# AI原生RAN架构与空口AI化深度原理：从3GPP Rel-18到自智网络L4/L5 ## 一、引言：为什么通信需要"AI原生"？ 传统移动通信系统的设计哲学是**模型驱动**——先用数学模型描述信道特征（如瑞利衰落、多径时延扩展），再基于这些模型推导最优算法（如MMSE信道估计、固定码本波束选择）。这种范式的致命弱点在于：**真实信道的复杂度远超任何解析模型的能力边界**。 当Massive MIMO的天线规模从4T4R演进到64T64R甚至128T128R，波束空间从数十维扩展到数百维，传统的穷举式波束扫描和固定码本反馈机制面临"维度灾难"。当载波频率迈向毫米波甚至太赫兹，信道的时间相关性骤降，基于统计平稳假设的估计算法在高速移动场景中几乎失效。 **AI原生通信**的核心命题是：不再将AI视为通信系统的外挂优化工具，而是将AI能力内嵌于空口协议栈的设计基座。从3GPP Release 18开始，这一范式转变正式进入标准化轨道——AI/ML不再仅仅是OAM域的"锦上添花"，而是深入物理层（PHY）、MAC层、RRC层的核心功能模块。 ## 二、3GPP AI/ML空口功能框架：TR 38.843核心技术架构 ### 2.1 功能框架总览 3GPP在TR 38.843中定义了NR空口AI/ML的统一功能框架，这是理解整个AI原生空口的起点。该框架包含以下核心逻辑功能块：  > *图表 1* **数据收集（Data Collection）**：框架的输入端，从UE和gNB两侧收集L1-RSRP测量、CSI-RS/SSB测量报告、波束质量指标等原始数据。与传统测量报告的关键区别在于——AI模型需要的不是统计平均后的KPI，而是**高维原始特征向量**，包括时域信道冲激响应、频域CSI矩阵的实部/虚部、波束赋形权重等。 **模型训练（Model Training）**：可以部署在网络侧（gNB/CU）或终端侧（UE），支持在线学习（Online Learning）和离线训练两种模式。3GPP定义了两种模型部署架构： | 部署架构 | 说明 | 典型用例 | |---------|------|---------| | **单侧模型（One-side Model）** | AI模型仅在UE侧或gNB侧运行，对侧不感知AI的存在 | 波束预测（仅UE侧）、定位（仅UE侧） | | **双侧模型（Two-side Model）** | AI模型在UE和gNB两侧协同运行，需要模型参数同步 | CSI反馈压缩（UE编码+gNB解码） | **模型推理（Model Inference）**：运行已训练模型，产生实际输出——如最优波束索引、压缩后的CSI码字、位置坐标估计值。推理的**实时性要求极高**，CSI反馈增强场景中推理时延需控制在符号级（微秒量级）。 **模型生命周期管理（LCM）**：这是3GPP AI/ML框架最独特的设计。包括模型注册/注销、激活/去激活、性能监控、模型更新、回退机制等子功能。LCM的存在意味着AI模型不是"一次训练终身使用"，而是持续演进的动态实体。 ### 2.2 RRC信令支持：AI/ML配置的协议实现 Release 18在TS 38.331（RRC协议）中引入了新的IE（Information Element）来支持AI/ML功能的配置和控制： - **AIML-Config**：RRC重配消息中的AI/ML专用配置容器，包含模型标识（Model ID）、适用用例（beamManagement/CSI-Enhancement/Positioning）、推理激活条件等 - **AIML-ReportingConfig**：AI模型推理结果的上报配置，定义上报周期、触发条件、上报格式 - **AIML-PerformanceReport**：模型性能监控报告，用于LCM闭环  > *图表 2* ## 三、信道估计AI化：从MMSE到神经网络的范式转换 ### 3.1 传统信道估计的瓶颈 在NR系统中，下行信道估计的基本流程是：gNB发送已知导频信号（CSI-RS或DM-RS），UE接收后基于导频位置处的已知信号估计算出信道响应，再通过插值获得全带宽的信道矩阵H。 经典算法包括： - **LS（最小二乘）估计**：$\hat{H}_{LS} = Y / X_{pilot}$，简单但噪声放大严重 - **LMMSE（线性最小均方误差）估计**：$\hat{H}_{LMMSE} = R_{H}H_{pilot}^H(H_{pilot}R_{H}H_{pilot}^H + \sigma^2 I)^{-1}Y$ LMMSE的核心问题在于需要预知信道协方差矩阵 $R_H$ 和噪声方差 $\sigma^2$——这两个统计量在实际系统中要么需要大量样本估计（引入额外时延），要么基于理想假设（失配导致性能退化）。在高速移动场景（350km/h+）下，信道的时间非平稳性使得 $R_H$ 在一个时隙内就发生显著变化，LMMSE的"最优线性估计"前提不复存在。 ### 3.2 AI信道估计的数学本质 AI信道估计的本质是用神经网络 $f_\theta$ 替代传统估计算法中的解析函数： $$\hat{H}_{AI} = f_\theta(Y_{pilot}, X_{pilot}, \rho_{snr})$$ 其中 $\theta$ 是网络参数，$Y_{pilot}$ 是导频接收信号，$X_{pilot}$ 是已知导频信号，$\rho_{snr}$ 是信噪比辅助输入。 3GPP在Rel-18中重点关注的是**CSI反馈增强**，而非直接替代物理层的实时信道估计。其核心思路是： | 维度 | 传统Type II CSI反馈 | AI/ML CSI反馈增强 | |------|-------------------|------------------| | **压缩方法** | 固定码本投影（DFT变换+幅度/相位量化） | 神经网络编码器学习最优压缩映射 | | **反馈开销** | 4-64 bits per RB组（取决于配置） | 降低50%-80%（实测数据） | | **重建精度** | 码本量化误差，高秩信道性能差 | NMSE降低3-10dB | | **适用场景** | 低中速移动、中低频段 | 高速移动、毫米波、Massive MIMO | | **标准化状态** | Rel-15引入，成熟商用 | Rel-18/19标准化，2026年开始商用验证 | **双侧CSI压缩模型**的工作原理： UE侧编码器 $E_\theta$：将高维CSI矩阵 $\mathbf{H} \in \mathbb{C}^{N_r \times N_t}$ 压缩为低维码字 $\mathbf{z} = E_\theta(\mathbf{H}) \in \mathbb{R}^k$，其中 $k \ll N_r \times N_t$。 gNB侧解码器 $D_\phi$：从码字重建信道矩阵 $\hat{\mathbf{H}} = D_\phi(\mathbf{z})$。 训练目标函数： $$\mathcal{L} = \mathbb{E}\left[\|\mathbf{H} - D_\phi(E_\theta(\mathbf{H}))\|_F^2\right] + \lambda \cdot R_{rate}(\mathbf{z})$$ 其中 $R_{rate}$ 是码率约束项，$\lambda$ 是拉格朗日乘子，用于平衡重建精度与反馈开销。 **单侧CSI预测模型**（Rel-19新增方向）则仅在网络侧运行，利用历史CSI数据预测未来时刻的信道状态： $$\hat{\mathbf{H}}_{t+1} = f_\theta(\mathbf{H}_t, \mathbf{H}_{t-1}, \ldots, \mathbf{H}_{t-N})$$ 这种方式不需要修改UE，通过gNB侧的时序预测模型（如LSTM/Transformer）实现CSI预测，有效降低反馈频率。 ### 3.3 实战参数配置建议 | 参数 | 推荐配置 | 说明 | |------|---------|------| | **CSI-RS密度** | 1 RE/PRB（AI模式可降至0.5） | AI模型可以在更稀疏的导频上工作 | | **反馈周期** | 10-20ms（传统5ms） | AI预测能力允许降低反馈频率 | | **压缩比** | 1/8 ~ 1/16 | 在NMSE < -15dB约束下优化 | | **模型复杂度** | 编码器<50K参数 | UE侧算力受限，需轻量化 | | **推理时延** | <50μs | 需在PUSCH准备时间内完成 | ## 四、智能波束管理：从码本穷举到AI预测 ### 4.1 传统波束管理的困境 NR毫米波系统中，波束管理通过SSB或CSI-RS波束扫描实现。以FR2（24-52GHz）为例，典型配置下gNB有64个TX波束、UE有4个RX波束，完整的波束配对搜索需要 $64 \times 4 = 256$ 次测量。 每次波束测量需要至少1个SSB时隙（SSB周期默认20ms），完成全量扫描需要的时间远远超过了信道相干时间。这意味着**当扫描完成时，最优波束可能已经不再是"最优"的了**。 传统码本方案的另一个问题是：DFT码本只能生成均匀网格的波束方向，无法自适应匹配实际的用户分布和散射环境。在实际城区场景中，用户集中分布在几个主要方向上，但码本仍需全向扫描。 ### 4.2 AI波束预测的核心原理 3GPP TR 38.843定义的AI/ML波束管理包含两个子用例： **子用例1：波束预测（Beam Prediction）** 利用历史波束测量数据预测未来时刻的最优波束对，避免频繁的全量扫描。  > *图表 3* 数学形式化表述：给定过去 $N$ 个时刻的波束测量向量 $\{\mathbf{r}_{t-N}, \ldots, \mathbf{r}_{t-1}\}$，其中 $\mathbf{r}_t = [RSRP_1, RSRP_2, \ldots, RSRP_M]$ 为 $M$ 个波束的参考信号接收功率，预测未来时刻的最优波束索引： $$\hat{b}^*_{t+1} = \arg\max_{b \in \mathcal{B}} f_\theta(\mathbf{r}_{t-N}, \ldots, \mathbf{r}_{t-1}; b)$$ **子用例2：波束增强（Beam Enhancement）** 通过AI模型从部分带宽的CSI-RS测量中推断全带宽的波束质量，减少CSI-RS开销。这在FR2的CA（载波聚合）场景中尤其有价值——只需在一个CC上发送CSI-RS，AI模型即可推断其他CC的波束质量。 ### 4.3 网络架构对比 | 特性 | Rel-15/16波束管理 | Rel-18 AI波束管理 | |------|-----------------|-----------------| | **波束搜索范围** | 全码本空间 | AI预测的子空间 | | **SSB开销** | 全量发送 | 减少40%-70% | | **波束切换时延** | 20-80ms | 5-15ms | | **适用场景** | 低中速移动 | 中高速移动（≤120km/h） | | **UE影响** | 无 | 需支持AIML-Config信令 | | **回退机制** | N/A | 模型失效时回退至传统码本 | | **规范依据** | TS 38.300/38.214 | TR 38.843 + TS 38.331增强 | ## 五、AI-RAN架构：从芯片到网络的系统性重构 ### 5.1 AI-RAN联盟的架构定义 AI-RAN联盟（由NVIDIA、诺基亚、微软、三星等于2024年成立）提出的AI-RAN参考架构将RAN功能重新划分为三个平面： **RAN平面**：传统的CU/DU/RU功能，但在DU层引入GPU加速的L1处理。NVIDIA的Aerial SDK已将LDPC编解码、FFT/IFFT、波束赋形等L1运算卸载到GPU，为AI模型推理预留算力空间。 **AI-on-RAN平面**：在RAN基础设施上运行AI推理任务，包括： - 实时波束预测推理（时延要求<1ms） - CSI压缩/解压推理 - 功率控制优化 - 负载均衡决策 **AI-and-RAN平面**：AI训练任务与RAN信号处理共享同一GPU集群的算力。在业务低峰期（凌晨），GPU集群资源向模型训练倾斜；在业务高峰期，资源优先保障RAN L1实时处理。 ### 5.2 GPU加速RAN的性能数据 根据NVIDIA和诺基亚在MWC 2026上发布的联合测试结果： | 指标 | CPU-only DU | GPU加速DU (Aerial) | |------|------------|-------------------| | **L1处理时延** | 800-1200μs | 200-400μs | | **单服务器小区容量** | 4-8个4T4R小区 | 12-16个64T64R小区 | | **功耗效率** | 基线 | 提升2.5倍（每比特） | | **AI推理可用算力** | 不可用 | GPU内预留15-20%算力 | | **CSI压缩推理时延** | N/A | 30-80μs | ### 5.3 部署架构选择  > *图表 4* **方案选择建议**： - **密集城区Massive MIMO场景**：方案A最优，GPU集群集中处理多小区的波束赋形和CSI重建 - **郊区/广域覆盖场景**：方案B更经济，边缘GPU卡仅用于关键AI推理 - **运营商云化程度高的场景**：方案C长期TCO最优，但需要F1/E2接口的低时延保障 ## 六、自智网络从L3到L4/L5的跃迁路径 ### 6.1 TM Forum自智网络等级模型 TM Forum定义的自智网络（Autonomous Network）分为6个等级： | 等级 | 名称 | 特征 | 通信行业当前进展 | |------|------|------|---------------| | L0 | 手动管理 | 全部人工操作 | 已淘汰 | | L1 | 辅助管理 | 工具辅助人工决策 | 已淘汰 | | L2 | 部分自治 | 部分任务自动化 | 当前主流 | | L3 | 条件自治 | 特定域内闭环自动化 | 领先运营商已达到 | | L4 | 高度自治 | 全域自动化，人机协同监督 | 2026年开始试点 | | L5 | 完全自治 | 端到端无人干预 | 2030+愿景 | ### 6.2 L4级自智网络的关键使能技术 从L3到L4的跃迁，核心是从**规则驱动的自动化**转向**意图驱动的自智化**。L3系统依赖预定义规则（如"若PRB利用率>80%则触发负载均衡"），而L4系统能理解高层的**意图描述**（如"确保CBD区域用户体验速率>100Mbps"），自动分解为具体的网络配置操作。 **Agentic AI架构**是L4级自智网络的实现范式：  > *图表 5* **关键差异点：L3 vs L4** | 维度 | L3（条件自治） | L4（高度自治） | |------|--------------|--------------| | **决策模式** | 基于阈值的规则引擎 | 基于LLM的意图理解+强化学习 | | **优化范围** | 单域（RAN或CN或TN） | 跨域联合优化 | | **故障处理** | 预定义故障恢复脚本 | 根因分析+自动生成修复方案 | | **参数调优** | 固定参数集优化 | 参数空间自动探索 | | **人工介入** | 异常告警后人确认 | 人仅监督审计，系统自主执行 | | **标准接口** | O-RAN O1/O2 | TMF OpenAPI + O-RAN A1/O1 | ### 6.3 L5愿景：完全自治网络的终极形态 L5级自智网络的核心理念是**网络即智能体（Network-as-Agent）**——整个通信网络被视为一个具有感知、决策、执行、学习能力的超级智能体。 关键特征： - **零触配置（Zero-Touch Provisioning）**：新基站上电后自动完成邻区发现、参数自配、PCI分配、Xn/N2接口建立 - **预测性运维（Predictive O&M）**：基于时序预测模型在故障发生前48小时触发预防性维护 - **自适应切片编排**：根据业务流量预测自动创建/调整/释放网络切片，包括SLA指标的动态调整 - **端到端自愈**：从无线链路失败到核心网网元故障的全链路自动恢复，目标MTTR < 30秒 Ericsson和AWS在2025年联合发表的Agentic AI for RAN优化白皮书中，提出了从"Talk-to-Network"到"Network-as-Agent"的三阶段演进路线，预计L5级商用部署的时间窗口在2030-2032年。 ## 七、实际部署中的关键技术挑战 ### 7.1 模型泛化性问题 AI模型在训练环境中表现优异，但在部署环境中的性能退化（Domain Shift）是最大的工程挑战。具体表现： - **信道模型失配**：在城市宏站数据上训练的模型部署到郊区微站，NMSE可能恶化10dB以上 - **终端多样性**：不同芯片平台的RF前端特性差异导致模型输入分布偏移 - **业务模型变化**：疫情期间流量模型突变，基于历史数据训练的预测模型大面积失效 **缓解策略**： - 采用Domain Adaptation技术，在模型推理时动态调整批归一化参数 - gNB侧维护多套模型版本，根据UE能力报告（UECapabilityInformation）选择匹配模型 - 设置性能监控阈值，当AIML-PerformanceReport显示NMSE超过-10dB时自动回退到传统算法 ### 7.2 UE侧算力与功耗约束 AI模型在UE侧运行面临严格的功耗和算力限制： - **推理功耗预算**：< 50mW（避免显著影响电池续航） - **模型参数量**：编码器 < 100K参数（对应约400KB FP16存储） - **推理时延**：CSI压缩 < 100μs，波束预测 < 500μs 这要求模型设计必须极致轻量化。业界实践表明，深度可分离卷积（Depthwise Separable Convolution）和通道剪枝（Channel Pruning）可以在精度损失<1dB的条件下将参数量压缩至原始模型的1/5。 ### 7.3 模型更新与版本管理 在现网中，AI模型的OTA更新需要考虑： - **兼容性**：新版本模型与旧版本UE的互操作 - **回退机制**：模型更新失败时快速回退到传统算法（需保证回退时延 < 100ms） - **验证周期**：新模型上线前需经过充分的小范围灰度验证 3GPP在Rel-19中进一步明确了模型LCM的标准化流程，包括模型注册（Model Registration）、模型激活（Model Activation）、性能验证（Performance Validation）、模型去激活（Model Deactivation）四个阶段。 ## 常见问题 **Q: AI/ML CSI反馈增强和传统Type II CSI反馈可以同时使用吗？** A: 不可以。3GPP Rel-18中规定，当AIML-Config中激活了CSI-Enhancement用例时，对应的CSI报告配置必须使用AI/ML模式，不能与传统Type II混合。但不同的CSI报告配置（ReportConfig ID不同）可以使用不同的模式——例如周期性CSI用传统Type II，非周期性CSI用AI压缩。 **Q: 在现网中如何部署AI-RAN？需要更换现有设备吗？** A: 分阶段部署。**阶段一**（纯网络侧）：在gNB CU部署AI推理服务器（x86+GPU），运行CSI预测、波束预测等单侧模型，不需要升级UE。**阶段二**（双侧协同）：UE芯片支持AI推理能力后（预计2027年商用SoC），激活双侧CSI压缩模型。阶段一不需要更换RU，但需要增加GPU服务器。阶段二需要新一代UE芯片支持。 **Q: AI模型的训练数据从哪里来？需要标注吗？** A: 波束管理和CSI增强用例主要采用**自监督学习**——以真实的信道测量数据作为标签，不需要人工标注。例如CSI压缩模型的训练标签就是原始的高维CSI矩阵本身。模型训练一般在OAM域的数据分析功能（MDAF）中完成，使用过去7-30天的历史测量数据。 **Q: AI波束管理和传统LMR（L1-MAC RRC）波束管理有什么区别？** A: 传统LMR波束管理通过L1-RSRP测量触发MAC CE上报，再由网络通过RRC重配完成波束切换，全程基于固定规则。AI波束管理的核心差异是：（1）UE侧AI模型可以从部分扫描中预测全局最优波束，减少扫描开销；（2）gNB侧AI模型可以基于历史趋势预测波束切换时机，提前准备；（3）波束选择不再受限于固定码本，AI可以输出非码本方向的波束赋形权重。 **Q: 自智网络L4级在5G网络中能实现哪些具体能力？** A: 2026年可预期的L4级能力包括：（1）RAN域跨厂商参数自优化（通过O-RAN rApp闭环）；（2）核心网网元故障的自动根因定位与自愈（MTTR从小时级降至分钟级）；（3）网络切片SLA的实时监控与自动调优；（4）基于业务预测的能耗管理（AI预测低谷时段自动关断载波）。需要注意的是，L4级仍然需要人工监督和审批关键决策。 --- > 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。