从地面到太空：AI重塑未来通信网络
人工智能（AI）正集成到各类网络中，受此驱动，通信行业正在经历重大变革。随着AI的不断发展，它将在通信系统设计、优化和自动化中变得越来越不可或缺，尤其是在地面网络（TN）和非地面网络（NTN）领域。AI在通信网络中的集成对地面网络和非地面网络均产生深远影响。地面网络（TN）由传统地基基础设施组成，是全球连接的支柱；而非地面网络（NTN）由卫星系统、高空平台和无人机系统组成，将通信能力扩展到偏远和服务不足地区。地面网络和非地面网络共同构成了一个全面的通信生态系统，旨在实现多样化环境中的无缝连接。AI在优化这些网络方面发挥着关键作用，可有效应对资源分配、动态流量管理、干扰抑制和安全威胁等挑战。对于非地面网络，AI的使用可增强在卫星移动、大气干扰等快速变化条件下的自适应网络规划能力。在地面网络中，AI可实现高效运营、稳健的故障管理和更优质的用户体验。这种融合对于6G及以后的网络演进至关重要，有助于实现全球无缝通信和物联网扩展。在连接需求指数级增长、连接设备数量激增以及现代网络复杂性增加等因素的驱动下，通信行业正在经历一场深刻变革。通过利用先进的机器学习算法、数据分析和自动化技术，AI有望从以下方面重塑通信格局：复杂操作自动化：AI可以用智能自动化取代传统人工流程，实现网络自管理和动态自调整。这可以显著减少人为错误并提高运营效率。自优化网络（SON）可以根据实时网络条件自主调整参数，包括信号强度、频率分配和路由路径。增强可扩展性：AI算法可以动态适应网络需求的不断增长，在设备数量和数据量持续增加的情况下仍能确保性能流畅稳定。AI可使用预测分析来预测网络使用趋势并主动扩展资源。优化资源分配：AI可以实现带宽、频谱和计算资源的精确实时调整，实现资源最佳利用并减少浪费。AI算法可以通过训练学习网络使用模式，识别未充分利用的频段，将其重新分配到高需求区域。AI还可以动态调整功耗，降低能耗并支持电信行业的绿色倡议。预测性维护：AI推动网络运维从被动向主动变革。通过主动诊断缩短停机时间并减少运营中断，在问题升级之前识别潜在问题。机器学习模型可基于历史数据进行训练，预测设备故障，使运营商能够主动安排维护。边缘计算，包括多接入边缘计算（MEC），通过让数据处理更靠近终端用户来补充云计算，可降低延迟和减少网络拥塞，并使自动驾驶汽车和机器人等延迟关键应用能够充分利用5G能力。AI已成为采用边缘计算的关键驱动力。边缘AI可实现关键应用的快速数据处理和实时决策，包括机器控制、远程手术和AI辅助驾驶。它通过在本地分析敏感数据改善用户体验，增强安全性，并减少对集中式云存储的依赖。卫星通信生态系统正在经历一场由尖端技术推动的重大变革。大多数现有卫星通信系统严重依赖人类专业知识和人工操作，这带来了两个主要问题。首先，系统控制过程中的人为干预会增加运营支出和延迟。第二，现代太空场景中无线电环境的快速演进需要超越人工限制的自适应机制。此外，未来卫星通信支持的日益多样化应用和服务将产生海量数据。为应对上述问题，卫星必须配备自主处理这些数据并做出可靠、独立决策的能力。卫星对于确保全球连接至关重要，特别是在地面网络覆盖不足地区。集成AI可通过以下方式进一步提升其性能：波束成形优化：AI可动态调整卫星波束以最大化覆盖范围，增强信号质量并降低干扰，解决多样化地理环境带来的挑战。移动性管理：AI可通过智能管理地面和卫星网络之间的切换，确保无缝不间断连接。能效：AI驱动的优化可最小化卫星运营功耗，有助于维持长期可持续性并显著降低运营成本。高级流量分析：AI赋能的流量优先级管理可确保关键应用获得必要带宽，改善偏远和城市环境中的用户体验。 在地面和非地面网络中集成AI为物联网、智慧城市和自主系统等新兴技术的发展应用奠定了基础。本节重点关注AI与无线接入网（RAN）、核心网和边缘设备等各种网络组件的融合。RAN将用户设备连接到核心网，并处理无线通信任务，如信号传输、资源管理和切换等。AI可以利用RAN生成的大量数据实时做出智能决策，使网络具备自组织、自优化和自修复能力。这种能力对于管理动态网络条件（如流量负载变化、干扰和移动模式）尤为重要。AI具体应用包括：动态波束管理：AI驱动的算法可动态优化波束成形，提高吞吐量并降低延迟，特别是在人口密集的城市环境和复杂地形中。信道状态反馈（CSF）：AI可压缩和重构CSF数据，增强频谱利用，同时显著降低网络开销和延迟。能耗感知型RAN运行：AI可识别能耗模式并实施自适应措施以提高RAN基础设施的能效。（1）AI在云RAN（C-RAN）中的应用云RAN（C-RAN）是一种集中式架构，其中，基带处理功能被移至基于云的数据中心，而不是分布在各个基站。这种方法将硬件与软件解耦，并实现了处理能力的集中化，从而提供了更大灵活性、可扩展性和成本效益。AI通过以下方式优化和管理网络运行从而在增强云RAN能力中发挥关键作用：智能资源管理：AI算法可根据实时流量条件预测和动态分配资源，确保云基础设施的最佳性能。负载均衡和流量引导：AI可识别流量负载和用户行为模式，调整网络功能以在云基础设施中更高效分配流量，从而最小化拥塞并提高服务质量。预测性维护：AI可用于监控网络组件的健康状况，在服务中断之前检测潜在故障或异常，从而实现主动维护并减少停机时间。（2）AI在开放式RAN（O-RAN）中的应用开放式RAN旨在提供灵活、开放和互操作的网络架构。AI在其中的主要贡献包括：干扰抑制及自动化：AI可通过动态调整功率电平和天线配置等参数来检测和抑制干扰。它还支持自组织网络（SON），可以自主配置、优化网络和排除故障，以最少人工干预提高效率。AI驱动的集成和决策：AI自动化完成来自不同供应商的RAN组件的配置和优化，同时提供实时分析，支持主动决策，从而提高网络性能并降低运营成本。除了这些进展，O-RAN联盟下一代研究组正在研究开放智能RAN原则，这些原则强调全域人工智能/机器学习渗透、云原生和可持续架构以及强化安全性。该联盟的重点研究工作还包括O-RAN中的原生AI架构。O-RAN联盟下一代研究组发布的O-RAN原生AI架构报告重点关注O-RAN中的AI需求和一般原则，探索集中式和分布式AI架构。这包括AI与数字孪生、核心网和管理域的集成，同时解决新接口、协议和跨域AI生命周期管理需求。AI在优化和管理地面和非地面网络环境中的核心网中发挥着关键作用。核心网负责在不同网络组件和服务之间进行数据流量的路由、处理和管理。通过集成AI，核心网可以变得更智能、更敏捷，并能够应对下一代服务和应用的复杂需求。（1）网络数据分析功能（NWDAF）网络数据分析功能（NWDAF）通过使用人工智能和机器学习技术收集、分析和解释网络数据，在增强核心网环境性能和效率方面发挥着关键作用，使运营商能够做出精准决策以优化网络运营。主要功能包括：流量分析和优化：实时分析流量模式，实现动态负载平衡和高效资源分配，提供更优服务质量。预测分析：机器学习模型预测网络问题（如拥塞或故障），以便采取预防措施，特别是在条件多变的非地面网络中。网络性能监控：持续监控有助于优化核心网，提高效率并减少停机时间。（2）生成式AI通信领域中的生成式AI是指使用先进的机器学习模型，特别是大语言模型和多模态系统，生成洞察、实现流程自动化和优化网络运营。这些AI模型可通过提供基于情境感知的响应、预测和解决方案，突破传统分析局限。最初针对自然语言处理开发的大模型在通信领域中的应用正迅速扩展，如今在网络优化、流量预测和故障排除等任务中发挥着关键作用。
大模型可通过学习历史网络数据，预测流量负载，帮助优化资源并防止拥塞。大模型还可以通过分析网络日志以识别问题并提出解决方案来协助故障排除，同时自动化完成配置和负载均衡等任务。尽管大模型潜力巨大，但仍存在计算成本高等挑战，特别是在网络边缘，这促使业界要采用参数高效微调（PEFT）技术，如量化低秩适配（QLoRA）和分割边缘学习（分布式学习）等。
生成式AI另一个应用是通过检索增强生成（RAG）实现对齐（alignment）：生成式AI利用RAG访问包含最新3GPP标准和监管指南的动态数据库，确保通信模型在优化无线系统性能的同时，符合持续演进的标准规范要求。通过将强化学习与无线反馈相结合，生成式AI模型可以调整网络智能体对体验质量的响应，实现更智能、符合标准规范的网络管理。
（3）联邦学习联邦学习（FL）已成为AI中的一种变革性方法，支持在不共享原始数据的情况下跨设备或网络进行协同模型训练。在核心网中部署联邦学习可有效应对数据隐私、延迟和可扩展性等关键挑战。通过将联邦学习集成至核心网，可以直接在边缘设备或本地节点进行分布式AI模型训练，减少数据传输并增强安全性。
利用核心网的分层架构，联邦学习可确保模型在本地完成更新并在核心层安全聚合，从而保护用户隐私同时优化资源效率。这种去中心化方法还可减少对集中式数据处理的依赖，可支持延迟敏感应用，如自主系统、远程医疗和下一代物联网。联邦学习与地面和非地面网络的低延迟、高可靠性和强大安全性目标无缝契合，使其成为智能互联系统演进中的重要组成部分。爱立信最近的研究展示了如何将联邦学习无缝集成到3GPP5G网络数据分析功能（NWDAF）架构中。该研究引入了一种多方计算（MPC）协议，在聚合过程中保护本地模型更新的保密性。
此类进展解决了终端用户隐私的关键问题，并增强了联邦学习在实际5G网络中的部署实用性。然而，标准联邦学习方法针对单一全局模型进行优化，可能无法很好地适应多样化数据集和任务。为了解决这个问题，联邦多任务学习（FMTL）对联邦学习进行了扩展：将客户端表示为图中节点，任务相似性建模为边，使客户端既能够训练个性化模型，又同时受益于共享知识。AI驱动的端到端网络优化是指在整个通信网络生命周期中全面应用人工智能和机器学习模型——从规划、设计到实时管理和优化。这些解决方案利用AI技术实现流程自动化、优化资源分配并提高网络中各部分的服务质量。表1列出了基于AI的网络优化涵盖的多个层面；表2列出了在地面网络和非地面网络端到端优化中发挥关键作用的AI技术。表1 AI网络优化涉及到的主要组件表2 驱动网络优化的AI技术在地面和非地面网络中实施端到端AI驱动的网络优化面临的一个主要困难是跨多个网络层（如核心、接入、边缘和非地面网络）集成AI。每层都有独特的系统和协议，使得无缝协调异常复杂。此外，数据通常限制在特定网络层内，使得AI难以获取整个网络的完整视图以进行优化。实时处理也是一个挑战，AI必须处理大量数据并快速做出决策而不引入延迟。这在非地面网络中尤为困难，因为卫星通信可能带来固有延迟。另一障碍是确保AI系统在5G和卫星系统等不同技术之间的兼容性，这些技术在延迟、带宽、计算资源等方面的要求各不相同。随着网络规模扩大，可扩展性也是一大挑战，AI系统必须适应不断增加的流量和新技术，需要持续模型再训练和调整。AI集成至终端用户设备可增强功能性、用户体验和连接能力。以下是一些示例：AI可支持个性化应用、高级语音识别、实时语言翻译和自适应电池优化等。它还可通过分析网络条件增强连接设置。AI驱动的工具可通过智能任务调度提高工作效能，通过噪声抑制和背景调整实现无缝视频会议，并通过基于行为的威胁检测增强安全性。AI通过处理传感器数据进行导航、交通分析和车联网通信，支持自动驾驶。它通过预测路况和优化能源使用确保车辆安全高效运行。 在地面和非地面网络中集成AI驱动的连接解决方案为提升网络性能、优化资源分配和推动创新提供了众多机会，但也带来了一系列挑战，涵盖技术、监管、安全和操作领域，重点是要确保AI系统的公平性、透明性和可问责性。随着AI在网络管理和服务交付中的作用日益关键，解决数据隐私、安全风险等问题并确保可信、可解释和符合伦理的AI部署，已变得至关重要。AI模型，尤其是部署在电信网络中的模型，依赖大量数据集进行训练并实现有效决策和优化。然而，收集和处理这些数据引发了重大隐私问题、监管限制和网络安全风险。在非地面网络中，这些挑战更加复杂，因为涉及卫星和无人机系统等复杂基础设施。非地面网络系统的分布式特性（可能涉及多个地理位置和不同数据源）增加了数据泄露和非授权访问风险。此外，当数据分布在不同司法管辖区时，遵守区域数据隐私法律变得更加复杂。联邦学习为解决这些问题提供了一种有前景的解决方案。它支持在不集中存储数据的情况下进行AI训练，可在保护隐私的同时遵守数据共享限制法规。此外，可以将同态加密和差分隐私等技术集成到联邦学习框架中，进一步增强数据安全性。这些方法允许对加密数据执行计算，确保训练过程中不会暴露敏感信息。AI可以显著提升无线网络性能和安全性，但也带来了新威胁。恶意行为者可以通过学习网络数据并实时调整策略，利用AI发起复杂攻击，如智能干扰、欺骗和窃听。AI赋能的技术如生成对抗网络（GAN）和深度伪造，可生成虚假信号或冒充合法用户，导致数据泄露或网络中断。此外，AI使攻击者能够通过多智能体系统、博弈论或遗传算法协调和同步其行动，同时根据网络安全对策调整和演进其策略。为减轻这些风险，AI驱动的防御机制可通过识别异常网络模式并使用机器学习进行实时威胁检测来检测和应对攻击。使用AI增强的加密和认证系统可以防止入侵，而基于强化学习的异常检测工具可以识别不断演变的攻击策略。此外，还可使用欺骗技术误导攻击者，阻截其漏洞利用行为。AI模型通常作为复杂“黑箱”运行，这使得网络运营商难以解读决策、诊断故障或确保符合法规。此外，由于训练使用了海量数据，开发过程必须确保模型仅学习预期的模式和行为，而不会引入非预期的偏见或不准确性。这在电信应用中尤为关键，因为AI的决策直接影响用户体验、隐私安全和系统可靠性。通过可解释AI技术可实现对AI模型运行方式的清明透明认知。这些技术提供了对决策过程的洞察，使利益相关方能更信任AI的行为。最终，保持对整个系统的信任取决于两方面：一是确保AI既可靠又符合伦理，按预期运行而不会带来物理、财务或伦理风险；二是确保其决策与社会价值观一致。需要制定全球标准，确保跨多供应商生态系统的无缝集成、兼容性和协作，促进创新并提升成本效益。互操作性使AI驱动的电信网络能够跨不同基础设施、设备和服务提供商运行，确保性能一致性和可扩展性。在地面和非地面网络环境中，网络必须跨地面、卫星和空中平台运行，互操作性对于维持无缝连接和数据交换至关重要。全球政府、企业和标准机构已经认识到对可信和互操作AI系统的需求，正在制定法规解决这一问题。互操作性框架和开放标准对于确保AI模型、数据格式和运行协议能够在不同网络和供应商之间实现无缝交互至关重要。诸如3GPP的人工智能/机器学习标准化工作，以及O-RAN联盟等业界主导的项目，都对推动开放、可互操作且安全的AI驱动通信网络发展起到了关键作用。 随着AI的不断发展，其在通信网络中的作用预计将呈指数级增长。未来的AI驱动网络不仅将优化性能，还将催生具备自学习、自主运行和高度自适应性的通信系统，应对下一代连接复杂性的日益增长。AI驱动网络的未来不仅依赖于软件进步，还依赖于改进计算效率、速度和能耗的创新硬件解决方案。神经形态计算、量子计算和AI优化芯片等新兴技术有望变革电信、边缘计算和非地面网络系统中的AI处理能力。利用脉冲神经网络（SNN）和专用芯片模拟类脑处理，实现低功耗、实时AI推理，非常适合边缘AI和低延迟地面与非地面网络应用。关键优势包括卫星和物联网的超低功耗、对动态网络条件的实时适应性以及实现高效数据传输的事件驱动处理。英特尔（Lolhi芯片）、IBM（TrueNorth芯片）和BrainChip（Akida芯片）等公司正在推进神经形态芯片的发展，以增强网络边缘的AI驱动决策能力。量子计算有望以指数级增长的更快速度解决复杂网络优化问题。与以二进制形式处理数据的传统计算机不同，量子计算机利用量子比特，通过叠加态和纠缠态实现多任务并行计算。这一进步能够实现更快的网络优化，支持实时流量和资源管理。量子密码学，尤其是量子密钥分发（QKD），使AI驱动网络能够抵御网络威胁和窃听，可增强安全性。此外，量子计算使联邦学习模型能够并行处理大量数据集，可显著缩短6G及以后网络中AI模型的训练时间。量子计算虽仍处于开发阶段，但谷歌、IBM和D-Wave等公司已在积极研究量子AI应用，这些应用有望集成到未来通信基础设施中。针对AI任务设计的ASIC可提升地面和非地面网络的性能和能效，降低运营成本并增强可持续性，有助于在通信网络中实现可持续AI部署，非常适合6G和非地面网络生态系统中的边缘AI、实时数据处理和自主网络管理。在AI领域，ASIC已在多个商用产品中部署，例如谷歌专门为AI和机器学习任务设计的张量处理单元（TPU），以及特斯拉为自动驾驶中深度学习设计的Dojo芯片。小型、经济高效的卫星，非常适合非地面网络中的AI驱动应用。通过集成AI处理器和算法，立方体卫星可以在边缘侧自主收集、处理和分析数据，在偏远或网络服务不足地区实现实时决策和低延迟通信。借助AI增强能力，立方体卫星可以改善资源分配、监控网络健康状况并优化流量路由。这使这类卫星成为未来AI驱动网络的重要组成部分，它们与AI的融合将为全球连接、灾难恢复和天基通信提供支持，为边缘AI带来新机遇。随着AI的不断发展，其在信息物理（cyber-physical）世界中的作用将具有变革性，它能实现数字与物理系统之间的无缝交互。AI驱动模型将弥合虚拟仿真与现实基础设施之间的差距，提升网络效率、可靠性和安全性。AI驱动的数字孪生技术将重新定义网络管理，为基站、卫星、光纤链路和物联网设备等物理网元创建实时虚拟副本。这些模型将使运营商能够分析系统行为、预测故障并主动优化网络性能。具备物理感知能力的AI模型将融合无线通信原理（如电磁波传播、波束成形和干扰建模），以增强信号传输和频谱效率。AI驱动的物理模型将是应对毫米波和太赫兹频段挑战的关键，在这些频段中，精确波束成形和动态功率调整至关重要。AI与6G的融合将变革未来通信技术。AI将深度嵌入网络架构核心。与历代移动网络不同，6G将是“AI原生”的，意味着AI将不仅仅是附加功能，而是从设计之初就是6G的基本构成。诺基亚认为，6G离不开AI，因为AI将驱动无线接入网、云基础设施和网络管理的系统设计、优化和自动化。这种集成将重新定义电信网络的构建、运营和盈利方式，实现前所未有的效率、自适应性和智能水平。欧洲航天局已经通过其“6G卫星先导计划”开始布局AI驱动的6G非地面网络。该计划探索了AI在优化卫星6G连接中的作用，以确保地面与非地面网络之间的无缝集成。AI驱动的卫星将增强覆盖、降低延迟并按需动态分配资源，使得AI赋能的非地面网络成为全球6G部署的重要组成部分。 AI的作用远不止于提升网络运营效率，它还支撑着未来通信进步所需的创新。通过自动化复杂操作、实现可扩展性、优化资源配置和增强可靠性，AI确保通信网络能够满足增强现实（AR）、虚拟现实（VR）、自主系统和智慧城市等新兴应用需求。AI与6G及以后技术的融合将引发颠覆性变革，加速实现泛在、智能和可持续连接愿景。而这些技术优势也将快速延伸至军事领域，推动军事通信网络向智能化、自主化和高弹性演进。然而，伴随技术进步而来的还有数据隐私、安全风险、伦理考量和互操作性问题等重大挑战。这需要通信生态系统利益相关方共同推动前沿研究、建立最佳实践准则并开发AI原生解决方案，面向未来构建安全、高效和可持续的网络连接体系。
