Mạng 6G AI-native (thuần AI) là một tầm nhìn thiết kế trong đó các hệ thống học máy được coi là những phần nền tảng của truyền thông và vận hành mạng, thay vì là các công cụ tùy chọn được thêm vào sau khi mạng đã được xây dựng. Thuật ngữ này không chỉ một kiến trúc hoàn chỉnh và không nên được dùng làm bằng chứng cho thấy mọi quyết định vô tuyến trong tương lai sẽ được đưa ra bởi một mô hình thiếu minh bạch.
Từ hỗ trợ bởi AI (AI-assisted) đến thuần AI (AI-native)
Các mạng di động hiện đã sử dụng phân tích và học máy. Các nhà vận hành dự báo nhu cầu, phát hiện bất thường, tối ưu hóa tham số và tự động hóa bảo trì. Các thiết bị sử dụng các mô hình đã học cho nhiếp ảnh, giọng nói và các tác vụ liên quan đến vô tuyến. Những ứng dụng này là hỗ trợ bởi AI: chúng cải thiện các chức năng chọn lọc xung quanh một kiến trúc đã thiết lập.
Các đề xuất AI-native đặt ra một câu hỏi sâu sắc hơn. Nếu việc học máy sẽ ảnh hưởng đến nhiều lớp, liệu mạng có nên cung cấp dữ liệu, quản lý vòng đời, giao diện mô hình, tài nguyên tính toán và cơ chế đảm bảo ngay từ đầu? Liệu các chức năng vô tuyến chọn lọc có thể được học chung thay vì được thiết kế dưới dạng các thuật toán cố định? Liệu hệ thống có thể thích ứng nhanh hơn với môi trường, lưu lượng và các mục tiêu ứng dụng?
Không có một ngưỡng duy nhất nào để một mạng trở thành AI-native. Một mô tả hữu ích sẽ xác định chức năng, quy trình huấn luyện, vị trí suy luận, dữ liệu và hành vi dự phòng thay vì chỉ dựa vào nhãn gọi.
Các vai trò khả thi trong giao diện vô tuyến
Các nhà nghiên cứu đang nghiên cứu học máy cho ước lượng kênh, quản lý chùm tia (beam management), định vị, mã hóa, tối ưu hóa dạng sóng và lập lịch tài nguyên. Một số công trình thay thế một thành phần hữu hạn; các công trình khác xem xét truyền thông học máy đầu-cuối dưới một mục tiêu xác định.
Một thành phần được học có thể hoạt động tốt trên các điều kiện được trình bày trong dữ liệu huấn luyện và đánh giá của nó. Môi trường không dây rất đa dạng, vì vậy tính bền vững bên ngoài các điều kiện đó là một vấn đề trung tâm. Sự di động, phần cứng thiết bị mới, nhiễu bất thường và các đầu vào đối kháng có thể làm thay đổi phân phối dữ liệu.
Các tiêu chuẩn phải quyết định nơi kết thúc khả năng tương tác và nơi bắt đầu quyền tự do triển khai. Hai nhà cung cấp có thể tương tác khi giao diện và hành vi được xác định, ngay cả khi các thuật toán nội bộ khác nhau. Một mô hình ảnh hưởng đến hành vi truyền dẫn có thể yêu cầu các ràng buộc, quy trình kiểm tra hoặc biểu diễn chung rõ ràng hơn.
Vận hành mạng và tự động hóa
AI có thể giúp các mạng dự đoán tắc nghẽn, phân bổ tài nguyên, xác định lỗi, tối ưu hóa năng lượng và phối hợp nhiều miền vô tuyến hoặc tính toán. Các trường hợp vận hành mạnh mẽ nhất là sự kết hợp giữa đầu ra của mô hình với chính sách, khả năng quan sát và sự kiểm soát của con người.
Tự động hóa có giá trị vì các hệ thống tương lai có thể có nhiều băng tần, nút, yêu cầu dịch vụ và vị trí tính toán hơn mức một đội ngũ có thể tinh chỉnh thủ công. Nhưng sự phức tạp tự động cũng có thể khiến các lỗi lan truyền nhanh hơn. Các nhà vận hành cần các giới hạn, khả năng hoàn tác (rollback), giám sát và cách giải thích lý do tại sao một hành động có tác động lớn lại được thực hiện.
Độ chính xác của mô hình không phải là thước đo duy nhất. Độ trễ suy luận, chi phí tính toán, mức tiêu thụ năng lượng, tần suất cập nhật và hậu quả của sai sót cần nằm trong đánh giá kỹ thuật.
AI cho truyền thông và truyền thông cho AI
Khung IMT-2030 của ITU bao gồm “trí tuệ nhân tạo và truyền thông” như một kịch bản sử dụng. Cụm từ này có thể bao hàm hai hướng. AI có thể cải thiện các chức năng mạng, và các hệ thống truyền thông có thể hỗ trợ các ứng dụng AI phân tán.
Các thiết bị và máy móc trong tương lai có thể trao đổi các bản cập nhật mô hình, dữ liệu cảm biến, câu lệnh (prompts), embedding hoặc kết quả tác vụ. Những mô hình lưu lượng đó có thể nặng về đường lên (uplink) hơn, mang tính bùng phát hoặc nhạy cảm với độ trễ hơn so với tiêu thụ phương tiện truyền thông truyền thống. Các mạng có thể cần phối hợp kết nối và vị trí tính toán.
Nghiên cứu truyền thông ngữ nghĩa (semantic communication) tiến xa hơn bằng cách đặt câu hỏi liệu một hệ thống có thể truyền tải ý nghĩa liên quan đến tác vụ thay vì tái cấu trúc mọi bit theo cách thông thường hay không. Điều này đầy hứa hẹn cho các tác vụ chọn lọc, nhưng nó đặt ra câu hỏi về các mô hình chung, sai sót, trách nhiệm giải trình và tính tổng quát.
Vai trò của tính toán biên (edge computing)
Các khối lượng công việc AI có thể chạy trên thiết bị, trạm vô tuyến, biên khu vực hoặc các đám mây lớn. Vị trí đặt làm thay đổi độ trễ, quyền riêng tư, năng lượng và chi phí. Một mô hình gần người dùng có thể phản hồi nhanh và giữ dữ liệu tại chỗ, trong khi một mô hình tập trung lớn hơn có thể cung cấp nhiều khả năng hơn.
Một mạng tương lai có thể chọn vị trí đặt một cách linh hoạt, nhưng việc di trú và thực thi phân tán gây ra chi phí vận hành (overhead). Các điều kiện vô tuyến có thể thay đổi nhanh hơn tốc độ di chuyển của khối lượng công việc. Do đó, kiến trúc cần có sự điều phối thực tế, quản lý trạng thái và các mục tiêu cấp độ dịch vụ.
Những tuyên bố về “AI không độ trễ” nên được xem xét một cách hoài nghi. Mọi đường dẫn vật lý và tính toán đều có độ trễ. Mục tiêu kỹ thuật là hiệu suất có thể dự đoán được và phù hợp với tác vụ.
Dữ liệu là một phần của thiết kế mạng
Các mô hình phụ thuộc vào dữ liệu đại diện cho môi trường và người dùng mà chúng vận hành. Dữ liệu mạng có thể nhạy cảm: vị trí, di chuyển, mô hình lưu lượng và hành vi thiết bị có thể tiết lộ thông tin cá nhân hoặc vận hành.
Một thiết kế AI-native cần các quy tắc về thu thập, giảm thiểu, truy cập, lưu trữ, nguồn gốc và chất lượng. Huấn luyện liên kết (federated training) hoặc phân tán có thể giảm bớt một số di chuyển dữ liệu, nhưng nó không tự động giải quyết vấn đề quyền riêng tư, nhiễm độc dữ liệu (poisoning) hoặc đại diện không đồng đều.
Dữ liệu tổng hợp và mô phỏng hữu ích khi các sự kiện hiếm gặp khó nắm bắt. Chúng phải được xác thực với thực tế, vì một mô hình được huấn luyện trên một thế giới đơn giản hóa có thể sai sót một cách tự tin khi triển khai thực tế.
Bảo mật và hành vi đối kháng
Các thành phần học máy tạo ra các bề mặt tấn công mới. Một kẻ tấn công có thể thao túng dữ liệu huấn luyện, tạo ra các đầu vào kích hoạt các quyết định sai, đánh cắp mô hình hoặc suy luận thông tin từ đầu ra của nó. Một hệ thống tối ưu hóa bị xâm nhập có thể làm giảm chất lượng dịch vụ mà không gây ra sự gián đoạn rõ ràng.
Vì vậy, công tác bảo mật bao gồm tính toàn vẹn của mô hình, cập nhật được xác thực, thực thi được bảo vệ, phát hiện bất thường và dự phòng an toàn. Mạng cũng cần bảo mật truyền thống: định danh, ủy quyền, cô lập, kiểm soát chuỗi cung ứng phần mềm và ứng phó sự cố.
Một mô hình không nên trở thành một điểm kiểm soát duy nhất không được giải thích cho truyền thông quan trọng về an toàn. Các chức năng có tác động cao có thể yêu cầu các ranh giới xác định hoặc xác minh độc lập xung quanh các quyết định được học.
Năng lượng và tính bền vững
AI có thể giảm năng lượng bằng cách bật/tắt công suất, cải thiện lập lịch hoặc khớp tài nguyên với nhu cầu. Việc huấn luyện và suy luận cũng tiêu tốn năng lượng. Liệu hiệu ứng thuần là tích cực hay không phụ thuộc vào kích thước mô hình, phần cứng, chu kỳ hoạt động và mức tiết kiệm đạt được.
Hiệu quả nên được đo lường trên toàn hệ thống, bao gồm cả di chuyển dữ liệu và các bộ tăng tốc. Một mô hình tiết kiệm năng lượng vô tuyến trong khi làm tăng tính toán liên tục ở nơi khác có thể chỉ đơn giản là chuyển dịch chi phí.
Tính bền vững là một trong những nguyên tắc thiết kế của IMT-2030. Điều này khiến việc hạch toán năng lượng trở thành một vấn đề về tiêu chuẩn và triển khai, chứ không chỉ là một lợi ích tiếp thị.
Cách các ý tưởng AI-native đi vào tiêu chuẩn
Các nhóm tiêu chuẩn có thể xác định các trường hợp sử dụng, yêu cầu, giao diện, cung cấp dữ liệu, quy trình vòng đời và đánh giá. Họ có thể tiêu chuẩn hóa một số mô hình hoặc để ngỏ việc triển khai. Sự cân bằng phụ thuộc vào khả năng tương tác, độ trưởng thành và rủi ro khi gắn chặt ngành công nghiệp vào một kỹ thuật quá sớm.
Các nghiên cứu trong Release 20 cung cấp không gian để so sánh các tùy chọn, trong khi các công việc chuẩn hóa sau đó có thể chọn các cơ chế có sự đồng thuận đầy đủ. Các chủ đề AI sẽ bao quát truy cập vô tuyến, kiến trúc hệ thống, quản lý và ứng dụng thay vì tạo thành một tính năng cô lập.
Quản lý phiên bản là cực kỳ quan trọng. Các mô hình, dữ liệu và phần cứng phát triển nhanh hơn các bản phát hành mạng truyền thống. Các tiêu chuẩn có thể cần các giao diện ổn định xung quanh các thành phần được cập nhật thường xuyên hơn.
Những điều mà thuật ngữ này không đảm bảo
- Nó không đảm bảo rằng mạng là tự trị hoặc không có lỗi.
- Nó không có nghĩa là mọi giao thức đều được thay thế bằng một mạng thần kinh.
- Nó không chứng minh mức tiêu thụ năng lượng thấp hơn nếu không có đo lường đầy đủ.
- Nó không loại bỏ nhu cầu về các thông số kỹ thuật có khả năng tương tác.
- Nó không tự giải quyết vấn đề quyền riêng tư, bảo mật hoặc trách nhiệm giải trình.
- Nó không biến một nguyên mẫu nghiên cứu thành một dịch vụ 6G thương mại.
Các câu hỏi để đánh giá một tuyên bố AI-native
Hãy hỏi chức năng nào sử dụng AI, nơi thực hiện suy luận, dữ liệu nào đã huấn luyện mô hình, hiệu suất được đánh giá như thế nào và điều gì xảy ra bên ngoài phân phối huấn luyện. Hãy tìm kiếm các so sánh với các mốc cơ sở truyền thống mạnh mẽ, chứ không chỉ là một tham chiếu chưa tối ưu.
Đối với các tuyên bố vận hành, hãy hỏi các hành động được ràng buộc, quan sát và hoàn tác như thế nào. Đối với các tuyên bố quyền riêng tư, hãy xác định dữ liệu nào rời khỏi thiết bị. Đối với các tuyên bố năng lượng, hãy tính cả các bộ tăng tốc và di chuyển dữ liệu. Đối với các tuyên bố tiêu chuẩn, hãy trích dẫn mục nghiên cứu, mục công việc hoặc thông số kỹ thuật cụ thể.
Ý tưởng AI-native là quan trọng vì nó buộc hệ sinh thái di động phải thiết kế trí thông minh, tính toán và đảm bảo cùng nhau. Giá trị của nó sẽ đến từ kỹ thuật chính xác, chứ không phải từ việc gắn nhãn cho mọi tính năng tự động hóa.
Quản trị, thu mua và bằng chứng vận hành
Một thiết kế AI-native thay đổi nhiều hơn là việc lựa chọn thuật toán tối ưu hóa. Các nhà vận hành cần biết dữ liệu nào đi vào mô hình, dữ liệu đó được lưu trữ ở đâu, ai có thể cập nhật mô hình và cách điều tra một quyết định sau khi xảy ra lỗi. Một mô hình cải thiện hiệu suất mạng trung bình vẫn có thể không phù hợp nếu các lỗi hiếm gặp làm gián đoạn truyền thông khẩn cấp, làm yếu đi sự cô lập giữa các khách hàng hoặc tạo ra các lần chuyển giao (handover) không thể dự đoán.
Do đó, việc thu mua yêu cầu các nghĩa vụ có thể đo lường được. Nhà cung cấp nên mô tả các phiên bản mô hình được hỗ trợ, yêu cầu về tính toán và bộ nhớ, quy trình hoàn tác, ranh giới bảo mật và các thước đo được sử dụng để phát hiện sự sai lệch (drift). Người mua cũng cần sự rõ ràng về việc huấn luyện diễn ra trong thiết bị, tại một trạm biên, trong đám mây của nhà vận hành hay thông qua bên thứ ba. Mỗi vị trí đặt sẽ thay đổi độ trễ, năng lượng, quyền riêng tư và khả năng phục hồi.
Bằng chứng vận hành nên bao gồm nhiều hơn là một bản trình diễn thành công. Các thử nghiệm hữu ích báo cáo mốc cơ sở, hỗn hợp lưu lượng, điều kiện vô tuyến, giai đoạn quan sát và các trường hợp lỗi. Họ đo lường chi phí thu thập đặc trưng và chạy suy luận cũng như mức tăng hiệu suất. Họ cũng kiểm tra điều gì xảy ra khi đầu vào bị thiếu, đối kháng hoặc nằm ngoài phân phối huấn luyện. Một hệ thống nên quay trở lại hành vi an toàn, dễ hiểu khi độ tin cậy thấp.
Các tiêu chuẩn có thể giúp ích bằng cách xác định giao diện, trạng thái vòng đời, mô tả dữ liệu và cách báo cáo khả năng. Họ có thể để ngỏ kiến trúc mô hình và phương pháp huấn luyện cho việc triển khai. Sự cân bằng đó cho phép đổi mới trong khi cung cấp cho các hệ thống độc lập đủ ý nghĩa chung để phối hợp và được kiểm tra.
Đối với các tuyên bố công khai, câu hỏi tốt nhất không phải là liệu một mạng có “sử dụng AI” hay không. Mà là mô hình điều khiển chức năng nào, bằng chứng nào cho thấy sự cải thiện và những biện pháp bảo vệ nào hạn chế hậu quả của một quyết định sai. Câu trả lời cho những câu hỏi đó phân biệt một kết quả kỹ thuật hữu ích với một nhãn thương hiệu chung chung.
Nguồn và đọc thêm
Xem xét lần cuối: Ngày 12 tháng 9 năm 2026. Các chương trình tiêu chuẩn và nghiên cứu thay đổi; hãy theo dõi các nguồn chính được liên kết để biết trạng thái chính thức mới nhất.