6G網(wǎng)絡(luò)內(nèi)生智能2025年7月版權(quán)聲明 2 3 3 4 4 5 6 6 7 7 9 9 -4- 20 22 22 27 35 38 41-1-6G網(wǎng)絡(luò)發(fā)展的關(guān)鍵方向之一。本白皮書基于《中國(guó)聯(lián)通6G網(wǎng)絡(luò)體）：）：-2-一、6G網(wǎng)絡(luò)內(nèi)生智能演進(jìn)驅(qū)動(dòng)力2023年11月，國(guó)際電信聯(lián)盟無(wú)線電通信部門ITU-R完成了列為6G系統(tǒng)的設(shè)計(jì)原則之一。AI主要以集中式云化部署提供智能化服務(wù)，需要網(wǎng)絡(luò)將數(shù)據(jù)傳送到云端，云端進(jìn)行數(shù)據(jù)分析推理。其引入的AI技術(shù)是針對(duì)5G網(wǎng)絡(luò)中通過對(duì)現(xiàn)有系統(tǒng)進(jìn)行修補(bǔ)和增強(qiáng)的方式很難徹底地發(fā)揮AI技術(shù)和通信技術(shù)融合的優(yōu)勢(shì)，AI模型及對(duì)應(yīng)的訓(xùn)練和泛化等均獨(dú)立于網(wǎng)絡(luò)，AI技術(shù)解決特定網(wǎng)絡(luò)優(yōu)化問題，通過增量式、補(bǔ)丁式實(shí)現(xiàn)網(wǎng)絡(luò)智能-3-要素、AI能力和AI服務(wù)，只負(fù)責(zé)AI相關(guān)數(shù)據(jù)傳遞，缺乏賦能是原生特性和基礎(chǔ)能力，也是服務(wù)，既服務(wù)6G系統(tǒng)本身，也服務(wù)網(wǎng)絡(luò)內(nèi)外的AI服務(wù)需求，將6G網(wǎng)絡(luò)打造成服務(wù)于智能社會(huì)的基礎(chǔ)二、6G網(wǎng)絡(luò)內(nèi)生智能場(chǎng)景與需求6G網(wǎng)絡(luò)內(nèi)生智能主要體現(xiàn)和應(yīng)用于對(duì)內(nèi)的AIforNET和對(duì)外的對(duì)內(nèi)的AIforNET服務(wù)主要是網(wǎng)絡(luò)自用AI服務(wù)，用于治理6G升網(wǎng)絡(luò)運(yùn)行和信令交換的通信效率。主要場(chǎng)景包括：借助AI技術(shù)優(yōu)-4-析，建立AI模型，預(yù)測(cè)用戶/UE移動(dòng)軌跡、用戶/UE行為，感知網(wǎng)NTN/6G接入）、不同系統(tǒng)（3GPP系統(tǒng)、非3GPP系統(tǒng)）、不同6G網(wǎng)絡(luò)將主動(dòng)、自動(dòng)地對(duì)環(huán)境、網(wǎng)絡(luò)資源及狀態(tài)、用戶需求/意圖、業(yè)務(wù)質(zhì)量進(jìn)行感知，結(jié)合AI技術(shù)，進(jìn)行分析和推理，根據(jù)分-5-對(duì)外的NETforAI服務(wù)主要是面向6G的新業(yè)務(wù)應(yīng)用，網(wǎng)絡(luò)賦體用例均屬于對(duì)外的NETforAI場(chǎng)景，其需要網(wǎng)絡(luò)支持分布式計(jì)算和AI應(yīng)用，典型用例包括：輔助自動(dòng)駕駛、醫(yī)療輔助應(yīng)用設(shè)備間的放網(wǎng)絡(luò)的原生AI相關(guān)業(yè)務(wù)、能力及資源要素（如連接、數(shù)據(jù)、計(jì)算AI服務(wù)，個(gè)性化定制化更新迭代，面向企業(yè)、垂直行業(yè)的不同用戶-6-療，可以使各地醫(yī)療機(jī)構(gòu)和從業(yè)人員通過網(wǎng)絡(luò)獲取AI模型算法、病-7-些計(jì)算任務(wù)卸載到6G網(wǎng)絡(luò)。6G網(wǎng)絡(luò)可以對(duì)計(jì)算任務(wù)進(jìn)行編排和調(diào)三、6G網(wǎng)絡(luò)內(nèi)生智能系統(tǒng)框架（一）架構(gòu)設(shè)計(jì)原則面向6G智能服務(wù)泛在化的演進(jìn)趨勢(shì)和多維場(chǎng)景服務(wù)需求，6G核心網(wǎng)將具備普遍的、泛在的AI和機(jī)器學(xué)習(xí)功能，-8-支持多種分布式學(xué)習(xí)方法，并接受中央AI的管理編排和任務(wù)下發(fā)，多資源要素協(xié)同：分布式AI需要來自各方的各類型資源的深度連接通信服務(wù)，AI類服務(wù)需要的資源調(diào)度除連接外還涉及各類型資源如計(jì)算、數(shù)據(jù)、模型等，需要以系統(tǒng)編排提供的終端提供的連接請(qǐng)求為依據(jù)，可以將復(fù)雜的AI任務(wù)分解為多任務(wù)下AI能力和服務(wù)開放：對(duì)智能終端、應(yīng)用、平臺(tái)、第三方外部系-9-（二）內(nèi)生智能能力框架基于6G內(nèi)生智能的架構(gòu)設(shè)計(jì)原則，本白皮書提出6G內(nèi)生智能能力框架，如上圖所示，從邏輯層級(jí)自上而下依次為AI服務(wù)開放、能、資源調(diào)用，為外部AI服務(wù)的各類需求方提供接口和多模態(tài)6G網(wǎng)絡(luò)可通過服務(wù)的形式對(duì)外提供獨(dú)立或協(xié)同的-10-滿足未來超越連接的新業(yè)務(wù)場(chǎng)景。隨著AI領(lǐng)域智能體業(yè)務(wù)生態(tài)的不連接起來，按需提供對(duì)對(duì)應(yīng)業(yè)務(wù)/服務(wù)對(duì)象的管理、控制和協(xié)同。傳輸智能業(yè)務(wù)需要的相關(guān)數(shù)據(jù)（感知數(shù)據(jù)、計(jì)算數(shù)據(jù)、AI算法數(shù)據(jù)、），模型服務(wù)：基于AI服務(wù)資源，結(jié)合連接服務(wù)、數(shù)據(jù)服務(wù)和計(jì)算-11-對(duì)AI任務(wù)進(jìn)行統(tǒng)一的管理和編排，包含意圖解析、任務(wù)分解，多資源要素協(xié)同控制、算法模型管理、AI服務(wù)質(zhì)量管控功能。以任務(wù)為中心，基于網(wǎng)絡(luò)內(nèi)部或外部的各類AI服務(wù)需求，將需求轉(zhuǎn)化為為網(wǎng)絡(luò)需執(zhí)行的任務(wù)。借助AI技術(shù)如深度神經(jīng)網(wǎng)絡(luò)建立意圖模型，-12-拆分策略，分解為多個(gè)子任務(wù)，實(shí)現(xiàn)AI任務(wù)的分解。例如分解為連時(shí)執(zhí)行。每個(gè)服務(wù)借助內(nèi)嵌AI，將接收到的子任務(wù)進(jìn)一步分解成子或獨(dú)立的模型服務(wù)，基于復(fù)雜AI任務(wù)的意圖解析、任務(wù)分解，不同存儲(chǔ)，支持基于任務(wù)、利用網(wǎng)絡(luò)資源和AI要素構(gòu)建訓(xùn)練模型和外部-13-整體作為智能化平臺(tái)以服務(wù)形式提供AI能力，其評(píng)價(jià)指標(biāo)可以包含反映網(wǎng)絡(luò)提供AI服務(wù)的表現(xiàn)，可以使運(yùn)營(yíng)商更好地評(píng)估和優(yōu)化提供延等來表達(dá)AI數(shù)據(jù)性能，推理準(zhǔn)確度、訓(xùn)練或推理時(shí)延、訓(xùn)練或推理數(shù)據(jù)密度、訓(xùn)練或推理能耗等來表達(dá)計(jì)算/模型性能。此外需要建-14-存儲(chǔ)資源：用于存儲(chǔ)AI訓(xùn)練數(shù)據(jù)、模型參數(shù)等信息。包括分布數(shù)據(jù)資源：是AI服務(wù)的核心基礎(chǔ)，包括網(wǎng)絡(luò)數(shù)據(jù)、用戶數(shù)據(jù)、算法與模型資源：包含各種AI算法框架（如TensorFlow、-15-（三）智能化多要素融合網(wǎng)絡(luò)功能和AI相結(jié)合，具備更強(qiáng)的自主決個(gè)網(wǎng)元能夠通過內(nèi)置的AI模型實(shí)時(shí)分析本地的網(wǎng)絡(luò)數(shù)據(jù)，如負(fù)荷狀通過AI算法對(duì)6G網(wǎng)絡(luò)中的各種功能模塊進(jìn)行動(dòng)態(tài)編排和管理及策略生成。根據(jù)實(shí)時(shí)的網(wǎng)絡(luò)流量、業(yè)務(wù)需求和資源狀態(tài)，AI能夠利用。例如，基于AI的流量預(yù)測(cè)模型可以提前感知業(yè)務(wù)流量的變化-16-AI能夠促進(jìn)不同網(wǎng)元之間的協(xié)同工作，打破傳統(tǒng)網(wǎng)絡(luò)中各網(wǎng)元相對(duì)獨(dú)立的模式。通過AI算法對(duì)網(wǎng)絡(luò)全局狀態(tài)的感知和分析，實(shí)現(xiàn)以通過AI模型進(jìn)行聯(lián)合優(yōu)化，核心網(wǎng)根據(jù)無(wú)線接入網(wǎng)的信道狀態(tài)和-17-各種模型數(shù)據(jù)等等。這些長(zhǎng)短期異構(gòu)記憶數(shù)據(jù)和AI能力相輔相成，一方面，海量數(shù)據(jù)結(jié)合AI，能夠形成新型的智能數(shù)據(jù)服務(wù)，增強(qiáng)數(shù)對(duì)于數(shù)據(jù)的采集、訪問、處理、分析、存儲(chǔ)等可以結(jié)合AI提升的采集源以及點(diǎn)到點(diǎn)，點(diǎn)到多點(diǎn)和數(shù)據(jù)傳輸?shù)腟LA需要，可以智能轉(zhuǎn)發(fā)，AI可以優(yōu)化數(shù)據(jù)轉(zhuǎn)發(fā)路徑，形成最優(yōu)的數(shù)據(jù)路徑策略。采集歷史數(shù)據(jù)存儲(chǔ)。通過端到端的采集過程AI加持，保證數(shù)據(jù)采集流程-18-6G網(wǎng)絡(luò)中的多維數(shù)據(jù)不再是一個(gè)個(gè)的數(shù)據(jù)孤島，而是通過AI的數(shù)據(jù)，結(jié)合數(shù)據(jù)自解釋語(yǔ)義和AI能力，突破傳統(tǒng)網(wǎng)絡(luò)非結(jié)構(gòu)化數(shù)未來網(wǎng)絡(luò)AI走向大模型和小模型混合形勢(shì)，模型的進(jìn)階依賴海-19-同時(shí)對(duì)多模數(shù)據(jù)進(jìn)行歸一化向量轉(zhuǎn)換等以方便網(wǎng)絡(luò)模型的合理使用和相似檢索。更進(jìn)一步，AI的進(jìn)化依賴多場(chǎng)景多元化的數(shù)據(jù)來進(jìn)行微調(diào)和優(yōu)化，這就需要建立完備的記憶數(shù)據(jù)資-20-同感知目標(biāo)類別下的不同感知對(duì)象數(shù)據(jù)可增隨著AI技術(shù)的迅猛發(fā)展，尤其是多模態(tài)大語(yǔ)言模型精準(zhǔn)的智能決策與深度思考能力，以及高效的執(zhí)行能力。AI技術(shù)與-21-智算網(wǎng)絡(luò)能夠統(tǒng)一納管運(yùn)營(yíng)商網(wǎng)內(nèi)的計(jì)算資源以及網(wǎng)外如OTT如邊緣計(jì)算節(jié)點(diǎn)、云計(jì)算中心或本地設(shè)備。AI可以實(shí)時(shí)監(jiān)控計(jì)算資CPU等）進(jìn)行統(tǒng)一管理和協(xié)調(diào)，實(shí)時(shí)感知每種資源的性能、負(fù)載和效利用和任務(wù)的高效執(zhí)行。此外，通過AI技術(shù)可以分析計(jì)算任務(wù)的點(diǎn)，實(shí)現(xiàn)智能動(dòng)態(tài)地將不同特性的計(jì)算任務(wù)分配-22-在保障數(shù)據(jù)隱私的前提下，進(jìn)一步提升分布式計(jì)算四、6G網(wǎng)絡(luò)內(nèi)生智能關(guān)鍵技術(shù)（一）意圖驅(qū)動(dòng)“意圖驅(qū)動(dòng)（Intent-Driven）”是一種以結(jié)果為中心的網(wǎng)絡(luò)控-23-資源匹配、執(zhí)行部署，并通過持續(xù)感知與反饋）：）：該層需要構(gòu)建通用的意圖模型描述語(yǔ)言（如基于YANG -24-在6GAI內(nèi)生架構(gòu)下，意圖驅(qū)動(dòng)提供了人與網(wǎng)絡(luò)、服務(wù)與能力過程，構(gòu)成6GAI內(nèi)生網(wǎng)絡(luò)意圖驅(qū)動(dòng)功能的核心邏輯閉環(huán),關(guān)鍵技術(shù)業(yè)務(wù)API調(diào)用：面向業(yè)務(wù)系統(tǒng)或應(yīng)用平臺(tái)，通過API傳遞結(jié)構(gòu)帶寬≥100Mbps”；-25-將用戶輸入的非結(jié)構(gòu)化或半結(jié)構(gòu)化目標(biāo)內(nèi)容轉(zhuǎn)換為網(wǎng)絡(luò)可執(zhí)行的結(jié)-26-策略推理與優(yōu)化：通過規(guī)則庫(kù)、AI優(yōu)化算法或強(qiáng)化學(xué)習(xí)機(jī)制，該引擎的核心價(jià)值在于從海量狀態(tài)信息中快速選出滿足意圖目-27-反饋學(xué)習(xí)機(jī)制：將本次執(zhí)行中的偏差信息反饋至AI模型，優(yōu)化（二）機(jī)器學(xué)習(xí)在5G時(shí)代AI/ML已被引入移動(dòng)通信網(wǎng)絡(luò)中，業(yè)界研究了聯(lián)邦學(xué)習(xí)的架構(gòu)和流程以支持AI/ML業(yè)務(wù)，包括模型的訓(xùn)練、分發(fā)等。通信和AI一體化的6G網(wǎng)絡(luò)將擁有5G無(wú)可比擬的智能化資源降低數(shù)據(jù)處理和AI服務(wù)提供時(shí)延，是保證通信系統(tǒng)的可擴(kuò)展性和靈-28-按照模型訓(xùn)練方式分類，機(jī)器學(xué)習(xí)可以分為監(jiān)督學(xué)習(xí)（ANN人工神經(jīng)網(wǎng)絡(luò)類的CNN、貝葉斯類、決策樹類，獎(jiǎng)勵(lì)-狀態(tài)-行動(dòng)、時(shí)序差分學(xué)習(xí)）。智能體從帶有標(biāo)簽的數(shù)據(jù)集（輸入-輸出對(duì)）中學(xué)習(xí)從輸入到輸-29-邏輯回歸：與始終輸出0或1的線性回歸不同，邏輯回歸是將量，較小的K值可能會(huì)使模型對(duì)噪聲更敏感，而較大的K值可能會(huì)景，在線加入新的數(shù)據(jù)實(shí)時(shí)更新，滿足不斷變化或其他形式的機(jī)器學(xué)習(xí)方法將它們預(yù)測(cè)進(jìn)行組合形成集成模型的機(jī)-30-數(shù)據(jù)上使用不同類型的模型（SVM模型、邏輯回歸模型、決策樹模適應(yīng)提升法通過增加在訓(xùn)練集中被錯(cuò)誤分類的訓(xùn)練樣例權(quán)重和降低-31-學(xué)習(xí)狀態(tài)-動(dòng)作的效用，評(píng)估當(dāng)前策略的好壞，而不是改變其行為策-32--33-適用于不同的參與方客戶端的本地?cái)?shù)據(jù)對(duì)于相同的樣本具有不同的特征空間。例如可以通過縱向聯(lián)邦學(xué)習(xí)訓(xùn)練端到端（用戶設(shè)備-無(wú)線-34-和智能體執(zhí)行的動(dòng)作決定，則環(huán)境是確定性進(jìn)而執(zhí)行一個(gè)動(dòng)作，下一回合不依賴于之前回合的動(dòng)作和決策,每回合作的多智能體環(huán)境，如自動(dòng)駕駛，自動(dòng)智能駕駛車輛/智能體要避-35-AgenticAI范式逐漸成熟，AI使能新能力，新服務(wù)不斷涌現(xiàn)，個(gè)簡(jiǎn)單例子，用戶可以要求一個(gè)基于AgenticAI的智能助理“請(qǐng)幫或問答語(yǔ)言模型的AI系統(tǒng)，該系統(tǒng)夠執(zhí)行各種各-36-目標(biāo)任務(wù)的復(fù)雜程度。即，系統(tǒng)需要處理的目標(biāo)任務(wù)對(duì)人類的屬性可以包括可靠性、速度和安全性等級(jí)別。例如，一個(gè)能夠正確幫助用戶分析關(guān)于跨計(jì)算機(jī)和法學(xué)領(lǐng)域問題的系統(tǒng)，將比一個(gè)只能將用戶輸入分類為屬于計(jì)算機(jī)領(lǐng)域或法學(xué)領(lǐng)域的分類器具環(huán)境的復(fù)雜程度。即，系統(tǒng)能夠?qū)崿F(xiàn)目標(biāo)任務(wù)的環(huán)境有多復(fù)雜，包括：環(huán)境所涉及跨領(lǐng)域的程度、是否涉及多個(gè)相關(guān)利益方、是否需要將操作維持在較長(zhǎng)時(shí)間范圍內(nèi)、是否涉及使用多個(gè)外部工自適應(yīng)的能力。即，系統(tǒng)對(duì)新的或意外情況的適應(yīng)和反應(yīng)能力如獨(dú)立的執(zhí)行能力。即，在有限的人為干預(yù)或監(jiān)督下，系統(tǒng)能在多-37-汽車，在某些情況下可以在不需要人為干預(yù)的情況下運(yùn)行，與需一個(gè)AgenticAI系統(tǒng)通常需要達(dá)成目標(biāo)任務(wù)，這個(gè)目標(biāo)任務(wù)也常將表現(xiàn)出高度Agentic程度的系統(tǒng)稱為AgenticAI系統(tǒng)。值得一界的影響相互綁定。甚至，許多數(shù)字系統(tǒng)可能比機(jī)器人更AgenticAgentic系統(tǒng)的基礎(chǔ)通常需要基于LLM增強(qiáng)模塊，即，通過檢成信息摘要等，這些增強(qiáng)功能可以基于通用標(biāo)準(zhǔn)MCP（Model-38-），工作流模式。在該模式下，利用工作流，將任務(wù)分解為固定子任務(wù)的情況，每個(gè)子任務(wù)可以調(diào)用LLM，通過這種方式，使每個(gè)和規(guī)劃、可靠地使用工具以及從錯(cuò)誤中不斷反思優(yōu)化。一旦用戶用戶交互以獲取更多信息，在系統(tǒng)執(zhí)行過程中，每一步將從環(huán)境中獲取真實(shí)情況（例如工具調(diào)用或代碼執(zhí)行），以評(píng)估目標(biāo)任務(wù)達(dá)成情況，系統(tǒng)可以在一些檢查點(diǎn)或遇到阻塞時(shí)停下來以獲取人通常只是在循環(huán)中基于環(huán)境反饋利用LLM使（四）評(píng)估技術(shù)與自演進(jìn)目前工業(yè)界和學(xué)術(shù)界對(duì)于Agent評(píng)估的研究還處在初步探索階人工評(píng)估：指由人類評(píng)估者直接參與，根據(jù)預(yù)定義的標(biāo)準(zhǔn)，對(duì)-39-基于模型的評(píng)估，使用裁判員模型作為評(píng)估器，常用的裁判員模型有兩種：通用的、高能力的模型，或者專門針對(duì)偏好數(shù)據(jù)進(jìn)行訓(xùn)練的小專家模型。特點(diǎn)：成本低，靈活，但是模型在評(píng)估時(shí)傾自真實(shí)任務(wù)環(huán)境的反饋或者接近真實(shí)任務(wù)環(huán)境的虛擬仿真環(huán)境的反饋，例如軟件開發(fā)場(chǎng)景可以以代碼解釋器的結(jié)果作為反饋。特點(diǎn)：這種方法能夠提供端到端的性能洞察，但通常需要復(fù)雜的監(jiān)-40-在實(shí)際的Agent評(píng)估中，通常會(huì)結(jié)合使用這兩種方法，形成一根據(jù)Agent自演進(jìn)的理念和常見的實(shí)現(xiàn)模式，其核心功能模塊定的目標(biāo)，生成多步驟的執(zhí)行計(jì)劃，并選擇調(diào)用外部工具來與外或定性的分析反饋。具體來說，根據(jù)預(yù)設(shè)的評(píng)估標(biāo)準(zhǔn)，判斷任務(wù)（如規(guī)劃過程、工具調(diào)用序列）是否成功，以及成功或失敗的程度。具體的評(píng)估方案，可以采用前文提到的人工評(píng)估和自動(dòng)評(píng)估-41-者的反饋，分析這些反饋，并通過反思決定如何調(diào)整參與者的行案例或規(guī)則到Agent的長(zhǎng)期記憶中；修改提示詞(Prompt反思執(zhí)行者將反思成果轉(zhuǎn)化為Agent實(shí)際能力的提升。演進(jìn)提供了關(guān)鍵的反饋和明確的改進(jìn)方向；而Agent的逐步演進(jìn)又轉(zhuǎn)化為Agent自身能力的實(shí)際提升，從而形成一個(gè)持續(xù)優(yōu)化、不斷6G網(wǎng)絡(luò)的內(nèi)生智能不僅是技術(shù)進(jìn)步的體現(xiàn)，更將是網(wǎng)絡(luò)架構(gòu)和通信-42--43-參考文獻(xiàn)[1]中國(guó)聯(lián)通.6G網(wǎng)絡(luò)體系架構(gòu)白皮書[R].2023.[2]中國(guó)聯(lián)通.6G核心網(wǎng)系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)展望白皮書[R].2024.[3]IMT-2030(6G)推進(jìn)組.面向6G網(wǎng)絡(luò)的智能內(nèi)生體系架構(gòu)研究報(bào)告[R].2022.[4]IMT-2030(6G)推進(jìn)組.6GAI即服務(wù)（AIaaS）需求研究[R].2023.[5]3GPP.3GPPTS23.288v19.0.0:Architectureenhancementsfor5GSystem(5GS)tosupportnetworkdataanalyticsservices(Release19)[S].2024[R].2023.[R].2024.[8]加童文,加朱佩英.6G無(wú)線通信新征程: