<!-- title: AI原生通信：AI-RAN架构与智能波束管理深度解析 -->

# AI原生通信：从AI-RAN架构到智能波束管理的全栈深度解析

## 一、引言：从"AI加持"到"AI原生"的范式跃迁

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。

## 二、AI-RAN架构原理：当GPU遇见基带

### 2.1 传统RAN vs AI-RAN的架构对比

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         │
└─────────────────────────────────────────────────────────────┘
```

### 2.2 NVIDIA AI Aerial架构详解

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。

### 2.3 Samsung AI原生6G CU-DU架构演进

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：

- **CU（Centralized Unit）** 作为AI模型的中枢节点，负责：模型训练、联邦学习聚合、跨DU协调、数据集中采集
- **DU（Distributed Unit）** 作为AI推理的边缘节点，负责：实时信道估计AI化、调度优化、干扰协调
- 新增**AI管理面（AI Management Plane）** 与现有的用户面（UP）、控制面（CP）并列

```
┌──────────────────────────────────────────────────┐
│                   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)          │            │
│  └───────────────────────────────────┘            │
└──────────────────────────────────────────────────┘
```

## 三、Neural Receiver：用神经网络替代传统接收机

### 3.1 传统接收机 vs Neural Receiver

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 |

### 3.2 Neural Receiver的网络架构

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：

1. **DMRS作为注意力引导**：传统方法中DMRS仅用于LS/MMSE信道插值；Neural Receiver将DMRS位置和值作为attention机制中的key/value，让网络学会"在正确的位置估计信道"
2. **端到端训练损失**：不使用MSE作为信道估计的中间损失，而是直接优化BLER（Block Error Rate）作为端到端损失函数
3. **训练数据多样性**：需要在3GPP定义的多种信道模型（TDL-A/B/C、CDL-A/B/C/D/E）下进行数据增强训练

### 3.3 实时部署的挑战

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：

- 在Grace Hopper GPU上，Neural Receiver的推理延迟可控制在**100微秒以内**，满足5G NR OFDM符号级处理的时间约束
- 关键优化手段：**TensorRT**加速推理、**FP8/INT8量化**、**CUDA Graph**消除内核启动开销
- Samsung的验证表明，基于NVIDIA AI Aerial平台的AI信道估计在上行接收中可实现与传统方法相当的BER性能，同时将CSI-RS开销降低50%以上

## 四、AI/ML驱动的波束管理

### 4.1 3GPP TR 38.843定义的波束管理框架

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）

### 4.2 AI波束管理的信令交互流程

```
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
```

### 4.3 AI波束预测的关键算法

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）：

- **One-sided Model**：模型仅在UE侧或仅在gNB侧运行。例如UE侧模型：UE用本地测量的部分波束RSRP作为输入，预测全部波束RSRP
- **Two-sided Model**：模型分布在UE和gNB两端。例如：UE侧执行特征提取和压缩上报，gNB侧执行完整的波束预测推理

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 |

### 4.4 实际部署中的关键问题

**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

## 五、AI/ML模型生命周期管理（LCM）

### 5.1 3GPP定义的LCM框架

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  │                              │
│                   └──────────────┘                              │
└──────────────────────────────────────────────────────────────┘
```

### 5.2 O-RAN中的AI/ML LCM实现

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。

## 六、自智网络：从L3到L4/L5的AI跃迁

### 6.1 TM Forum自智网络等级定义

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。

### 6.2 Ericsson Agentic AI架构

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                               │ │
│  └─────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────┘
```

### 6.3 L4→L5跃迁的关键技术瓶颈

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**：

1. **可解释性（Explainability）**：AI的决策必须可追溯、可审计。这在通信网络中涉及SLA保障时尤为关键——如果AI自主修改了小区功率配置导致覆盖黑洞，必须有明确的归因机制
2. **安全边界（Safety Guardrails）**：AI Agent的操作必须在预定义的安全策略空间内执行。例如，功率调整不能超过配置的±3dB范围
3. **跨域协调（Cross-domain Coordination）**：L5要求RAN、传输网、核心网的AI Agent能够协同决策，这需要统一的意图框架和跨域数据共享
4. **模型鲁棒性（Model Robustness）**：面对未见过的网络故障模式（Zero-day故障），AI需要具备泛化推理能力

## 七、实战部署建议

### 7.1 AI-RAN部署路线图

```
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
```

### 7.2 参数配置建议

**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

## 八、技术参数对比汇总

### 表1：AI-RAN vs 传统RAN关键技术指标对比

| 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） |

### 表2：3GPP AI/ML for NR关键规范索引

| 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 |

## 常见问题

**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。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)