# AI原生RAN：从空口AI化到自智网络L4 ## 一、引言：AI从"锦上添花"到"原生内嵌" 3GPP在Release 18中首次将AI/ML引入NR空口标准化流程，标志着移动通信从"AI辅助优化"迈入"AI原生设计"时代。Release 19在此基础上进一步深化，TR 38.843（Study on AI/ML for NR Air Interface, Rel-19）将研究范围扩展至CSI反馈增强、波束管理、定位三大核心用例，同时定义了完整的AI/ML模型生命周期管理（LCM）框架。 本文将从物理层原理出发，深度解读AI/ML如何在NR空口中替代传统信号处理算法，分析AI-RAN的架构演进路径，并探讨基于O-RAN RIC和TM Forum AN框架的自智网络L4/L5实现路径。 --- ## 二、3GPP AI/ML空口框架：TR 38.843核心架构 ### 2.1 功能框架定义 3GPP在TR 38.843中定义了AI/ML功能框架，其核心逻辑如下图所示：  > *图表 1* ### 2.2 三种模型部署模式 3GPP定义了三种AI/ML模型部署方式，这是理解整个框架的关键： | 部署模式 | 描述 | 典型用例 | 延迟要求 | |----------|------|----------|----------| | **Side-link模式** | 模型同时在UE和gNB部署，两端协同推理 | CSI压缩反馈（UE编码，gNB解码） | URLLC级，<1ms | | **UE-only模式** | 模型仅在UE侧部署 | CSI预测、波束预测 | 取决于UE处理能力 | | **gNB-only模式** | 模型仅在gNB侧部署 | 负载均衡、节能调度 | 非实时，秒级~分钟级 | **Side-link模式**是3GPP标准化的重点和难点。以CSI压缩为例，UE侧用编码器网络将高维CSI矩阵压缩为低维码本索引，gNB侧用解码器网络恢复原始CSI。这种"自编码器"架构要求UE和gNB必须使用配对的模型，引入了模型版本同步的复杂问题。 --- ## 三、AI/ML信道状态信息（CSI）反馈增强 ### 3.1 传统CSI反馈的瓶颈 在Massive MIMO系统中，基站需要精确的CSI来计算预编码矩阵。传统方案基于码本量化： $$\text{PMI} = \arg\max_{\mathbf{w} \in \mathcal{C}} \|\mathbf{H}\mathbf{w}\|^2$$ 其中 $\mathcal{C}$ 是预定义码本集合，$\mathbf{H}$ 是信道矩阵，$\mathbf{w}$ 是码本向量。 **传统方案的固有缺陷：** - 码本有限导致量化误差，尤其在高维MIMO（如64T64R）时性能恶化 - Type II码本虽然精度高，但开销巨大（数百比特/CSI报告） - 时变信道中，CSI报告存在固有时延，导致"信道老化"效应 ### 3.2 AI/ML CSI压缩原理 3GPP TR 38.843定义的AI/ML CSI压缩方案本质上是一个**自编码器（Autoencoder）**架构：  > *图表 2* **编码器侧（UE）** 的核心操作： $$\mathbf{z} = f_{\theta_{\text{enc}}}(\mathbf{H}_{\text{meas}}), \quad \mathbf{z} \in \mathbb{R}^{d}, \quad d \ll N_r \times N_t$$ **解码器侧（gNB）** 的恢复操作： $$\hat{\mathbf{H}} = g_{\theta_{\text{dec}}}(\mathbf{z})$$ **目标函数**（训练损失）： $$\mathcal{L} = \mathbb{E}\left[\|\mathbf{H} - \hat{\mathbf{H}}\|_F^2\right] + \lambda \cdot R(\mathbf{z})$$ 其中 $R(\mathbf{z})$ 是正则化项，控制压缩向量的信息熵。 ### 3.3 关键性能指标对比 根据3GPP RAN1评估结果（TR 38.843 Clause 6），AI/ML CSI压缩相对传统Type II码本的性能提升： | 指标 | 传统Type II码本 | AI/ML CSI压缩 | 提升幅度 | |------|----------------|--------------|---------| | CSI反馈开销 | 100-512 bits | 20-64 bits | **降低70-85%** | | 信道恢复NMSE | -10 ~ -15 dB | -18 ~ -25 dB | **提升8-10 dB** | | 吞吐量（MU-MIMO） | 基准 | +15% ~ +30% | **显著提升** | | 适应性（高速场景） | 信道老化严重 | 可预测补偿 | **质变** | | UE计算复杂度 | 低（查表） | 中（NN推理） | 增加 | **核心洞察：** AI/ML CSI压缩的本质优势在于它摆脱了码本的"离散化"约束，直接在连续空间中学习信道的低维流形表示。对于FDD系统（上下行信道不对等）和高速移动场景（信道快变），这种优势尤为突出。 ### 3.4 CSI预测：对抗"信道老化" Release 19新增的CSI预测能力是AI/ML的又一亮点。传统方案中，CSI报告从测量到应用存在 $T_{\text{delay}}$ 的固有时延： $$\mathbf{H}[n+T_{\text{delay}}] \neq \mathbf{H}[n]$$ AI/ML通过时间序列预测模型（如LSTM、Transformer），利用历史CSI序列预测未来信道状态： $$\hat{\mathbf{H}}[n+T_{\text{delay}}] = \text{Predictor}(\mathbf{H}[n-k:n])$$ 3GPP评估显示，在120 km/h移动速度下，AI/ML CSI预测可将MU-MIMO吞吐量提升20-40%，这相当于免费获得了一个额外的MIMO层。 --- ## 四、AI/ML智能波束管理 ### 4.1 传统波束管理的痛点 5G NR的波束管理流程（TS 38.300 Section 9.2）包含P-1/P-2/P-3三个阶段： - **P-1（初始波束选择）：** UE在宽波束集合中搜索最佳SSB，时延大 - **P-2（波束精炼）：** 在窄波束集合中搜索CSI-RS，开销与精度矛盾 - **P-3（波束跟踪）：** 持续监测波束质量，切换不及时则掉话 传统方案的根本问题在于：**波束搜索是穷举式的，时间复杂度 $O(N_{\text{beam}})$ 随天线数线性增长。** 在256天线面板下，CSI-RS开销可能占据下行资源的15-20%。 ### 4.2 AI/ML波束预测的三种策略  > *图表 3* **策略一：Top-K波束预测**（3GPP重点评估） - 仅测量 $N'$ 个代表性波束（$N' \ll N$） - AI模型从子集测量结果推断全集波束质量 - 3GPP评估结果：仅测量16个波束即可预测64波束中Top-4的准确率 > 90% - CSI-RS开销降低约 **75%** **策略二：时序波束预测** - 输入：过去 $K$ 个时隙的波束RSRP序列 - 输出：未来 $T$ 个时隙的最优波束索引 - 典型架构：1D-CNN + Attention或轻量级LSTM - 应用场景：高铁、车载等高移动性场景，减少L1-RSRP上报频率 **策略三：旁侧信息辅助** - 利用UE的GPS坐标、IMU数据、甚至摄像头信息 - 构建从环境特征到最优波束的直接映射 - 需要额外的UE能力上报（UECapabilityInformation中的AI/ML能力信元） ### 4.3 波束管理的信令增强 Release 19为AI/ML波束管理新增了关键RRC信元： ``` // AI/ML Beam Management配置（简化） BeamManagementAIML-Config ::= SEQUENCE { aiml-ModelID INTEGER (0..65535), beamPredictionType ENUMERATED {top-K, temporal, sideInfo}, subsetBeamSet SEQUENCE OF INTEGER (0..63), predictionWindow INTEGER (1..32), -- 时隙数 modelPerformanceThreshold INTEGER (0..100), -- 百分比 fallbackBeamSet SEQUENCE OF INTEGER (0..63) } ``` **fallbackBeamSet** 是安全机制的关键：当AI模型性能劣化（如UE进入未训练过的传播环境），系统自动回退到传统波束扫描模式，确保不因AI模型失效导致服务中断。 --- ## 五、AI-RAN架构：从O-RAN到GPU加速 ### 5.1 O-RAN RIC架构中的AI/ML O-RAN架构通过RIC（RAN Intelligent Controller）实现了AI/ML的标准化部署平台：  > *图表 4* | 组件 | 时延范围 | 部署形态 | AI/ML能力 | |------|---------|---------|----------| | **Non-RT RIC** | >1s | 云端 | 模型训练、策略生成、大数据分析 | | **Near-RT RIC** | 10ms-1s | 边缘云 | 实时推理、参数微调 | | **O-DU/L1** | <1ms | 基站本地 | ASIC/FPGA加速的PHY层AI | ### 5.2 NVIDIA AI-RAN：GPU加速范式 NVIDIA提出的AI-RAN架构（基于Aerial CUDA-Accelerated RAN）代表了一种更激进的路径：**用GPU同时承载传统L1信号处理和AI推理**。 其核心架构分为三层： | 层次 | 功能 | 技术实现 | |------|------|---------| | **cuBB（CUDA Baseband）** | 5G NR L1物理层处理 | GPU CUDA核加速FFT、LDPC解码 | | **AI推理层** | CSI压缩/恢复、波束预测 | Tensor Core加速NN推理 | | **AI-on-RAN层** | 边缘AI应用（计算机视觉等） | 共享GPU资源，多租户隔离 | **关键创新点：** 传统vRAN使用专用FPGA/ASIC处理L1，NVIDIA方案将L1全部软件化到GPU上。这样做的代价是功耗和成本，但好处是： 1. L1信号处理和AI推理在同一GPU上，**消除了数据搬移开销** 2. 可通过软件更新快速部署新AI算法，无需更换硬件 3. SoftBank的PoC验证了16层MU-MIMO（16-UE配对）在GPU上的可行性 ### 5.3 两种AI-RAN路线对比 | 维度 | O-RAN路线 | NVIDIA AI-RAN路线 | |------|----------|-------------------| | **架构理念** | 在现有RAN上叠加AI控制层 | 用GPU重构整个L1 | | **标准化程度** | 高（O-RAN联盟标准） | 中（产业联盟推动） | | **实时性** | Near-RT RIC为10ms级 | GPU L1可达μs级 | | **部署成本** | 渐进式，可叠加 | 需要GPU服务器，初期高 | | **AI深度** | RRM/调度层面优化 | PHY层原生AI | | **产业链** | 多厂商开放生态 | NVIDIA主导 | --- ## 六、自智网络L4/L5：AI驱动的网络自治 ### 6.1 TM Forum AN等级模型 TM Forum定义的自智网络等级已从理论框架走向产业认证。2025年6月，TDC NET与Ericsson获得了全球首个L4级自智网络认证： | 等级 | 名称 | 特征 | 人机关系 | |------|------|------|---------| | **L0** | 手动运维 | 全人工操作 | 人做一切 | | **L1** | 辅助运维 | 工具辅助，人决策 | 人为主 | | **L2** | 部分自治 | 特定场景自动化 | 人监督 | | **L3** | 条件自治 | 单域自治，跨域人工 | 系统为主，人审批 | | **L4** | 高度自治 | 跨域意图驱动，异常人工干预 | 系统自治，人极少干预 | | **L5** | 完全自治 | 端到端零接触，自进化 | 人设目标，系统自治 | ### 6.2 L4自智网络的核心：意图驱动 L4的关键跃升在于**从"规则驱动"到"意图驱动"**。运营商不再定义具体的KPI阈值和动作策略，而是声明高层意图： ``` // 意图声明示例（TM Forum IETF Intent概念） Intent: "保障CBD区域在9:00-18:00的5G上行速率≥100Mbps， 同时将能耗控制在基准值的80%以下" 系统自动分解为： ├── 覆盖意图 → 调整下倾角/波束权重（O-RAN rApp） ├── 容量意图 → 载波聚合/小区分裂策略（Near-RT RIC xApp） ├── 节能意图 → 符号关断/载波关断策略（Non-RT RIC rApp） └── 协调策略 → 多目标优化（强化学习） ``` **意图驱动的技术栈：** 1. **意图解析层：** NLP/LLM将自然语言意图转化为结构化策略 2. **策略分解层：** 将高层意图分解为域级策略（RAN/CN/Transport） 3. **执行层：** 通过O-RAN A1/E2接口或3GPP Nnrmf/Nnsmf接口下发 4. **验证层：** Digital Twin仿真验证策略效果 5. **闭环反馈层：** 实时监控意图满足度，触发策略调整 ### 6.3 L4自愈场景实战分析 以**小区故障自愈**为例，说明L4级自智网络的完整闭环：  > *图表 5* **关键数据流：** 从故障检测到补偿策略执行，L4的目标是在 **30秒内** 完成闭环（L3通常需要5-15分钟的人工确认环节）。 ### 6.4 从L4到L5的跨越：待解难题 L5"完全自治"在当前技术条件下仍面临根本性挑战： | 挑战 | 具体描述 | 当前状态 | |------|---------|---------| | **AI可解释性** | 网络运维需要可审计的决策逻辑，黑箱模型难以被运营商接受 | 研究阶段 | | **跨域编排** | RAN/CN/Transport/IT的联合优化需要跨域数据共享和统一编排 | 标准化中 | | **安全边界** | AI决策的错误边界难以界定，可能导致大面积服务中断 | 产业讨论中 | | **模型泛化** | 训练环境与现网环境的gap（Sim-to-Real） | 持续改进 | | **监管合规** | 电信法规要求关键决策可追溯、可审计 | 政策未跟上 | --- ## 七、AI/ML模型生命周期管理（LCM） ### 7.1 3GPP定义的LCM框架 TR 38.843定义的AI/ML模型生命周期包含五个阶段： 1. **数据采集（Data Collection）：** 收集训练数据（UE上报的测量报告、gNB的PM数据） 2. **模型训练（Training）：** 在OAM或云端完成，支持在线微调 3. **模型验证（Validation）：** 在Digital Twin或测试UE上验证 4. **模型分发（Distribution）：** 通过RRC信令或OAM接口下发 5. **模型监控（Monitoring）：** 持续跟踪模型性能，触发重新训练 **模型性能监控**的核心信元： ``` AIML-PerformanceMetrics ::= SEQUENCE { nmse-threshold FLOAT (0.001..1.0), throughput-degradation INTEGER (0..100), -- 百分比 prediction-accuracy INTEGER (0..100), -- 百分比 monitoring-window INTEGER (10..1000), -- 毫秒 fallback-trigger-count INTEGER (1..10) } ``` 当连续 $N$ 次推理的性能低于阈值时，gNB触发fallback至传统方案，同时请求模型更新。 ### 7.2 UE能力协商 3GPP在UECapabilityInformation中新增了AI/ML能力上报： ``` UE-AIML-Capability ::= SEQUENCE { supportedAIML-Functions BIT STRING { csiCompression (0), csiPrediction (1), beamPrediction (2), positioning (3) }, maxModelSize INTEGER, -- 最大可存储模型参数量 supportedNN-Architecture ENUMERATED {fullyConnected, cnn, transformer}, maxInferenceLatency INTEGER, -- 微秒 onDeviceTraining BOOLEAN -- 是否支持UE侧训练 } ``` **实战要点：** 不同UE的AI能力差异巨大。旗舰SoC可能支持Transformer架构的CSI压缩，而低端RedCap终端可能仅支持小型全连接网络。gNB必须根据UE能力选择合适的模型，这增加了调度器的复杂度。 --- ## 八、实战部署建议 ### 8.1 参数配置建议 | 参数 | 推荐配置 | 说明 | |------|---------|------| | CSI压缩比 | 8:1~16:1 | 过高压缩比导致恢复精度劣化 | | 波束预测子集 | 总数的25% | 在开销和精度间取得平衡 | | 模型更新周期 | 7-14天 | 取决于信道环境变化速度 | | 性能监控窗口 | 100ms | 短窗口快速检测劣化 | | Fallback阈值 | NMSE > -12dB | 根据业务QoS要求调整 | ### 8.2 部署中的坑 1. **模型版本碎片化：** 现网中存在不同芯片平台的UE（Qualcomm/MediaTek/海思），它们的AI推理引擎兼容性不同。建议在模型分发阶段就区分UE平台类型。 2. **训练数据偏差：** DT/TDD模式下采集的训练数据可能与实际FDD UE的信道特征不匹配。需要定期用真实UE数据在线微调。 3. **GPU功耗：** AI-RAN的GPU TDP可达300-700W/O-RU，密集城区部署时需评估机房供电和散热能力。 4. **Fallback时延：** 从AI方案回退到传统方案需要1-2个CSI报告周期（约10-20ms），期间吞吐量可能短暂下降。建议采用"软切换"策略：传统方案和AI方案并行运行，仅在AI结果验证可靠后才切换。 --- ## 常见问题 **Q: AI/ML CSI压缩和传统Type II码本的本质区别是什么？** A: Type II码本是预定义的离散码本集合，量化精度受码本大小限制。AI/ML压缩是数据驱动的连续空间映射，通过学习信道的低维流形结构实现更高效的表示。本质上，传统码本是"先验设计"，AI/ML是"数据驱动"，后者在复杂信道环境下（如UMa/NLOS）优势更大。 **Q: 现网中如何升级支持AI/ML空口功能？** A: 分三步走：(1) gNB软件升级支持AI/ML框架和模型管理；(2) OTA向支持AI/ML的UE推送模型参数；(3) 先在低负载小区验证，再逐步推广。UE侧无需硬件更换，只需要基带SoC支持NN推理（2024年后的旗舰芯片基本支持）。 **Q: AI-RAN的GPU方案功耗太高，是否适合广域覆盖场景？** A: GPU方案目前更适合高容量热点场景（体育场、CBD）。广域覆盖场景建议采用传统ASIC/FPGA方案+Near-RT RIC的混合模式。NVIDIA也在推出低功耗GPU（如基于Blackwell架构的电信专用卡），功耗在持续优化。 **Q: L4自智网络需要怎样的数据基础设施？** A: 核心要求三点：(1) 实时数据湖——支持亚秒级数据采集（telemetry流式上报）；(2) 知识图谱——构建网络拓扑、告警关联、历史处置经验的语义网络；(3) Digital Twin——1:1网络仿真环境，用于策略预验证。数据质量比AI算法更重要。 **Q: AI/ML模型的公平性如何保障？不同UE是否会被差别对待？** A: 3GPP在模型性能评估中要求对不同信道条件下的UE进行均衡测试。运营商在部署时应设置最低性能基线，确保所有UE（包括不支持AI/ML的旧终端）的基本服务不受影响。不支持AI/ML的UE继续使用传统码本方案。 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。