调度或使资源与需求匹配来降低能耗。训练和推理同样消耗能量。最终效果是否为正取决于模型大小、硬件、工作周期和实现的节省量。
效率应在整个系统中衡量，包括数据移动和加速器。一个在节省无线电功耗的同时增加其他地方持续计算量的模型，可能只是转移了成本。
可持续性是IMT-2030的设计原则之一。这使得能源核算成为标准和部署关注的问题，而不仅仅是一个营销噱头。
AI原生理念如何进入标准
标准组织可以定义用例、需求、接口、数据开放、生命周期程序和评估。它们可能会将某些模型标准化，或者将实现保持开放。这种平衡取决于互操作性、成熟度以及过早将行业锁定在某种技术中的风险。
Release 20的研究为比较方案提供了空间，而随后的规范化工作可以在达成充分共识后选择机制。AI主题将跨越无线接入、系统架构、管理和应用，而不是形成一个孤立的功能。
版本控制至关重要。模型、数据和硬件的演进速度快于传统的网络发布。标准可能需要在更新更频繁的组件周围建立稳定的接口。
该术语不保证的内容
- 它不保证网络是自主的或无误的。
- 它不意味着每个协议都被神经网络取代。
- 在没有完整测量的情况下，它不能证明能耗更低。
- 它并没有消除对互操作规范的需求。
- 它本身无法解决隐私、安全或问责制问题。
- 它不会使研究原型直接变成商业6G服务。
评估AI原生主张的问题
询问哪个功能使用了AI，推理在何处运行，什么数据训练了模型，如何评估性能，以及在训练分布之外会发生什么。寻找与强传统基准的对比，而不仅仅是一个未优化的参考标准。
对于运行主张，询问操作如何受到约束、观测以及如何回滚。对于隐私主张，识别哪些数据离开了设备。对于能源主张，将加速器和数据移动计算在内。对于标准主张，引用具体的学习项目（SI）、工作项目（WI）或规范。
AI原生理念之所以重要，是因为它迫使移动生态系统将智能、计算和保障统一设计。其价值将来自精确的工程，而非将该标签贴在每个自动化功能上。
治理、采购与运行证据
AI原生设计改变的不止是优化算法的选择。运营商需要知道哪些数据进入了模型，数据存储在哪里，谁可以更新模型，以及在故障后如何调查决策过程。一个能提高平均网络性能的模型，如果罕见错误会中断应急通信、削弱客户间的隔离或产生不可预测的切换，那么它仍然是不合适的。
因此，采购需要可衡量的义务。供应商应描述支持的模型版本、计算和内存需求、回滚程序、安全边界以及用于检测漂移的指标。买方还需要明确训练是发生在设备中、边缘站点、运营商云端还是通过第三方完成。每个部署位置都会改变延迟、能耗、隐私和韧性。
运行证据应不仅限于一次成功的演示。有用的试验应报告基准、流量组合、无线电条件、观察周期和失败案例。它们应衡量采集特征和运行推理的成本以及性能增益。它们还应测试当输入缺失、具有对抗性或在训练分布之外时会发生什么。当置信度较低时，系统应回退到安全且可理解的行为。
标准可以通过定义接口、生命周期状态、数据描述和能力报告方式来提供帮助。它们可以将模型架构和训练方法留给实现层。这种平衡在允许创新的同时，赋予独立系统足够的共享含义以进行协调和测试。
对于公开的主张，最好的问题不是网络是否“使用了AI”，而是模型控制哪个功能、什么证据显示了改进，以及什么保障机制限制了错误决策的后果。这些问题的答案将有用的工程结果与广泛的品牌标签区分开来。
来源与延伸阅读
最后审核日期：2026年9月12日。标准和研究计划处于动态变化中；请关注链接的原始来源以获取最新的正式状态。