เครือข่าย 6G แบบ AI-native คือวิสัยทัศน์ในการออกแบบที่ระบบการเรียนรู้ถูกกำหนดให้เป็นส่วนพื้นฐานของการสื่อสารและการดำเนินงานของเครือข่าย แทนที่จะเป็นเพียงเครื่องมือเสริมที่เพิ่มเข้ามาหลังจากสร้างเครือข่ายเสร็จสิ้น คำนี้ไม่ใช่สถาปัตยกรรมที่เสร็จสมบูรณ์เพียงหนึ่งเดียว และไม่ควรนำมาใช้เป็นหลักฐานว่าการตัดสินใจด้านวิทยุในอนาคตทุกอย่างจะถูกดำเนินการโดยโมเดลที่คลุมเครือ
จาก AI-assisted สู่ AI-native
เครือข่ายมือถือมีการใช้งานการวิเคราะห์และการเรียนรู้ของเครื่อง (Machine Learning) อยู่แล้ว ผู้ให้บริการใช้เพื่อพยากรณ์ความต้องการ ตรวจสอบความผิดปกติ ปรับแต่งพารามิเตอร์ และดำเนินการบำรุงรักษาโดยอัตโนมัติ อุปกรณ์ต่างๆ ใช้โมเดลที่เรียนรู้มาเพื่อการถ่ายภาพ เสียง และงานที่เกี่ยวข้องกับวิทยุ การใช้งานเหล่านี้เรียกว่า AI-assisted ซึ่งเป็นการปรับปรุงฟังก์ชันบางส่วนรอบๆ สถาปัตยกรรมที่มีอยู่เดิม
ข้อเสนอแบบ AI-native ตั้งคำถามที่ลึกซึ้งกว่านั้น หากการเรียนรู้จะมีอิทธิพลต่อหลายเลเยอร์ เครือข่ายควรเปิดเผยข้อมูล การจัดการวงจรชีวิต อินเทอร์เฟซของโมเดล ทรัพยากรการคำนวณ และกลไกการรับประกันตั้งแต่เริ่มต้นหรือไม่? ฟังก์ชันวิทยุบางอย่างสามารถเรียนรู้ร่วมกันได้ แทนที่จะออกแบบเป็นอัลกอริทึมที่ตายตัวหรือไม่? ระบบจะสามารถปรับตัวให้เข้ากับสภาพแวดล้อม การรับส่งข้อมูล และเป้าหมายของแอปพลิเคชันได้รวดเร็วกว่าเดิมหรือไม่?
ไม่มีเกณฑ์วัดเพียงหนึ่งเดียวที่จะระบุว่าเครือข่ายกลายเป็น AI-native คำอธิบายที่มีประโยชน์คือการระบุฟังก์ชัน กระบวนการฝึกฝน ตำแหน่งของการประมวลผล (Inference) ข้อมูล และพฤติกรรมการทำงานสำรอง แทนที่จะพึ่งพาเพียงแค่ชื่อเรียก
บทบาทที่เป็นไปได้ในอินเทอร์เฟซวิทยุ
นักวิจัยกำลังศึกษาการเรียนรู้ของเครื่องสำหรับการประมาณค่าช่องสัญญาณ (Channel Estimation), การจัดการบีม (Beam Management), การระบุตำแหน่ง, การเข้ารหัส, การเพิ่มประสิทธิภาพของรูปคลื่น (Waveform Optimization) และการจัดสรรทรัพยากร งานบางส่วนเป็นการแทนที่ส่วนประกอบที่จำกัด ส่วนงานอื่นๆ พิจารณาการสื่อสารแบบเรียนรู้ตั้งแต่ต้นจนจบ (End-to-End) ภายใต้เป้าหมายที่กำหนด
ส่วนประกอบที่ผ่านการเรียนรู้อาจทำงานได้ดีภายใต้เงื่อนไขที่มีอยู่ในข้อมูลการฝึกฝนและการประเมินผล อย่างไรก็ตาม สภาพแวดล้อมไร้สายมีความหลากหลาย ดังนั้นความทนทานนอกเหนือจากเงื่อนไขเหล่านั้นจึงเป็นปัญหาสำคัญ การเคลื่อนที่ ฮาร์ดแวร์ของอุปกรณ์รุ่นใหม่ การรบกวนที่ผิดปกติ และข้อมูลนำเข้าที่มุ่งร้าย สามารถทำให้การกระจายตัวของข้อมูลเปลี่ยนแปลงไป
มาตรฐานจะต้องตัดสินว่าจุดใดคือจุดสิ้นสุดของการทำงานร่วมกัน (Interoperability) และจุดใดคือจุดเริ่มต้นของอิสระในการนำไปใช้งาน ผู้ให้บริการสองรายสามารถทำงานร่วมกันได้เมื่ออินเทอร์เฟซและพฤติกรรมถูกกำหนดไว้ แม้ว่าอัลกอริทึมภายในจะแตกต่างกัน โมเดลที่ส่งผลต่อพฤติกรรมการส่งสัญญาณอาจต้องการข้อจำกัดที่ชัดเจนขึ้น ขั้นตอนการทดสอบ หรือตัวแทนข้อมูลร่วมกัน
การดำเนินงานของเครือข่ายและระบบอัตโนมัติ
AI สามารถช่วยเครือข่ายในการคาดการณ์ความแออัด จัดสรรทรัพยากร ระบุข้อผิดพลาด เพิ่มประสิทธิภาพพลังงาน และประสานงานโดเมนวิทยุหรือการคำนวณหลายโดเมน กรณีการใช้งานที่มีประสิทธิภาพที่สุดคือการรวมเอาผลลัพธ์จากโมเดลเข้ากับนโยบาย ความสามารถในการสังเกตการณ์ และการควบคุมโดยมนุษย์
ระบบอัตโนมัติมีค่าเพราะระบบในอนาคตอาจมีแถบความถี่ โหนด ข้อกำหนดด้านบริการ และตำแหน่งการคำนวณ มากเกินกว่าที่ทีมงานจะปรับแต่งได้ด้วยตนเอง แต่ความซับซ้อนของระบบอัตโนมัติอาจทำให้ความล้มเหลวแพร่กระจายได้เร็วขึ้น ผู้ให้บริการจึงต้องการขอบเขต การย้อนกลับ (Rollback) การตรวจสอบ และวิธีการอธิบายว่าทำไมจึงมีการดำเนินการที่มีผลกระทบสูง
ความแม่นยำของโมเดลไม่ใช่ตัวชี้วัดเดียว ความล่าช้าในการประมวลผล (Inference delay) ต้นทุนการคำนวณ การใช้พลังงาน ความถี่ในการอัปเดต และผลกระทบจากข้อผิดพลาด ควรถูกนำมาพิจารณาในการประเมินทางวิศวกรรม
AI เพื่อการสื่อสาร และการสื่อสารเพื่อ AI
กรอบการทำงาน IMT-2030 ของ ITU รวมถึง "ปัญญาประดิษฐ์และการสื่อสาร" เป็นหนึ่งในสถานการณ์การใช้งาน ซึ่งครอบคลุมสองทิศทาง คือ AI อาจปรับปรุงฟังก์ชันของเครือข่าย และระบบการสื่อสารอาจรองรับแอปพลิเคชัน AI แบบกระจายตัว
อุปกรณ์และเครื่องจักรในอนาคตอาจมีการแลกเปลี่ยนการอัปเดตโมเดล ข้อมูลเซ็นเซอร์ Prompt, Embedding หรือผลลัพธ์ของงาน รูปแบบการรับส่งข้อมูลเหล่านี้อาจเน้นการส่งขึ้น (Uplink) มากกว่า มีลักษณะเป็นช่วงๆ (Bursty) หรือไวต่อความหน่วงมากกว่าการบริโภคสื่อแบบดั้งเดิม เครือข่ายอาจจำเป็นต้องประสานงานการเชื่อมต่อและการจัดวางตำแหน่งการคำนวณ
การวิจัยด้านการสื่อสารเชิงความหมาย (Semantic Communication) ก้าวไปไกลกว่านั้น โดยตั้งคำถามว่าระบบสามารถส่ง "ความหมาย" ที่เกี่ยวข้องกับงาน แทนที่จะสร้างบิตข้อมูลทุกตัวขึ้นมาใหม่ตามวิธีเดิมได้หรือไม่ สิ่งนี้มีความหวังสำหรับงานบางประเภท แต่ก็นำมาซึ่งคำถามเกี่ยวกับโมเดลร่วม ข้อผิดพลาด ความรับผิดชอบ และความสามารถในการใช้งานทั่วไป
บทบาทของการคำนวณที่ขอบเครือข่าย (Edge Computing)
เวิร์กโหลดของ AI สามารถรันได้ในอุปกรณ์ สถานีวิทยุ ขอบเครือข่ายระดับภูมิภาค หรือคลาวด์ขนาดใหญ่ การจัดวางตำแหน่งส่งผลต่อความหน่วง ความเป็นส่วนตัว พลังงาน และต้นทุน โมเดลที่อยู่ใกล้ผู้ใช้จะตอบสนองได้รวดเร็วและเก็บข้อมูลไว้ในท้องถิ่น ในขณะที่โมเดลแบบรวมศูนย์ขนาดใหญ่อาจมีความสามารถมากกว่า
เครือข่ายในอนาคตอาจเลือกตำแหน่งการจัดวางแบบไดนามิก แต่การย้ายข้อมูลและการประมวลผลแบบกระจายจะทำให้เกิดค่าใช้จ่ายส่วนเกิน (Overhead) สภาพวิทยุอาจเปลี่ยนแปลงเร็วกว่าการเคลื่อนย้ายเวิร์กโหลด ดังนั้นสถาปัตยกรรมจึงต้องการการประสานงาน (Orchestration) การจัดการสถานะ และวัตถุประสงค์ระดับบริการ (SLO) ที่ใช้งานได้จริง
คำกล่าวอ้างเกี่ยวกับ "AI ที่มีความหน่วงเป็นศูนย์" ควรได้รับการพิจารณาอย่างระมัดระวัง เพราะทุกเส้นทางทางกายภาพและการคำนวณมีความล่าช้า เป้าหมายทางวิศวกรรมคือประสิทธิภาพที่คาดการณ์ได้และเหมาะสมกับงานนั้นๆ
ข้อมูลคือส่วนหนึ่งของการออกแบบเครือข่าย
โมเดลขึ้นอยู่กับข้อมูลที่เป็นตัวแทนของสภาพแวดล้อมและผู้ใช้ที่ใช้งาน ข้อมูลเครือข่ายอาจมีความละเอียดอ่อน เช่น ตำแหน่ง การเคลื่อนที่ รูปแบบการรับส่งข้อมูล และพฤติกรรมของอุปกรณ์ ซึ่งอาจเปิดเผยข้อมูลส่วนบุคคลหรือข้อมูลการดำเนินงาน
การออกแบบแบบ AI-native ต้องการกฎเกณฑ์สำหรับการเก็บรวบรวม การลดข้อมูลให้น้อยที่สุด การเข้าถึง การเก็บรักษา แหล่งที่มา และคุณภาพ การฝึกฝนแบบ Federated หรือแบบกระจายตัวสามารถลดการเคลื่อนย้ายข้อมูลได้บางส่วน แต่ไม่ได้แก้ปัญหาความเป็นส่วนตัว การป้อนข้อมูลปลอม (Poisoning) หรือการเป็นตัวแทนที่ไม่เท่าเทียมโดยอัตโนมัติ
ข้อมูลสังเคราะห์และการจำลองมีประโยชน์เมื่อเหตุการณ์ที่เกิดขึ้นได้ยากนั้นจับภาพได้ยาก แต่ต้องได้รับการตรวจสอบกับความเป็นจริง เพราะโมเดลที่ฝึกฝนในโลกที่ถูกทำให้เรียบง่ายอาจเกิดข้อผิดพลาดอย่างมั่นใจเมื่อนำไปใช้จริงในพื้นที่
ความปลอดภัยและพฤติกรรมที่มุ่งร้าย
ส่วนประกอบการเรียนรู้สร้างช่องโหว่ในการโจมตีรูปแบบใหม่ ผู้โจมตีอาจบิดเบือนข้อมูลการฝึกฝน สร้างข้อมูลนำเข้าที่กระตุ้นให้เกิดการตัดสินใจที่ผิดพลาด ขโมยโมเดล หรืออนุมานข้อมูลจากผลลัพธ์ ระบบการเพิ่มประสิทธิภาพที่ถูกแทรกแซงอาจทำให้บริการแย่ลงโดยไม่มีการหยุดชะงักที่ชัดเจน
งานด้านความปลอดภัยจึงรวมถึงความสมบูรณ์ของโมเดล การอัปเดตที่ได้รับการรับรอง การประมวลผลที่ได้รับการปกป้อง การตรวจจับความผิดปกติ และการทำงานสำรองที่ปลอดภัย เครือข่ายยังต้องการความปลอดภัยแบบดั้งเดิม ได้แก่ อัตลักษณ์ การอนุญาต การแยกส่วน การควบคุมซัพพลายเชนซอฟต์แวร์ และการตอบสนองต่อเหตุการณ์
โมเดลไม่ควรกลายเป็นจุดควบคุมเดียวที่ไม่อธิบายได้สำหรับการสื่อสารที่วิกฤตต่อความปลอดภัย ฟังก์ชันที่มีผลกระทบสูงอาจต้องการขอบเขตที่แน่นอน (Deterministic bounds) หรือการตรวจสอบอิสระเกี่ยวกับการตัดสินใจที่เกิดจากการเรียนรู้
พลังงานและความยั่งยืน
AI สามารถลดพลังงานได้โดยการเปิด-ปิดความจุ ปรับปรุงการจัดตารางเวลา หรือจับคู่ทรัพยากรให้ตรงกับความต้องการ อย่างไรก็ตาม การฝึกฝนและการประมวลผลก็ใช้พลังงานเช่นกัน ผลลัพธ์สุทธิจะเป็นบวกหรือไม่นั้นขึ้นอยู่กับขนาดของโมเดล ฮาร์ดแวร์ รอบการทำงาน และการประหยัดที่ได้รับ
ประสิทธิภาพควรถูกวัดครอบคลุมทั้งระบบ รวมถึงการเคลื่อนย้ายข้อมูลและตัวเร่งความเร็ว (Accelerators) โมเดลที่ประหยัดพลังงานวิทยุแต่เพิ่มการคำนวณต่อเนื่องในส่วนอื่น อาจเป็นเพียงการย้ายต้นทุนไปไว้ที่อื่นเท่านั้น
ความยั่งยืนเป็นหนึ่งในหลักการออกแบบของ IMT-2030 ทำให้การบัญชีพลังงานเป็นเรื่องของมาตรฐานและการปรับใช้ ไม่ใช่เพียงแค่ประโยชน์ทางการตลาด
แนวคิด AI-native จะเข้าสู่มาตรฐานได้อย่างไร
กลุ่มมาตรฐานสามารถกำหนดกรณีการใช้งาน ข้อกำหนด อินเทอร์เฟซ การเปิดเผยข้อมูล ขั้นตอนวงจรชีวิต และการประเมินผล พวกเขาอาจกำหนดมาตรฐานสำหรับบางโมเดลหรือเปิดอิสระในการนำไปใช้งาน ความสมดุลขึ้นอยู่กับการทำงานร่วมกัน ความพร้อมของเทคโนโลยี และความเสี่ยงที่จะทำให้อุตสาหกรรมผูกติดกับเทคนิคใดเทคนิคหนึ่งเร็วเกินไป
การศึกษาใน Release 20 ให้พื้นที่ในการเปรียบเทียบทางเลือก ในขณะที่งานกำหนดบรรทัดฐานในภายหลังสามารถเลือกกลไกที่มีความเห็นพ้องเพียงพอ หัวข้อ AI จะครอบคลุมทั้งการเข้าถึงวิทยุ สถาปัตยกรรมระบบ การจัดการ และแอปพลิเคชัน แทนที่จะเป็นเพียงฟีเจอร์เดียวที่แยกส่วนออกมา
การกำหนดเวอร์ชัน (Versioning) เป็นเรื่องสำคัญ โมเดล ข้อมูล และฮาร์ดแวร์วิวัฒนาการเร็วกว่าการปล่อยเครือข่ายแบบดั้งเดิม มาตรฐานอาจต้องการอินเทอร์เฟซที่เสถียรรอบๆ ส่วนประกอบที่มีการอัปเดตบ่อยกว่า
สิ่งที่คำนี้ไม่ได้การันตี
- ไม่ได้การันตีว่าเครือข่ายจะทำงานได้โดยอัตโนมัติหรือปราศจากข้อผิดพลาด
- ไม่ได้หมายความว่าทุกโปรโตคอลจะถูกแทนที่ด้วยโครงข่ายประสาทเทียม (Neural Network)
- ไม่ได้พิสูจน์ว่ามีการใช้พลังงานลดลงโดยไม่มีการวัดผลอย่างครบถ้วน
- ไม่ได้กำจัดความจำเป็นสำหรับข้อกำหนดการทำงานร่วมกัน
- ไม่ได้แก้ไขปัญหาความเป็นส่วนตัว ความปลอดภัย หรือความรับผิดชอบได้ด้วยตัวเอง
- ไม่ได้เปลี่ยนตัวต้นแบบงานวิจัยให้กลายเป็นบริการ 6G เชิงพาณิชย์
คำถามสำหรับประเมินคำกล่าวอ้างเรื่อง AI-native
ให้ถามว่าฟังก์ชันใดใช้ AI, การประมวลผลรันที่ไหน, ข้อมูลใดถูกใช้ฝึกโมเดล, ประเมินประสิทธิภาพอย่างไร และจะเกิดอะไรขึ้นหากข้อมูลอยู่นอกเหนือขอบเขตการฝึกฝน มองหาการเปรียบเทียบกับเกณฑ์มาตรฐานแบบดั้งเดิมที่แข็งแกร่ง ไม่ใช่เพียงแค่ตัวอ้างอิงที่ไม่ได้ปรับแต่ง
สำหรับคำกล่าวอ้างด้านการดำเนินงาน ให้ถามว่าการดำเนินการถูกจำกัด สังเกต และย้อนกลับอย่างไร สำหรับคำกล่าวอ้างด้านความเป็นส่วนตัว ให้ระบุว่าข้อมูลใดออกจากอุปกรณ์ สำหรับคำกล่าวอ้างด้านพลังงาน ให้รวมตัวเร่งความเร็วและการเคลื่อนย้ายข้อมูล สำหรับคำกล่าวอ้างด้านมาตรฐาน ให้ระบุรายการศึกษา (Study item) รายการงาน (Work item) หรือข้อกำหนดเฉพาะ
แนวคิด AI-native มีความสำคัญเพราะมันบีบให้ระบบนิเวศมือถือต้องออกแบบความฉลาด การคำนวณ และการรับประกันร่วมกัน คุณค่าของมันจะมาจากวิศวกรรมที่แม่นยำ ไม่ใช่จากการนำชื่อนี้ไปแปะไว้กับทุกฟีเจอร์อัตโนมัติ
การกำกับดูแล การจัดซื้อ และหลักฐานการดำเนินงาน
การออกแบบ AI-native เปลี่ยนแปลงมากกว่าแค่การเลือกอัลกอริทึมการเพิ่มประสิทธิภาพ ผู้ให้บริการจำเป็นต้องทราบว่าข้อมูลใดเข้าสู่โมเดล ข้อมูลนั้นถูกเก็บไว้ที่ไหน ใครสามารถอัปเดตโมเดลได้ และจะตรวจสอบการตัดสินใจได้อย่างไรหลังเกิดความล้มเหลว โมเดลที่ปรับปรุงประสิทธิภาพเครือข่ายโดยเฉลี่ยอาจยังไม่เหมาะสม หากข้อผิดพลาดที่เกิดขึ้นได้ยากส่งผลกระทบต่อการสื่อสารฉุกเฉิน ทำให้การแยกส่วนระหว่างลูกค้าย่่อนลง หรือทำให้การส่งต่อสัญญาณ (Handover) ไม่สามารถคาดการณ์ได้
ดังนั้น การจัดซื้อจึงต้องการข้อผูกพันที่วัดผลได้ ผู้จัดจำหน่ายควรระบุเวอร์ชันของโมเดลที่รองรับ ข้อกำหนดด้านการคำนวณและหน่วยความจำ ขั้นตอนการย้อนกลับ ขอบเขตความปลอดภัย และตัวชี้วัดที่ใช้ตรวจจับการเบี่ยงเบน (Drift) ผู้ซื้อยังต้องการความชัดเจนว่าการฝึกฝนเกิดขึ้นในอุปกรณ์ ที่ขอบเครือข่าย ในคลาวด์ของผู้ให้บริการ หรือผ่านบุคคลที่สาม ซึ่งแต่ละตำแหน่งจะเปลี่ยนความหน่วง พลังงาน ความเป็นส่วนตัว และความยืดหยุ่น
หลักฐานการดำเนินงานควรมีมากกว่าแค่การสาธิตที่ประสบความสำเร็จ การทดลองที่มีประโยชน์ควรรายงานเกณฑ์มาตรฐาน ส่วนผสมของการรับส่งข้อมูล สภาพวิทยุ ระยะเวลาการสังเกต และกรณีความล้มเหลว มีการวัดต้นทุนของการเก็บรวบรวมฟีเจอร์และการประมวลผล รวมถึงผลกำไรด้านประสิทธิภาพ และต้องทดสอบว่าเกิดอะไรขึ้นเมื่อข้อมูลนำเข้าขาดหายไป ถูกโจมตี หรืออยู่นอกเหนือการฝึกฝน ระบบควรย้อนกลับไปสู่พฤติกรรมที่ปลอดภัยและเข้าใจได้เมื่อความเชื่อมั่นต่ำ
มาตรฐานสามารถช่วยได้โดยการกำหนดอินเทอร์เฟซ สถานะวงจรชีวิต คำอธิบายข้อมูล และวิธีการรายงานความสามารถ โดยอาจเปิดอิสระในเรื่องสถาปัตยกรรมโมเดลและวิธีการฝึกฝน ความสมดุลนี้ช่วยให้เกิดนวัตกรรมในขณะที่ระบบที่เป็นอิสระต่อกันยังมีความหมายร่วมกันเพียงพอที่จะประสานงานและทดสอบได้
สำหรับการกล่าวอ้างต่อสาธารณะ คำถามที่ดีที่สุดไม่ใช่ว่าเครือข่าย "ใช้ AI หรือไม่" แต่คือโมเดลควบคุมฟังก์ชันใด หลักฐานใดที่แสดงถึงการปรับปรุง และมีมาตรการป้องกันใดที่จำกัดผลกระทบจากการตัดสินใจที่ผิดพลาด คำตอบสำหรับคำถามเหล่านี้คือสิ่งที่แยกผลลัพธ์ทางวิศวกรรมที่มีประโยชน์ออกจากป้ายชื่อทางการตลาดที่กว้างขวาง
แหล่งที่มาและการอ่านเพิ่มเติม
ตรวจสอบล่าสุด: 12 กันยายน 2026 มาตรฐานและโปรแกรมการวิจัยมีการเปลี่ยนแปลง โปรดติดตามแหล่งที่มาหลักตามลิงก์เพื่อดูสถานะทางการล่าสุด