AI-native 6G 網路係一種設計願景，將學習系統視為通訊與網路運作的基礎組成部分，而非在網路建成後才添加的選擇性工具。此術語並非指一種完成的架構，且不應被視為未來所有無線電決策都將由不透明模型做出的證據。
從 AI 輔助到 AI-native
行動網路已經在使用分析與機器學習。營運商預測需求、偵測異常、優化參數並自動化維護。設備使用學習模型進行攝影、語音及無線電相關任務。這些用途屬於 AI 輔助：它們在既有架構 around 改善選定的功能。
AI-native 的提案提出了一個更深層的問題。如果學習將影響許多層級，網路是否應從一開始就提供數據、生命週期管理、模型介面、計算資源與保障機制？特定的無線電功能是否可以共同學習，而非設計為固定算法？系統是否能更快速地適應環境、流量與應用目標？
網路變成 AI-native 並沒有單一的門檻。一個有用的描述應識別功能、訓練過程、推論位置、數據與回退行為，而非僅依賴標籤。
無線電介面中的可能角色
研究人員正在研究用於信道估計、波束管理、定位、編碼、波形優化與資源調度的機器學習。部分工作取代了有限的組件；其他工作則在定義的目標下考慮端到端的學習通訊。
學習組件在訓練與評估數據所代表的條件下可以表現良好。無線環境具有多樣性，因此在這些條件之外的魯棒性（robustness）是一個核心問題。移動性、新設備硬體、異常干擾與對抗性輸入都可能改變數據分佈。
標準必須決定互操作性（interoperability）在何處結束，以及實現自由在何處開始。當介面與行為被定義時，即使內部算法不同，兩個供應商也可以互操作。影響傳輸行為的模型可能需要更明確的約束、測試程序或共享表示。
網路運作與自動化
AI 可以幫助網路預測擁塞、分配資源、識別故障、優化能源並協調多個無線電或計算域。最強的運作案例將模型輸出與策略、可觀測性及人工控制相結合。
自動化具有價值，因為未來系統可能擁有比團隊手動調整能力更多的頻段、節點、服務需求與計算位置。但自動化的複雜性也可能使故障傳播得更快。營運商需要限制、回滾、監控以及解釋為何採取高影響行動的方法。
模型的準確率並非唯一指標。推論延遲、計算成本、能源消耗、更新頻率以及錯誤的後果應納入工程評估。
AI 用於通訊，通訊用於 AI
ITU 的 IMT-2030 框架將「人工智慧與通訊」列為一種使用場景。這個短語涵蓋兩個方向：AI 可改善網路功能，而通訊系統可支持分佈式 AI 應用。
未來的設備與機器可能會交換模型更新、傳感器數據、提示詞（prompts）、嵌入（embeddings）或任務結果。這些流量模式可能比傳統媒體消費更偏向上行、更具突發性或對延遲更敏感。網路可能需要協調連接性與計算部署位置。
語義通訊（Semantic communication）研究更進一步，探討系統是否能傳輸與任務相關的含義，而非以傳統方式重建每個位元。這對於選定任務很有前景，但它引發了關於共享模型、錯誤、問責制與通用性的問題。
邊緣計算的角色
AI 工作負載可以在設備、無線電站點、區域邊緣或大型雲端中運行。部署位置會改變延遲、隱私、電力與成本。靠近用戶的模型可以快速響應並保持數據本地化，而較大的集中式模型則可提供更多能力。
未來網路可以動態選擇部署位置，但遷移與分佈式執行會引入額外開銷。無線電條件的變化速度可能快於工作負載的移動速度。因此，架構需要現實的編排、狀態管理與服務水平目標（SLO）。
對於「零延遲 AI」的說法應持懷疑態度。每個物理與計算路徑都有延遲。工程目標是實現與任務相符的可預測性能。
數據是網路設計的一部分
模型依賴於代表其運作環境與用戶的數據。網路數據可能很敏感：位置、移動、流量模式與設備行為可能會洩露個人或運作資訊。
AI-native 設計需要關於收集、最小化、訪問、保留、溯源與質量的規則。聯邦學習（Federated learning）或分佈式訓練可以減少部分數據移動，但不能自動解決隱私、中毒（poisoning）或代表性不足的問題。
當稀有事件難以捕捉時，合成數據與模擬非常有用。它們必須經過現實驗證，因為在簡化世界中訓練的模型在實際應用中可能會自信地出錯。
安全與對抗性行為
學習組件創造了新的攻擊面。對手可能會操縱訓練數據、設計觸發錯誤決策的輸入、竊取模型或從其輸出中推斷資訊。受損的優化系統可能會在不產生明顯中斷的情況下降低服務質量。
因此，安全工作包括模型完整性、經過認證的更新、受保護的執行、異常偵測與安全回退。網路還需要傳統安全措施：身份識別、授權、隔離、軟體供應鏈控制與事件響應。
模型不應成為安全至關重要通訊中單一且無法解釋的控制點。高影響功能可能需要確定性的邊界或圍繞學習決策的獨立驗證。
能源與永續性
AI 可以通過開啟和關閉容量、改善調度或將資源與需求匹配來降低能耗。訓練與推論同樣消耗能源。淨效應是否為正取決於模型大小、硬體、工作週期及實現的節能效果。
效率應在整個系統中衡量，包括數據移動與加速器。一個在增加其他地方持續計算而節省無線電電力的模型，可能只是轉移了成本。
永續性是 IMT-2030 的設計原則之一。這使得能源核算成為標準與部署的考量，而非僅僅是營銷優勢。
AI-native 概念如何進入標準
標準組織可以定義用例、要求、介面、數據暴露、生命週期程序與評估。他們可能會將某些模型標準化，或將實現保持開放。平衡點取決於互操作性、成熟度以及過早將行業鎖定在某種技術中的風險。
Release 20 研究為比較選項提供了空間，而隨後的規範性工作可以在達成充分共識後選擇機制。AI 主題將跨越無線電接入、系統架構、管理與應用，而非形成一個孤立的功能。
版本控制至關重要。模型、數據與硬體的演進速度快於傳統網路發布。標準可能需要在更新更頻繁的組件周圍建立穩定的介面。
該術語不保證的事項
- 它不保證網路是自主的或無誤的。
- 它並不意味著每個協議都被神經網路取代。
- 在沒有全面衡量的情況下，它不能證明能源使用量較低。
- 它不消除對互操作規範的需求。
- 它本身不能解決隱私、安全或問責問題。
- 它不能將研究原型直接變成商業 6G 服務。
評估 AI-native 主張的問題
詢問哪些功能使用了 AI，推論在何處運行，什麼數據訓練了模型，性能如何評估，以及在訓練分佈之外會發生什麼。尋找與強大的傳統基準（baselines）的對比，而非僅僅是一個未優化的參考項。
對於運作主張，詢問行動如何受限、被觀測及回滾。對於隱私主張，識別哪些數據離開了設備。對於能源主張，將加速器與數據移動納入其中。對於標準主張，引用具體的研究項目（study item）、工作項目（work item）或規範。
AI-native 的概念很重要，因為它迫使行動生態系統將智能、計算與保障共同設計。其價值將來自精確的工程，而非將標籤貼在每個自動化功能上。
治理、採購與運作證據
AI-native 設計改變的不僅是優化算法的選擇。營運商需要知道哪些數據進入模型、數據存儲在何處、誰可以更新模型，以及故障後如何調查決策。一個提高平均網路性能的模型，如果稀有錯誤會中斷緊急通訊、削弱客戶間的隔離或導致不可預測的切換，則仍可能不適用。
因此，採購需要可衡量的義務。供應商應描述支持的模型版本、計算與記憶體要求、回滾程序、安全邊界以及用於偵測漂移（drift）的指標。買家還需要明確訓練是發生在設備中、邊緣站點、營運商雲端還是通過第三方。每個位置都會改變延遲、能源、隱私與韌性。
運作證據應不僅僅是一個成功的演示。有用的試驗應報告基準、流量組合、無線電條件、觀察期與故障案例。它們衡量收集特徵與運行推論的成本以及性能增益。它們還測試輸入缺失、對抗性或在訓練分佈之外時會發生什麼。當置信度較低時，系統應回退到安全且可理解的行為。
標準可以通過定義介面、生命週期狀態、數據描述以及報告能力的方式提供幫助。他們可能會將模型架構與訓練方法留給實現端。這種平衡在允許創新的同時，賦予獨立系統足夠的共享含義以進行協調與測試。
對於公開主張，最好的問題不是網路是否「使用 AI」，而是模型控制哪些功能，什麼證據顯示有所改善，以及什麼保障限制了錯誤決策的後果。這些問題的答案將有用的工程結果與廣泛的品牌標籤區分開來。
來源與延伸閱讀
最後審閱日期：2026 年 9 月 12 日。標準與研究計劃會變動；請關注鏈接的主源以獲取最新的正式狀態。