人工智能并非随着生成式AI的出现才突然进入电信领域。它对移动网络的影响已经发展了十多年，紧密跟随从4G到5G、5G-Advanced，最终到6G的演进。变化最大的不仅仅是网络中部署的AI模型数量，而是智能在通信架构中所扮演的角色。

在4G中，AI主要是一种离线分析工具。到了5G，智能向无线网络靠拢，开始辅助实时优化。在5G-Advanced中，AI正成为一个端到端运营框架的一部分，具备预测、资源协调和自动恢复的能力。更长期的6G愿景更进一步，将智能视为一种原生架构能力，而非网络设计完成后添加的外部功能。

这一演进改变了网络自身的用途。曾经主要以传输数据为中心的移动基础设施，正逐渐变得能够感知环境、分析行为、预测需求、分配资源、检测异常状态，并根据业务需求进行自我调整。

从辅助到原生智能

AI与移动通信之间的关系可以理解为通过四个不同阶段的演进。每一代都增加了智能的深度以及AI影响网络行为的速度。

关键的转变是从网络外部AI到网络控制流程内部的AI。早期的系统在事件发生后分析历史信息。更先进的架构则越来越多地利用实时信息来影响网络下一步的行动。

这种差异是根本性的。离线分析可以解释昨天的拥塞。闭环智能可以检测负载增加、预测可能发生的情况、调整资源，并评估变更是否确实改善了服务。

4G：无闭环控制的分析

4G时代的主要目标是高速移动宽带。网络架构、无线设备、传输资源和运营流程主要围绕高效传输不断增长的数据量而设计。

人工智能对底层通信架构的影响非常小。大多数智能处理发生在集中的IT或云环境中，而不是在无线接入或边缘基础设施内部。

典型应用包括流量统计、告警分类、投诉分析和定期网络报告。这些工具可以帮助工程师了解已经发生的情况，但它们通常在事后运行，而不是直接参与网络控制。

因此，优化在很大程度上依赖于工程团队。小区参数、邻区关系、功率门限、干扰问题和其他无线设置经常需要手动分析和调整。

当网络行为相对可预测时，这种方法效果尚可，但在需求随时间显著变化的地点，它变得越来越低效。商业区、火车站、交通枢纽和其他区域可能经历强烈的流量波动。在平静时段表现良好的配置可能在突发高峰时不适配。

如果没有靠近基站的分布式边缘计算和智能功能，AI就无法持续分析本地条件并立即修改网络行为。没有成熟的数据收集、智能分析、决策和自动执行之间的实时闭环周期。

因此，AI在这一阶段的主要价值是运营可见性，而非自主优化。它帮助工程师组织信息，但在实时直接改进网络方面的能力有限。

5G将智能带到边缘

向5G的过渡显著改变了运营环境。高清视频、云游戏、大规模物联网部署和快速增长的设备密度带来了更动态的流量模式和更复杂的无线条件。

主要基于人工工程和固定算法的传统优化变得越来越难以扩展。因此，一个重要的架构变革是将计算能力移向网络边缘。

通过将智能部署在更靠近无线接入基础设施的位置，网络数据可以以毫秒级响应速度进行收集和分析。AI系统可以持续观测信道质量、干扰条件、用户移动性和小区负载等信息，而不必仅依赖定期的离线分析。

这实现了多项实用的优化功能。

• 小区负载均衡：当相邻小区经历不同需求水平时，可以更有效地分配流量。

• 智能用户引导：可根据当前条件将用户引导至更合适的网络资源。

• 移动性预测：移动模式可帮助网络在服务质量下降前为切换做好准备。

• 干扰优化：智能分析可识别变化的无线条件，支持更自适应的干扰管理。

这些能力在密集城区、地铁系统、园区、交通环境以及其他用户密度和移动模式不断变化的地方尤为有用。

然而，常规5G中的智能仍应被视为一种附加的优化能力，而非完全AI原生的架构。底层协议和硬件架构最初并非围绕跨所有网络域的自主决策而设计。

这限制了自动化的程度。常规的拥塞、移动性和干扰问题可能得到有效处理，但大型活动流量激增、极端天气或复杂建筑物遮挡等异常情况仍可能需要工程干预。

因此，运营模式在很大程度上仍然是人工主导、AI辅助。智能提高了效率，但工程师仍为超出既定优化模式的条件提供最终安全网。

5G-A迈向主动自主

5G-Advanced代表了通信基础设施与人工智能之间更深度的融合。AI不再局限于孤立的优化任务，而是可以将智能分布在无线接入网、传输基础设施和核心网中。

重要的变化是从被动管理转向主动运营。传统维护往往是在性能问题或设备故障已经影响网络之后才开始。智能架构可以利用累积的运营数据，识别在故障对用户可见之前就已出现的模式。

因此，可以更早地分析潜在的设备老化、传输劣化、拥塞加剧和其他异常趋势。目标是识别正在发展的问题，并在其成为影响服务的故障之前进行干预。

预测性网络运营

可以结合历史和实时数据来识别异常行为。智能分析不是将每个告警视为孤立事件，而是检查设备状态、流量变化、性能指标和既往故障之间的关系。

这将网络维护从简单的告警响应过程转变为更具预测性的运营模式。

更智能的无线资源使用

AI辅助的波束赋形可以改善无线能量向用户的定向传输。通过根据当前无线条件调整信号发送，网络可以将资源集中到需要的地方，同时减少不必要的干扰。

同样的原则更广泛地适用于频谱管理。无线资源变得越来越动态，而不是根据静态需求假设保持固定。

体验与能量优化

流量并非全天恒定。商业区、住宅区、交通枢纽、工业场所和园区都有可识别的需求模式。

AI可以学习这些模式，并帮助网络相应地调整资源。可以在高峰时段集中容量，而在需求下降时减少不必要的资源。目标是改善服务体验，同时控制能耗。

自适应行业连接

私有和面向行业的网络通常有着与普通消费宽带截然不同的要求。工业控制、医疗保健和低空连接应用可能优先考虑时延、可靠性、隔离性或可预测的资源可用性。

智能编排可以帮助根据这些业务需求调整网络切片和可用资源，同时还能响应干扰和变化的运营条件。

这一阶段还引入了一个更广泛的关系，通常通过两个互补方向来描述：AI4Net 和 Net4AI。

AI4Net是指利用人工智能通过更好的效率、性能、维护和资源控制来改进通信网络本身。Net4AI描述相反的方向：日益智能和强大的网络为AI使能的服务和设备提供所需的连接和计算基础。

结果是一个强化的循环。AI改进网络运营，而改进的网络支持更大范围的智能应用。

6G从内置智能开始

更长期的6G概念代表着更根本的架构变革。不是先设计传统的通信网络再添加智能，而是设想网络从一开始就包含分布式智能、自主学习和协调决策。

通信、感知、计算和人工智能日益融合。网络不再仅负责将比特从一个端点传递到另一个端点。它还参与理解环境、分配计算任务、协调资源和支持智能机器。

全网分布式智能

未来的智能不太可能存在于一个集中的位置。不同的决策有不同的时延、隐私、计算和资源需求。

因此，多层架构可以将智能分布在终端、边缘节点、基站和云基础设施中。快速的本地决策可以靠近用户做出，而更大规模的协调可以利用更广泛的网络信息。

这创建了一个系统，资源可以根据单个业务的需求进行协调，而不是在孤立的网络层内独立控制。

语义通信改变目标

传统通信系统侧重于准确传输比特。语义通信探索了一个不同的概念：传输对应用有意义的信息，而不是总是传送每一份原始数据。

对于智能机器而言，这一点尤为重要。如果可以通过共享选定的特征、意图或语义信息来完成任务，两个AI系统可能不需要交换每一个原始数据样本。

减少冗余信息可以使未来XR服务、自动驾驶车辆、智能机器人以及其他可能产生海量交互数据的应用的通信更加高效。

RIS使环境可编程

可重构智能表面（RIS）引入了另一个重要概念。传统无线工程在很大程度上将物理传播环境视为网络必须绕行的对象。

RIS改变了这一假设，允许动态影响电磁传播。结合智能控制，反射表面可以调整信号路径以改善覆盖、减少干扰，或帮助到达仅通过传统传播难以服务的区域。

不是仅通过增加更多发射硬件来改善连接，而是无线环境本身的一部分变得可控。

自主性超越固定规则

前几代高度依赖工程师预先设置的参数、门限和规则。更智能的6G架构旨在减少这种依赖。

网络将越来越多地从变化的条件中学习，跨域协调资源，并根据业务需求和环境条件调整其运营行为。

长期目标是一个能够以显著更少的人工干预进行组织、优化和恢复的通信基础设施。

这一演进带来的变化

向智能通信的迈进带来的影响远不止于在现有网络管理平台上添加AI软件。它改变了基础设施应如何收集信息、分配计算资源、执行决策和评估绩效。

智能必须跟随工作负载

集中式云计算在模型训练和大规模分析方面仍有价值，但并非每个网络决策都能等待远端数据中心。移动性、干扰、无线调度和其他对时间敏感的过程可能需要智能更靠近数据生成的位置。

因此，从4G到5G的演进展示了一个重要的架构原则：计算能力必须根据响应时间要求进行分布。

数据成为运营资源

AI无法优化它无法观测的网络。无线条件、流量需求、设备状态、移动模式和服务行为成为智能决策的关键输入。

当不同领域可以一起分析时，这些信息的价值也会增加。孤立的无线指标可能只能解释问题的一部分，而来自接入、传输、核心和服务层的组合信息可以提供更完整的运营视图。

闭环运营变得至关重要

向自主性的演进需要的不只是生成建议。智能需要成为可重复循环的一部分：

1. 观测当前网络条件；

2. 分析模式并检测变化；

3. 预测可能的服务或设备影响；

4. 选择适当的响应；

5. 将变更应用于网络资源；

6. 衡量结果并继续学习。

这种闭环方法正是分析型智能与运营型智能的区别所在。网络不再仅仅描述其状态，而是越来越多地参与改善该状态。

优化变为多目标

未来网络不能仅针对最大吞吐量进行优化。它们必须平衡覆盖、时延、可靠性、能耗、频谱效率、业务需求和资源可用性。

AI之所以有用，是因为这些目标通常随位置和时间而变化。一个拥挤交通枢纽的最佳资源配置，可能与工业专网或夜间低流量住宅区的最佳配置截然不同。

智能调度使网络行为能够更紧密地与实际运营条件保持一致。

网络规划的战略要点

从4G到6G的演进展示了一致的方向：人工智能正从电信运营的边缘移向网络架构的中心。

在4G中，智能工具主要帮助工程师理解历史网络行为。在5G中，边缘计算使AI能够参与更快、更本地化的优化。5G-Advanced将此方法扩展到更多网络领域，并引入更强的预测、自优化、能量管理和自动化资源协调能力。

6G愿景进一步延伸了这一概念，将智能变为通信架构的原生属性。分布式学习、语义通信、可编程无线环境以及协调的通信-计算资源，指向了一种不仅为承载智能服务而设计、而且自身就能智能运行的基础设施。

这也改变了电信领域的竞争基础。网络能力将越来越多地不仅以峰值速率、带宽、覆盖或硬件性能来衡量，还取决于基础设施理解需求、调度计算和通信资源、适应不同场景以及自主运营的有效性。

因此，5G-Advanced是一个重要的过渡，而不仅仅是增量式的无线升级。在这一阶段积累的运营数据、智能模型、自动化经验和应用场景，可以为未来6G系统中更深度的智能集成提供实践基础。

随着通信、感知、计算和智能的持续融合，网络正逐渐从被动的传输基础设施转变为主动的数字基石，能够支持日益自主的设备、应用和行业。

常见问题

为什么边缘计算对智能移动网络很重要？

许多无线和移动性决策必须快速做出。将计算资源移近接入网络可缩短数据收集、分析和行动之间的距离，使得实时优化比仅依赖集中式离线处理更加可行。

为什么5G-Advanced被认为是通向6G的重要桥梁？

它提供了一个实用环境，可在无线、传输和核心网运营中扩展AI，同时积累运营数据、自动化经验、智能模型和行业用例，为未来的原生智能架构提供支持。

哪些环境从自适应优化中受益最大？

需求高度变化或移动模式复杂的地点可显著受益。例如密集城区、交通系统、园区、工业环境以及流量随事件或时间剧烈变化的区域。

为什么计算资源在网络规划中变得越来越重要？

未来业务同时依赖连接和智能处理。随着AI功能分布在终端、边缘基础设施、无线节点和云系统中，协调计算资源的能力与服务质量日益相关。

未来网络会完全消除人工操作吗？

方向是朝向更高水平的自动化分析、预测、优化和恢复。然而，从5G向更自主架构的演进是渐进的，每一代都在增加可智能处理的决策范围，而不是一次性改变整个运营模式。