1. 项目概述:当5G遇见AI,一场标准化的深度重构
如果你在通信行业摸爬滚打超过五年,那么对“3GPP”和“标准演进”这两个词一定不会陌生。它们代表着缓慢、严谨、以及无数次会议和邮件往来。但这一次,R18版本带来的冲击,可能比从4G到5G的跨越更让人兴奋。核心就在于,它正式将人工智能和机器学习(AI/ML)的“血液”注入了5G新空口(NR)的标准化进程中。这不再仅仅是学术界或设备商实验室里的概念验证,而是即将成为全球运营商和设备制造商必须遵循的“游戏规则”。
简单来说,R18中的AI/ML for Air Interface项目,旨在解决一个核心矛盾:我们设计的5G网络越来越复杂,参数和配置组合呈指数级增长,但传统的、基于固定规则和预定义模型的网络优化方法,已经逼近了性能天花板。空口性能,这个直接影响你手机上网速度、游戏延迟和视频流畅度的核心指标,亟需一种更智能、更自适应的“大脑”来管理。R18所做的,就是为这个“大脑”的部署和运行,制定一套标准化的“语言”和“接口”。
这不仅仅是技术升级,更是一次范式转移。过去,我们优化网络,靠的是工程师的经验和大量的路测数据,建立静态的覆盖、干扰和容量模型。而在AI/ML的框架下,网络将能实时感知环境变化(比如突然涌入的人群、天气变化对信号的影响),并自主决策如何调整波束、功率、调度策略,甚至预测可能发生的拥塞或故障。R18标准化的,正是这种“感知-决策-执行”闭环中,AI模型如何被训练、如何被部署到基站或终端、以及如何与现有协议栈协同工作的关键机制。对于从事无线算法、网络优化、芯片设计甚至终端应用开发的从业者来说,理解R18的AI/ML框架,不再是前瞻性研究,而是把握未来五年技术走向的必修课。
2. R18 AI/ML框架的核心设计思路与选型考量
2.1 为何选择“数据驱动”而非“规则驱动”的空口优化?
传统空口优化的瓶颈非常明显。以波束管理为例,在毫米波频段,基站需要形成成百上千个窄波束来跟踪用户。基于规则的波束扫描和选择算法,在面对用户快速移动、障碍物遮挡等动态场景时,往往响应迟缓,导致频繁的波束失准和链路中断。再比如信道状态信息(CSI)反馈,终端需要压缩并上报庞大的信道矩阵,这本身就是巨大的开销。固定压缩算法无法适应所有信道条件,要么精度损失,要么开销过大。
R18引入AI/ML的核心思路,就是用数据驱动的模型,替代或增强这些固定规则。其底层逻辑是:空口信道的变化、用户的行为模式、业务的QoS需求,虽然瞬时随机,但在统计意义上存在可以被学习的“模式”。一个训练有素的神经网络,可以从海量的历史信道测量、吞吐量记录、调度结果中,学习到这些模式,并做出比传统算法更优、更快的预测和决策。例如,AI模型可以仅根据部分CSI和终端位置信息,就高精度地预测完整的信道矩阵,从而大幅降低反馈开销;或者,它可以根据实时的干扰图样,动态调整相邻小区的功率和频域资源分配,实现干扰的“精准抑制”而非“粗暴规避”。
标准化的挑战在于,如何定义一套通用的框架,让不同厂商、不同能力的设备(从高端基站到低功耗物联网终端)都能集成和运行AI功能,同时保证互操作性。R18没有规定具体的AI模型结构(比如用CNN还是RNN),而是聚焦于 接口、流程和用例 的标准化。这是一种非常务实的“分层解耦”思想:上层应用(如波束预测)由厂商自由创新,底层的数据收集、模型分发、推理执行流程则由标准统一规定,确保整个生态系统能顺畅运转。
2.2 分布式智能架构:云、边、端的角色再定义
R18对AI/ML的部署架构进行了关键定义,主要分为 网络侧AI 和 终端侧AI ,并引入了 联合学习 的雏形概念。这背后是对计算、时延和隐私的综合权衡。
网络侧AI 通常部署在基站(gNB)的分布式单元(DU)或集中单元(CU),甚至更上层的边缘计算平台。它的优势是拥有强大的计算能力和更全局的网络视图。适合处理需要多节点协同的复杂任务,比如小区间的负载均衡、网络切片资源编排、以及基于全网数据的长期趋势预测模型。例如,一个部署在区域中心机房的AI模型,可以分析数十个基站一整天的流量数据,预测第二天高峰时段的业务热点,并提前进行切片资源的预配置。
终端侧AI 则部署在用户设
208



被折叠的 条评论
为什么被折叠?



