एक AI-नेटिव 6G नेटवर्क एक डिज़ाइन विज़न है जिसमें लर्निंग सिस्टम को संचार और नेटवर्क संचालन के बुनियादी हिस्सों के रूप में माना जाता है, न कि नेटवर्क बनने के बाद जोड़े गए वैकल्पिक उपकरणों के रूप में। यह शब्द कोई एक अंतिम आर्किटेक्चर नहीं है, और इसे इस प्रमाण के रूप में उपयोग नहीं किया जाना चाहिए कि भविष्य का हर रेडियो निर्णय एक अपारदर्शी मॉडल द्वारा लिया जाएगा।
AI-असिस्टेड से AI-नेटिव तक
मोबाइल नेटवर्क पहले से ही एनालिटिक्स और मशीन लर्निंग का उपयोग करते हैं। ऑपरेटर्स मांग का पूर्वानुमान लगाते हैं, विसंगतियों का पता लगाते हैं, पैरामीटर ऑप्टिमाइज़ करते हैं और रखरखाव को ऑटोमेट करते हैं। डिवाइस फोटोग्राफी, स्पीच और रेडियो से संबंधित कार्यों के लिए लर्नड मॉडल का उपयोग करते हैं। ये उपयोग AI-असिस्टेड हैं: वे एक स्थापित आर्किटेक्चर के आसपास चयनित कार्यों में सुधार करते हैं।
AI-नेटिव प्रस्ताव एक गहरा सवाल पूछते हैं। यदि लर्निंग कई लेयर्स को प्रभावित करेगी, तो क्या नेटवर्क को शुरू से ही डेटा, लाइफसाइकिल मैनेजमेंट, मॉडल इंटरफेस, कंप्यूटिंग संसाधन और एश्योरेंस मैकेनिज्म को एक्सपोज़ करना चाहिए? क्या चयनित रेडियो कार्यों को निश्चित एल्गोरिदम के रूप में डिज़ाइन करने के बजाय संयुक्त रूप से सीखा जा सकता है? क्या सिस्टम पर्यावरण, ट्रैफिक और एप्लिकेशन लक्ष्यों के प्रति अधिक तेज़ी से अनुकूल हो सकता है?
कोई एक सिंगल थ्रेशोल्ड नहीं है जिस पर कोई नेटवर्क AI-नेटिव बन जाता है। एक उपयोगी विवरण केवल लेबल पर भरोसा करने के बजाय फंक्शन, ट्रेनिंग प्रोसेस, इन्फरेंस लोकेशन, डेटा और फॉलबैक व्यवहार की पहचान करता है।
रेडियो इंटरफेस में संभावित भूमिकाएं
शोधकर्ता चैनल एस्टिमेशन, बीम मैनेजमेंट, पोजिशनिंग, कोडिंग, वेवफॉर्म ऑप्टिमाइज़ेशन और रिसोर्स शेड्यूलिंग के लिए मशीन लर्निंग का अध्ययन कर रहे हैं। कुछ कार्य एक सीमित घटक (bounded component) को बदलते हैं; अन्य कार्य एक परिभाषित उद्देश्य के तहत एंड-टू-एंड लर्नड कम्युनिकेशन पर विचार करते हैं।
एक लर्नड घटक उन स्थितियों पर अच्छा प्रदर्शन कर सकता है जो उसके ट्रेनिंग और इवैल्यूएशन डेटा में प्रस्तुत हैं। वायरलेस वातावरण विविध होते हैं, इसलिए उन स्थितियों के बाहर मजबूती (robustness) एक केंद्रीय समस्या है। मोबिलिटी, नए डिवाइस हार्डवेयर, असामान्य हस्तक्षेप और प्रतिकूल इनपुट डेटा वितरण को बदल सकते हैं।
स्टैंडर्ड्स को यह तय करना होगा कि इंटरऑपरेबिलिटी कहाँ समाप्त होती है और इम्प्लीमेंटेशन की स्वतंत्रता कहाँ शुरू होती है। दो वेंडर तब इंटरऑपरेट कर सकते हैं जब इंटरफेस और व्यवहार परिभाषित हों, भले ही आंतरिक एल्गोरिदम अलग हों। एक मॉडल जो ट्रांसमिटेड व्यवहार को प्रभावित करता है, उसके लिए स्पष्ट बाधाओं, परीक्षण प्रक्रियाओं या साझा प्रतिनिधित्व की आवश्यकता हो सकती है।
नेटवर्क ऑपरेशन्स और ऑटोमेशन
AI नेटवर्क को कंजेशन की भविष्यवाणी करने, संसाधनों को आवंटित करने, दोषों की पहचान करने, ऊर्जा को ऑप्टिमाइज़ करने और कई रेडियो या कंप्यूट डोमेन को समन्वित करने में मदद कर सकता है। सबसे मजबूत ऑपरेशनल केस मॉडल आउटपुट को पॉलिसी, ऑब्जर्वेबिलिटी और मानवीय नियंत्रण के साथ जोड़ते हैं।
ऑटोमेशन मूल्यवान है क्योंकि भविष्य के सिस्टम में एक टीम द्वारा मैन्युअल रूप से ट्यून किए जा सकने वाले बैंड्स, नोड्स, सर्विस रिक्वायरमेंट्स और कंप्यूटिंग लोकेशन्स अधिक हो सकते हैं। लेकिन ऑटोमेटेड कॉम्प्लेक्सिटी विफलताओं को तेज़ी से फैला सकती है। ऑपरेटर्स को सीमाओं, रोलबैक, मॉनिटरिंग और यह समझाने के तरीकों की आवश्यकता है कि कोई उच्च-प्रभाव वाला कार्य क्यों किया गया था।
मॉडल की सटीकता एकमात्र मेट्रिक नहीं है। इन्फरेंस डिले, कंप्यूट कॉस्ट, एनर्जी यूज़, अपडेट फ्रीक्वेंसी और त्रुटियों के परिणाम इंजीनियरिंग मूल्यांकन का हिस्सा होने चाहिए।
संचार के लिए AI और AI के लिए संचार
ITU के IMT-2030 फ्रेमवर्क में "आर्टिफिशियल इंटेलिजेंस और कम्युनिकेशन" को एक उपयोग परिदृश्य के रूप में शामिल किया गया है। यह वाक्यांश दो दिशाओं को कवर कर सकता है। AI नेटवर्क कार्यों में सुधार कर सकता है, और संचार प्रणाली वितरित AI अनुप्रयोगों का समर्थन कर सकती है।
भविष्य के डिवाइस और मशीनें मॉडल अपडेट, सेंसर डेटा, प्रॉम्प्ट्स, एम्बेडिंग्स या टास्क परिणामों का आदान-प्रदान कर सकते हैं। ये ट्रैफिक पैटर्न पारंपरिक मीडिया खपत की तुलना में अधिक अपलिंक-हैवी, बर्स्टी या लेटेंसी-सेंसिटिव हो सकते हैं। नेटवर्क को कनेक्टिविटी और कंप्यूटिंग प्लेसमेंट को समन्वित करने की आवश्यकता हो सकती है।
सिमेंटिक कम्युनिकेशन रिसर्च इस सवाल के साथ आगे बढ़ती है कि क्या कोई सिस्टम पारंपरिक तरीके से हर बिट को रिकंस्ट्रक्ट करने के बजाय कार्य-प्रासंगिक अर्थ (task-relevant meaning) प्रसारित कर सकता है। यह चयनित कार्यों के लिए आशाजनक है, लेकिन यह साझा मॉडल, त्रुटियों, जवाबदेही और सामान्यता के बारे में सवाल उठाता है।
एज कंप्यूटिंग की भूमिका
AI वर्कलोड डिवाइस, रेडियो साइट्स, रीजनल एजेस या बड़े क्लाउड्स में चल सकते हैं। प्लेसमेंट लेटेंसी, प्राइवेसी, पावर और कॉस्ट को बदल देता है। उपयोगकर्ता के करीब का मॉडल तेज़ी से प्रतिक्रिया दे सकता है और डेटा को स्थानीय रख सकता है, जबकि एक बड़ा सेंट्रलाइज्ड मॉडल अधिक क्षमता प्रदान कर सकता है।
एक भविष्य का नेटवर्क डायनामिक रूप से प्लेसमेंट चुन सकता है, लेकिन माइग्रेशन और वितरित निष्पादन ओवरहेड पैदा करते हैं। रेडियो स्थितियां वर्कलोड के मूव होने से अधिक तेज़ी से बदल सकती हैं। इसलिए आर्किटेक्चर को यथार्थवादी ऑर्केस्ट्रेशन, स्टेट मैनेजमेंट और सर्विस-लेवल ऑब्जेक्टिव्स की आवश्यकता होती है।
"जीरो लेटेंसी AI" के दावों को संदेह के साथ देखा जाना चाहिए। हर भौतिक और कंप्यूटेशनल पथ में डिले होता है। इंजीनियरिंग लक्ष्य कार्य के लिए उपयुक्त पूर्वानुमानित प्रदर्शन है।
डेटा नेटवर्क डिज़ाइन का हिस्सा है
मॉडल उस डेटा पर निर्भर करते हैं जो उन वातावरणों और उपयोगकर्ताओं का प्रतिनिधित्व करता है जिनमें वे संचालित होते हैं। नेटवर्क डेटा संवेदनशील हो सकता है: स्थान, गति, ट्रैफिक पैटर्न और डिवाइस व्यवहार व्यक्तिगत या परिचालन जानकारी प्रकट कर सकते हैं।
एक AI-नेटिव डिज़ाइन को संग्रह, मिनिमाइज़ेशन, एक्सेस, रिटेंशन, प्रोवेनेंस और गुणवत्ता के लिए नियमों की आवश्यकता होती है। फेडरेटेड या डिस्ट्रीब्यूटेड ट्रेनिंग कुछ डेटा मूवमेंट को कम कर सकती है, लेकिन यह स्वचालित रूप से प्राइवेसी, पॉइज़निंग या असमान प्रतिनिधित्व को हल नहीं करती है।
सिंथेटिक डेटा और सिमुलेशन तब उपयोगी होते हैं जब दुर्लभ घटनाओं को कैप्चर करना मुश्किल होता है। उन्हें वास्तविकता के विरुद्ध मान्य किया जाना चाहिए, क्योंकि एक सरलीकृत दुनिया पर प्रशिक्षित मॉडल फील्ड में आत्मविश्वास के साथ गलत हो सकता है।
सुरक्षा और प्रतिकूल व्यवहार
लर्निंग घटक नए अटैक सरफेस बनाते हैं। एक हमलावर ट्रेनिंग डेटा में हेरफेर कर सकता है, ऐसे इनपुट तैयार कर सकता है जो गलत निर्णयों को ट्रिगर करें, मॉडल चोरी कर सकता है या इसके आउटपुट से जानकारी निकाल सकता है। एक समझौता किया गया ऑप्टिमाइज़ेशन सिस्टम बिना किसी स्पष्ट आउटेज के सेवा को खराब कर सकता है।
इसलिए सुरक्षा कार्य में मॉडल इंटीग्रिटी, ऑथेंटिकेटेड अपडेट, प्रोटेक्टेड एक्जीक्यूशन, एनोमली डिटेक्शन और सेफ फॉलबैक शामिल हैं। नेटवर्क को पारंपरिक सुरक्षा की भी आवश्यकता है: पहचान, प्राधिकरण, आइसोलेशन, सॉफ्टवेयर सप्लाई-चेन कंट्रोल और इंसिडेंट रिस्पॉन्स।
एक मॉडल सुरक्षा-महत्वपूर्ण संचार के लिए एक एकमात्र अस्पष्ट नियंत्रण बिंदु नहीं बनना चाहिए। उच्च-प्रभाव वाले कार्यों के लिए लर्नड निर्णयों के आसपास डिटरमिनिस्टिक बाउंड्स या स्वतंत्र सत्यापन की आवश्यकता हो सकती है।
ऊर्जा और स्थिरता
AI क्षमता को ऑन और ऑफ करके, शेड्यूलिंग में सुधार करके या मांग के अनुसार संसाधनों का मिलान करके ऊर्जा कम कर सकता है। ट्रेनिंग और इन्फरेंस भी ऊर्जा की खपत करते हैं। शुद्ध प्रभाव सकारात्मक है या नहीं, यह मॉडल के आकार, हार्डवेयर, ड्यूटी साइकिल और प्राप्त बचत पर निर्भर करता है।
दक्षता को पूरे सिस्टम में मापा जाना चाहिए, जिसमें डेटा मूवमेंट और एक्सेलेरेटर्स शामिल हों। एक मॉडल जो रेडियो पावर बचाता है लेकिन कहीं और निरंतर कंप्यूट को बढ़ाता है, वह केवल लागत को स्थानांतरित कर सकता है।
स्थिरता IMT-2030 डिज़ाइन सिद्धांतों में से एक है। यह ऊर्जा लेखांकन (energy accounting) को केवल एक मार्केटिंग लाभ नहीं, बल्कि एक स्टैंडर्ड और डिप्लॉयमेंट चिंता बनाता है।
AI-नेटिव विचार स्टैंडर्ड्स में कैसे प्रवेश कर सकते हैं
स्टैंडर्ड्स ग्रुप्स यूज़ केसेस, रिक्वायरमेंट्स, इंटरफेस, डेटा एक्सपोज़र, लाइफसाइकिल प्रोसीजर्स और इवैल्यूएशन को परिभाषित कर सकते हैं। वे कुछ मॉडल्स को स्टैंडर्डाइज कर सकते हैं या इम्प्लीमेंटेशन को खुला छोड़ सकते हैं। संतुलन इंटरऑपरेबिलिटी, परिपक्वता और उद्योग को बहुत जल्दी किसी एक तकनीक में लॉक करने के जोखिम पर निर्भर करता है।
रिलीज़ 20 स्टडीज विकल्पों की तुलना करने की जगह प्रदान करती हैं, जबकि बाद के {normative} कार्य पर्याप्त सहमति के साथ तंत्र चुन सकते हैं। AI विषय केवल एक अलग फीचर बनने के बजाय रेडियो एक्सेस, सिस्टम आर्किटेक्चर, मैनेजमेंट और एप्लिकेशन्स तक फैले होंगे।
वर्जनिंग महत्वपूर्ण है। मॉडल्स, डेटा और हार्डवेयर पारंपरिक नेटवर्क रिलीज़ की तुलना में तेज़ी से विकसित होते हैं। स्टैंडर्ड्स को उन घटकों के आसपास स्थिर इंटरफेस की आवश्यकता हो सकती है जो अधिक बार अपडेट होते हैं।
यह शब्द क्या गारंटी नहीं देता
- यह गारंटी नहीं देता कि नेटवर्क ऑटोनॉमस या त्रुटि-मुक्त है।
- इसका मतलब यह नहीं है कि हर प्रोटोकॉल को न्यूरल नेटवर्क द्वारा बदल दिया गया है।
- यह पूर्ण माप के बिना कम ऊर्जा उपयोग को साबित नहीं करता है।
- यह इंटरऑपरेबल स्पेसिफिकेशन की आवश्यकता को समाप्त नहीं करता है।
- यह अपने आप प्राइवेसी, सुरक्षा या जवाबदेही का समाधान नहीं करता है।
- यह एक रिसर्च प्रोटोटाइप को कमर्शियल 6G सर्विस नहीं बनाता है।
AI-नेटिव दावे का मूल्यांकन करने के लिए प्रश्न
पूछें कि कौन सा फंक्शन AI का उपयोग करता है, इन्फरेंस कहाँ चलता है, किस डेटा ने मॉडल को ट्रेन किया, प्रदर्शन का मूल्यांकन कैसे किया गया और ट्रेनिंग डिस्ट्रीब्यूशन के बाहर क्या होता है। केवल एक अन-ऑप्टिमाइज़्ड रेफरेंस के बजाय मजबूत पारंपरिक बेसलाइन्स के साथ तुलना देखें।
ऑपरेशनल दावों के लिए, पूछें कि कार्यों को कैसे प्रतिबंधित, ऑब्जर्व और रोलबैक किया जाता है। प्राइवेसी दावों के लिए, पहचान करें कि कौन सा डेटा डिवाइस से बाहर जाता है। ऊर्जा दावों के लिए, एक्सेलेरेटर्स और डेटा मूवमेंट को शामिल करें। स्टैंडर्ड्स दावों के लिए, विशिष्ट स्टडी आइटम, वर्क आइटम या स्पेसिफिकेशन का उल्लेख करें।
AI-नेटिव विचार महत्वपूर्ण है क्योंकि यह मोबाइल इकोसिस्टम को इंटेलिजेंस, कंप्यूट और एश्योरेंस को एक साथ डिज़ाइन करने के लिए मजबूर करता है। इसका मूल्य सटीक इंजीनियरिंग से आएगा, न कि हर ऑटोमेशन फीचर पर लेबल लगाने से।
गवर्नेंस, प्रोक्योरमेंट और ऑपरेशनल प्रमाण
एक AI-नेटिव डिज़ाइन केवल ऑप्टिमाइज़ेशन एल्गोरिदम के चयन से अधिक बदलता है। ऑपरेटर्स को यह जानने की ज़रूरत है कि मॉडल में कौन सा डेटा प्रवेश करता है, वह डेटा कहाँ संग्रहीत है, कौन मॉडल को अपडेट कर सकता है और विफलता के बाद निर्णय की जांच कैसे की जा सकती है। एक मॉडल जो औसत नेटवर्क प्रदर्शन में सुधार करता है, फिर भी अनुपयुक्त हो सकता है यदि दुर्लभ त्रुटियां आपातकालीन संचार को बाधित करती हैं, ग्राहकों के बीच आइसोलेशन को कमजोर करती हैं या अप्रत्याशित हैंडओवर बनाती हैं।
इसलिए प्रोक्योरमेंट के लिए मापने योग्य दायित्वों की आवश्यकता होती है। एक सप्लायर को समर्थित मॉडल वर्जन्स, कंप्यूट और मेमोरी रिक्वायरमेंट्स, रोलबैक प्रोसीजर्स, सुरक्षा सीमाओं और ड्रिफ्ट का पता लगाने के लिए उपयोग किए जाने वाले मेट्रिक्स का वर्णन करना चाहिए। खरीदारों को यह स्पष्टता भी चाहिए कि ट्रेनिंग डिवाइस में, एज साइट पर, ऑपरेटर क्लाउड में या किसी तीसरे पक्ष के माध्यम से होती है। प्रत्येक प्लेसमेंट लेटेंसी, ऊर्जा, प्राइवेसी और लचीलेपन को बदल देता है।
ऑपरेशनल प्रमाण में एक सफल प्रदर्शन से अधिक शामिल होना चाहिए। उपयोगी ट्रायल बेसलाइन, ट्रैफिक मिक्स, रेडियो कंडीशंस, ऑब्जर्वेशन पीरियड और फेलियर केसेस की रिपोर्ट करते हैं। वे फीचर्स को इकट्ठा करने और इन्फरेंस चलाने की लागत के साथ-साथ प्रदर्शन लाभ को मापते हैं। वे यह भी परीक्षण करते हैं कि जब इनपुट गायब हों, प्रतिकूल हों या ट्रेनिंग डिस्ट्रीब्यूशन के बाहर हों तो क्या होता है। जब विश्वास कम हो तो सिस्टम को एक सुरक्षित, समझने योग्य व्यवहार पर फॉलबैक करना चाहिए।
स्टैंडर्ड्स इंटरफेस, लाइफसाइकिल स्टेट्स, डेटा डिस्क्रिप्शन और क्षमताओं की रिपोर्ट करने के तरीकों को परिभाषित करके मदद कर सकते हैं। वे मॉडल आर्किटेक्चर और ट्रेनिंग मेथड्स को इम्प्लीमेंटेशन के लिए खुला छोड़ सकते हैं। वह संतुलन नवाचार की अनुमति देता है जबकि स्वतंत्र प्रणालियों को समन्वित होने और परीक्षण किए जाने के लिए पर्याप्त साझा अर्थ प्रदान करता है।
सार्वजनिक दावों के लिए, सबसे अच्छा सवाल यह नहीं है कि क्या नेटवर्क "AI का उपयोग करता है।" बल्कि यह है कि मॉडल किस फंक्शन को नियंत्रित करता है, कौन सा प्रमाण सुधार दिखाता है और कौन से सुरक्षा उपाय गलत निर्णय के परिणाम को सीमित करते हैं। इन सवालों के जवाब एक उपयोगी इंजीनियरिंग परिणाम को एक व्यापक ब्रांडिंग लेबल से अलग करते हैं।
स्रोत और आगे पढ़ें
अंतिम समीक्षा: 12 सितंबर, 2026। स्टैंडर्ड्स और रिसर्च प्रोग्राम बदलते रहते हैं; नवीनतम औपचारिक स्थिति के लिए लिंक किए गए प्राथमिक स्रोतों का पालन करें।