2025-2026年，通信行业正在经历一场根本性的架构变革：AI不再是网络优化工具箱中的一个选项，而是从物理层到网络管理层的每一层协议设计中都作为原生组件存在。3GPP Release 18开启了AI/ML for NR空口的标准化研究（TR 38.843），Release 19将其中多项成果转化为规范性标准。NVIDIA牵头成立的AI-RAN联盟、Ericsson发布的AI-ready射频设备、Samsung提出的AI原生6G CU-DU架构演进——这些不是孤立事件，而是整个产业向AI-Native Communication范式迁移的系统性工程。
本文将从AI-RAN的架构原理出发，深入解析Neural Receiver如何重塑物理层信道估计、AI/ML如何革新波束管理流程，以及自智网络L4/L5如何通过Agentic AI实现真正的网络自治。
传统RAN（无论D-RAN还是vRAN）的基带处理链路由固定的DSP/ASIC/FPGA实现，每个信号处理模块（FFT、信道估计、均衡、解码）都是手工设计的确定性算法。AI-RAN的核心思想是：用GPU上的可编程计算替代专用硬件，同时在同一个计算平台上运行AI推理和RAN工作负载。
┌─────────────────────────────────────────────────────────────┐
│ 传统RAN架构 │
│ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ │
│ │ RF │──▶│ FFT │──▶│ CE │──▶│ EQ │──▶│ DEC │ │
│ │Front │ │(固定)│ │(固定)│ │(固定)│ │(固定)│ │
│ └──────┘ └──────┘ └──────┘ └──────┘ └──────┘ │
│ 实现：FPGA/ASIC，不可编程 │
└─────────────────────────────────────────────────────────────┘
┌─────────────────────────────────────────────────────────────┐
│ AI-RAN架构 (GPU-Accelerated) │
│ ┌──────┐ ┌──────────────────────────────────────┐ │
│ │ RF │──▶│ GPU 计算平台 │ │
│ │Front │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ │ │
│ └──────┘ │ │FFT │ │Neur│ │ NN │ │ NN │ │ │
│ │ │ │ │ RX │ │ EQ │ │DEC │ │ │
│ │ └────┘ └────┘ └────┘ └────┘ │ │
│ │ ┌─────────────────────────┐ │ │
│ │ │ AI推理/训练工作负载 │ │ │
│ │ │ (非峰值时段动态加载) │ │ │
│ │ └─────────────────────────┘ │ │
│ └──────────────────────────────────────┘ │
│ 实现：GPU (NVIDIA GH200/H100)，CUDA加速，软件可编程 │
└─────────────────────────────────────────────────────────────┘
NVIDIA的AI Aerial平台是当前最成熟的AI-RAN参考实现，其核心组件包括：
| 组件 | 功能 | 关键技术 |
|---|---|---|
| CUDA-Accelerated RAN | 5G NR PHY/MAC层全软件实现 | CUDA内核加速，支持FR1/FR2 |
| Aerial AI Framework | 提供AI模型训练和推理框架 | PyTorch集成，支持Neural Receiver训练 |
| Aerial Cloud RAN | CU-DU云化部署 | 容器化，Kubernetes编排 |
| Aerial AI-RAN Catalyst | GPU资源动态调度 | RAN与AI工作负载时分复用 |
关键的架构创新在于GPU资源的时分复用机制：在RAN业务高峰期，GPU全部算力用于基带处理；在业务低谷期（如凌晨时段），闲置GPU算力被动态分配给AI推理任务（如大模型推理、边缘计算）。SoftBank与NVIDIA的联合验证表明，这种"RAN + AI"共址部署可在同一GPU平台上实现16层MU-MIMO基带处理和AI推理服务的并存。
Samsung Research在2025年发布的博客中提出了面向6G的CU-DU架构演进方案，其核心思路是：
┌──────────────────────────────────────────────────┐
│ 6G AI-Native RAN │
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ CP │ │ UP │ │ AI-MP │ ← 新增 │
│ │控制面 │ │用户面 │ │AI管理面 │ │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
│ │ │ │ │
│ ┌────▼────────────▼────────────▼────┐ │
│ │ CU (AI中枢节点) │ │
│ │ · 模型训练与版本管理 │ │
│ │ · 联邦学习参数聚合 │ │
│ │ · 跨DU资源编排 │ │
│ └───────────────┬───────────────────┘ │
│ │ F1-C / F1-U / AI-Interface │
│ ┌───────────────▼───────────────────┐ │
│ │ DU (AI边缘推理节点) │ │
│ │ · Neural Receiver实时推理 │ │
│ │ · AI调度 / 干扰协调 │ │
│ │ · 本地模型缓存与更新 │ │
│ └───────────────┬───────────────────┘ │
│ │ │
│ ┌───────────────▼───────────────────┐ │
│ │ RU (射频单元) │ │
│ └───────────────────────────────────┘ │
└──────────────────────────────────────────────────┘
传统5G NR接收机的信号处理链路如下：
接收信号 → FFT → 信道估计（基于DMRS） → 均衡（MMSE） → 解调（软比特） → 解码（LDPC/Polar）
每个环节独立优化，级联误差逐级累积。Neural Receiver的核心思想是将多个处理环节联合建模为一个端到端的神经网络，直接从时频域接收信号映射到传输比特。
3GPP TR 38.843定义的AI/ML功能框架中，Neural Receiver属于CSI enhancement和Receiver enhancement的交叉领域。NVIDIA的论文《A Neural Receiver for 5G NR Multi-User MIMO》展示了在MU-MIMO场景下，Neural Receiver相比传统MMSE接收机的性能提升：
| 指标 | 传统MMSE接收机 | Neural Receiver | 提升幅度 |
|---|---|---|---|
| BLER @ SNR=5dB | 0.12 | 0.03 | 75%降低 |
| 吞吐量 (4x4 MIMO) | 1.2 Gbps | 1.6 Gbps | +33% |
| CSI-RS开销 | 7%（常规） | 3%（AI压缩） | -57% |
| 信道估计MSE | 基线 | 降低3-6 dB | 显著改善 |
典型的Neural Receiver采用全卷积架构（Fully Convolutional Receiver），输入为二维时频网格上的接收信号矩阵，输出为对数似然比（LLR）。其核心网络结构为：
输入: Y ∈ ℂ^(N_sc × N_sym × N_rx) // 子载波 × OFDM符号 × 接收天线
┌─────────────────────────────────────────────────┐
│ Stage 1: 特征提取 │
│ - 将复数I/Q拆分为实数通道 │
│ - Conv2D (3×3, 64 filters) + BatchNorm + ReLU │
│ - 残差连接 (ResBlock × 5) │
│ │
│ Stage 2: 信道特征融合 │
│ - 将DMRS导频信息作为注意力权重 │
│ - Cross-Attention: Query=数据信号, Key/Value=导频 │
│ - 输出: 信道估计+数据联合特征 │
│ │
│ Stage 3: 符号检测与LLR输出 │
│ - Conv2D (1×1, 2×ModOrder filters) │
│ - Sigmoid激活 → LLR软输出 │
└─────────────────────────────────────────────────┘
输出: LLR ∈ ℝ^(N_bits) // 对数似然比，送入LDPC解码器
关键的设计要点在于：
NVIDIA在2025年发表的博客"Real-Time Neural Receivers Drive AI-RAN Innovation"中披露了关键性能数据：
3GPP TR 38.843为AI/ML在波束管理中的应用定义了两种核心场景：
场景一：空间域下行波束预测（Spatial-domain DL Beam Prediction） - 输入：UE测量到的部分波束的L1-RSRP值 - 输出：预测所有候选波束的L1-RSRP，减少波束扫描开销 - 核心价值：在64或128个窄波束的mmWave场景中，UE只需测量其中1/4的波束，即可预测全部波束质量
场景二：时域下行波束预测（Temporal-domain DL Beam Prediction） - 输入：历史时刻的L1-RSRP测量值序列 - 输出：预测未来时刻的最优波束 - 核心价值：在高速移动场景（高铁、车载）中提前预测最优波束，避免波束跟踪失效
3GPP在RAN2#129bis会议上进一步明确了AI/ML驱动波束管理的UE行为标准化方向，包括： - UE如何上报AI模型所需的训练数据 - UE如何指示AI模型是否可用（Model Availability Indication） - 网络如何下发模型更新（Model Update Signaling）
sequenceDiagram
participant UE
participant gNB
participant OAM
Note over UE,OAM: 阶段1：模型生命周期管理
OAM->>gNB: AI/ML模型下发<br/>(模型ID、版本、参数)
gNB->>UE: RRC重配<br/>(AI/ML Capability查询)
UE->>gNB: UE Capability上报<br/>(支持的AI/ML特性)
Note over UE,OAM: 阶段2：训练数据采集
gNB->>UE: CSI-RS配置<br/>(全波束扫描模式)
UE->>gNB: L1-RSRP测量报告<br/>(所有波束)
Note over UE,OAM: 阶段3：模型推理
gNB->>UE: CSI-RS配置<br/>(部分波束扫描)
UE->>UE: 本地AI模型推理<br/>(预测全部波束RSRP)
UE->>gNB: 波束预测报告<br/>(Top-N波束 + RSRP)
Note over UE,OAM: 阶段4：模型性能监控
gNB->>UE: 周期性验证请求
UE->>gNB: 预测准确度报告
gNB->>OAM: 模型性能指标上报
alt 模型性能退化
OAM->>gNB: 触发模型重训练/更新
gNB->>UE: 下发更新模型参数
end
3GPP TR 38.843中对波束预测定义了Two-sided Model（双端模型）和One-sided Model（单端模型）：
Two-sided Model的关键挑战在于信令开销与预测精度的平衡。3GPP评估了多种压缩策略：
| 压缩策略 | 上报开销 | 预测精度 | 适用场景 |
|---|---|---|---|
| 无压缩（全量RSRP） | 100% | 基线 | 训练阶段 |
| Top-K选择 | K/N × 100% | 略有损失 | 低移动性 |
| Autoencoder压缩 | 10-20% | 接近基线 | 高移动性 |
| VQ-VAE量化 | 5-10% | 需要评估 | 超大规模天线 |
问题1：模型漂移（Model Drift）
无线信道环境会随季节、新建筑、用户分布变化而改变。训练好的波束预测模型在部署后性能会逐渐退化。解决方案包括： - 在线学习（Online Learning）：利用实时测量数据微调模型 - A/B测试：同时运行AI模型和传统方法，持续比较性能 - 自动回退（Fallback）：当AI模型性能低于阈值时，自动切换回传统波束扫描
问题2：UE侧计算资源限制
中低端终端的AI推理能力有限。3GPP定义了不同复杂度等级的模型： - 低复杂度模型：参数量<100K，可在NPU上实时运行 - 中等复杂度模型：参数量100K-1M，需要专用AI加速器 - 高复杂度模型：参数量>1M，仅在gNB侧运行
3GPP TR 38.843和Rel-19的规范性工作中定义了AI/ML模型在RAN中的完整生命周期管理框架，包含五个逻辑功能块：
┌──────────────────────────────────────────────────────────────┐
│ AI/ML 模型生命周期管理（LCM） │
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ 数据收集与 │ │ 模型训练与 │ │ 模型推理与 │ │
│ │ 预处理 │───▶│ 验证 │───▶│ 部署 │ │
│ │ │ │ │ │ │ │
│ │· KPM数据采集 │ │· 联邦学习 │ │· 模型分发 │ │
│ │· 数据清洗 │ │· 在线/离线训练 │ │· 版本管理 │ │
│ │· 特征工程 │ │· 性能验证 │ │· 灰度发布 │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │ │ │
│ │ ┌──────────────┐ │ │
│ │ │ 模型监控与 │◀─────────────┘ │
│ └────────▶│ 更新触发 │ │
│ │ │ │
│ │· 性能退化检测 │ │
│ │· 自动回退 │ │
│ │· 重训练触发 │ │
│ └──────────────┘ │
└──────────────────────────────────────────────────────────────┘
O-RAN架构中的RIC（RAN Intelligent Controller）是实现AI/ML LCM的关键基础设施：
| O-RAN组件 | AI/ML功能 | 接口 | 时间尺度 |
|---|---|---|---|
| Non-RT RIC | 模型训练、rApp部署、策略管理 | A1（策略）、O1（网管） | >1秒 |
| Near-RT RIC | 实时推理、xApp执行、模型缓存 | E2（数据/控制） | 10ms-1秒 |
| SMO | 编排、模型分发、生命周期管理 | O2（云化资源） | 分钟级 |
2026年发布的O-RAN白皮书进一步明确了rApp/xApp的AI模型管理规范，包括模型版本注册、A/B测试框架、性能监控指标（KPI）的定义。
TM Forum定义了六级自智网络成熟度模型（IG1252），当前行业正处于从L3向L4跨越的关键节点：
| 等级 | 名称 | 特征 | 代表性技术 | 行业现状 |
|---|---|---|---|---|
| L0 | 手动操作 | 全人工干预 | 无 | 已基本淘汰 |
| L1 | 辅助操作 | 工具辅助、人工决策 | 简单脚本 | 已基本淘汰 |
| L2 | 部分自治 | 子系统自动化、人工监督 | 传统SON | 大部分运营商 |
| L3 | 条件自治 | 单域自动化、异常时人工接管 | ML驱动rApp | 领先运营商 |
| L4 | 高度自治 | 跨域协同、AI自主决策、人工审批 | Agentic AI | 2025-2026试点 |
| L5 | 完全自治 | 意图驱动、自进化、零人工干预 | LLM+Agent | 2030+远景 |
2025年MWC Barcelona上，TM Forum联合华为、Ericsson、Nokia等企业发起了"L4 is ON"倡议，标志着行业正式将L4作为当前阶段的核心目标。
Ericsson在2025年7月发布的技术博客"Agentic AI: Pathway to Autonomous Network Level 5"中，首次系统阐述了Agentic AI在通信网络中的应用架构：
Agentic AI与传统AI的关键区别：
传统AI/ML模型是被动式的——接收输入、产生输出、等待人工决策。Agentic AI则是主动式的——AI Agent能够： 1. 自主感知：持续监控网络状态，识别异常模式 2. 自主规划：将高层意图（Intent）分解为可执行的原子操作序列 3. 自主执行：通过API调用网络配置变更 4. 自主反思：评估执行结果，调整策略
Ericsson已将Agentic AI集成到其NetCloud管理平台中，面向企业5G专网场景。其技术架构为：
┌─────────────────────────────────────────────────┐
│ Agentic AI for Autonomous Network │
│ │
│ ┌─────────────────────────────────────────────┐ │
│ │ Intent Layer (意图层) │ │
│ │ "确保工厂区域的网络时延<5ms" │ │
│ │ Intent → 子目标分解 → 约束条件 → KPI映射 │ │
│ └───────────────────┬─────────────────────────┘ │
│ │ │
│ ┌───────────────────▼─────────────────────────┐ │
│ │ Planning Layer (规划层) │ │
│ │ · LLM理解网络上下文 │ │
│ │ · ReWOO/ReAct推理框架 │ │
│ │ · 生成操作计划（Action Plan） │ │
│ └───────────────────┬─────────────────────────┘ │
│ │ │
│ ┌───────────────────▼─────────────────────────┐ │
│ │ Execution Layer (执行层) │ │
│ │ · rApp/xApp调用 │ │
│ │ · A1/E2接口操作 │ │
│ │ · 配置变更/参数调优 │ │
│ └───────────────────┬─────────────────────────┘ │
│ │ │
│ ┌───────────────────▼─────────────────────────┐ │
│ │ Reflection Layer (反思层) │ │
│ │ · KPI变化趋势分析 │ │
│ │ · 操作效果评估 │ │
│ │ · 策略调整建议 │ │
│ └─────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────┘
从L4（高度自治）到L5（完全自治）的核心挑战不在于单点AI能力，而在于系统级保障：
graph TD
A[Phase 1: AI-on-RAN<br/>2024-2025] --> B[Phase 2: AI-in-RAN<br/>2025-2027]
B --> C[Phase 3: AI-Native RAN<br/>2027-2030]
A1[AI工作负载与RAN<br/>共享GPU基础设施] --> A
A2[基础能耗优化<br/>基于AI的载波关断] --> A
B1[Neural Receiver<br/>替代部分PHY模块] --> B
B2[AI波束管理<br/>减少CSI-RS开销] --> B
B3[AI调度优化<br/>QoE驱动的资源分配] --> B
C1[端到端AI原生空口<br/>PHY/MAC联合AI优化] --> C
C2[L4/L5自智网络<br/>意图驱动自治] --> C
C3[6G AI原生协议栈<br/>AI-Defined Air Interface] --> C
style A fill:#e1f5fe
style B fill:#fff3e0
style C fill:#fce4ec
Neural Receiver部署： - 初始部署建议仅替换信道估计+均衡模块，保留传统FFT和解码器 - 训练数据至少覆盖3GPP TR 38.901定义的全部CDL信道模型 - INT8量化在大多数场景下性能损失<0.2dB，建议默认启用 - 模型推理延迟预算：每个PRB处理不超过10μs
AI波束管理部署： - 初始阶段建议使用One-sided UE模型，降低信令复杂度 - 波束预测模型输入维度：最近4个测量时刻 × Top-8波束RSRP - 模型更新频率：建议每500ms检查一次模型性能，每24小时评估是否需要重训练 - 性能退化阈值：预测准确率低于90%时触发回退机制
| 技术指标 | 传统RAN (ASIC/FPGA) | vRAN (CPU) | AI-RAN (GPU) |
|---|---|---|---|
| 基带处理延迟 | 5-20 μs | 50-200 μs | 20-100 μs |
| 可编程性 | 硬件固化 | 软件可编程 | 软件可编程+AI可学习 |
| 功耗效率 | 最高 | 中等 | 优化中 |
| AI推理能力 | 无 | 有限 | 原生支持 |
| CSI-RS开销 | 5-10% | 5-10% | 2-5%（AI压缩） |
| 波束管理时延 | 5-20ms | 5-20ms | 1-5ms（预测） |
| 多租户支持 | 无 | 有限 | 原生（GPU时分复用） |
| 规范编号 | 标题 | 版本 | 核心内容 |
|---|---|---|---|
| TR 38.843 | AI/ML for NR Air Interface | Rel-18 | 空口AI/ML框架、用例评估 |
| TS 38.214 | NR Physical Layer Procedures | Rel-19+ | AI/ML CSI反馈增强 |
| TS 38.331 | NR RRC Protocol | Rel-19+ | AI/ML能力上报、模型信令 |
| TR 38.849 | Further AI/ML Study | Rel-19 | 移动性增强、定位AI化 |
| TS 28.541 | 5G NRM | Rel-19 | AI/ML管理对象定义 |
Q: AI-RAN和O-RAN是什么关系？是替代还是互补？
A: 互补关系。O-RAN定义了开放接口和智能控制器架构（RIC），AI-RAN定义了基带处理的GPU化实现。实际部署中，AI-RAN的GPU平台可以作为O-RAN架构中CU/DU的实现载体，RIC可以通过E2接口向AI-RAN下发AI策略。NVIDIA的AI Aerial平台已经支持O-RAN的O1/E2接口标准。
Q: Neural Receiver在实际商用网络中部署的挑战是什么？
A: 最大的挑战是训练数据与实际信道的分布差异。实验室训练的模型在面对真实网络中的多径环境、小区间干扰、硬件非理想特性（如相位噪声、IQ不平衡）时，性能可能显著退化。解决方案包括：在真实网络中采集数据进行fine-tuning、使用数据增强技术提升泛化能力、以及部署在线学习机制持续适配。此外，实时性约束（100μs内完成一个OFDM符号的处理）需要借助TensorRT等推理优化框架。
Q: 普通终端用户能否使用AI波束管理？是否需要新的手机硬件？
A: 需要终端支持AI/ML推理能力。3GPP Rel-19定义了UE AI/ML Capability的RRC上报字段，UE需要告知网络是否支持AI波束预测、是否具备本地AI加速器（NPU）。预计2027-2028年的旗舰手机将率先支持，中低端终端可能需要等到Rel-19标准成熟和芯片成本下降后才会逐步支持。不支持AI功能的终端将回退到传统波束管理流程。
Q: Agentic AI在通信网络中的安全性如何保障？
A: Ericsson和TM Forum的方案中均强调了安全护栏（Safety Guardrails）的设计：① 定义AI Agent的操作白名单，所有操作必须在预定义的参数范围内；② 关键操作需要人工审批（Human-in-the-loop）；③ 所有AI决策有完整的审计日志；④ 设置性能退化自动回退机制。在L4阶段，AI的建议仍需人工确认后才执行；只有在L5阶段才允许AI完全自主操作。
Q: AI-RAN的功耗问题如何解决？GPU不是比ASIC功耗更高吗？
A: 这是AI-RAN最大的争议点。传统ASIC基带处理的能效比确实远高于GPU。但AI-RAN的功耗经济性论证逻辑是：① GPU在闲时可运行AI推理服务产生收入，分摊功耗成本；② AI优化后的RAN（如减少CSI-RS开销、智能载波关断）可降低全网总能耗；③ GPU的制程进步（3nm→2nm）和专用AI加速核的集成正在持续改善能效比。SoftBank的评估显示，考虑AI服务收入后，AI-RAN的总体TCO可在3-5年内达到优于传统RAN的水平。
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。