定制报告-个性化定制-按需专项定制研究报告
行业报告、薪酬报告
联系：400-6363-638
《中兴通讯：2025年AI RAN白皮书（30页）.pdf》由会员分享，可在线阅读，更多相关《中兴通讯：2025年AI RAN白皮书（30页）.pdf（30页珍藏版）》请在薪酬报告网上搜索。
1、AIRRAN 白皮书AI RAN先锋助力全场景业务拓展与创新中兴通讯目录 2.1 无线网络加速拥抱AI 03 2.2 AI新业务带来对移动网络的变革性需求 032.3 电信运营商承载边缘AI具有天然优势 063.1 AI RAN带来的全新挑战 073.2 运营商加速布局，积极抢滩AI for RAN红利 083.3 AI RAN商业价值体系发展趋势 094.1 ToC网络应用 104.2 ToB行业应用 144.3 站点全域数智化 15 4.1.1 优体验，提升连接价值 104.1.2 优能效，降碳排促发展 114.2.1 智能工厂升级 144.2.2 多流视频传输优化 144.3.1 天线数
2、智化 154.3.2 传输数智化 154.3.3 电源数智化 165.1.1 底层以高性能驱动 185.2.1 连接服务助力具身智能云边协同 205.2.2 低空、海域、NTN全场景感知赋能 215.2.3 连接感知计算协同赋能自动驾驶 215.1.2 高层以多任务驱动 195.1.3 顶层以强智能驱动 194.1.3 优维效，网优提质降本 13 5 AI与RAN深度融合，持续拓展AIR RAN生态7 缩略语 26参考文献 272 AI与移动网络加速融合 031 AI关键技术蓬勃发展，商业落地加速 023 AI与RAN融合，在挑战中孕育新机 074 AIR RAN基于通算智融合的前瞻性布局，引
3、领行业发展 10176 未来展望：引领无线网络的长期价值235.1 AI for RAN：分层注智，全面提升无线网络性能186.1 AIR RAN愿景236.2 AIR RAN路径246.3 AIR RAN生态245.2 RAN for AI：连接、感知与计算的全要素供给205.3 群智协同：泛在Agent服务22在信息科技日新月异的当下，人工智能（AI）作为第四次工业革命的核心驱动力，正以前所未有的深度和广度重塑全球产业格局。从医疗领域的智能诊断与精准治疗，到金融行业的智能风控和高效交易，AI的创新与应用已成为各行业转型升级的关键力量，深刻改变着社会经济的运行脉络。在这一变革浪潮中，人工智能
4、的广泛应用不断推动无线接入网络（RAN）与AI的深度融合。一方面AI成为移动网络迈向高阶智能的核心引擎（AI for RAN），另一方面网络带宽、速率、连接数等连接能力的大幅提升以及通信、感知、计算的融合为 泛在AI应用提供了更广阔的舞台（RAN for AI）。中兴通讯推出了AIR RAN（AI Reshaped RAN）解决方案，持续深耕AI for RAN和RANforAI领域，不断探索智能化网络的无限可能。具体来看，在体验增强方面，差异化业务保障为流量经营向体验经营的转型奠定了基础；在运维提效方面，利用智能算法实现故障的精准预测与快速修复，大幅提升网络的可靠性和稳定性；在能效提升方面，
5、通过实时分析网络流量和用户行为，动态调整基站功率，有效降低能耗，推动通信行业绿色可持续发展；在拓展AI新应用方面，更是催生出如智能体、具身智能、车联网等方向，满足用户日益增长的多样化、个性化需求，使移动网络从单纯的数据传输管道转变为智能服务的赋能者。该白皮书紧扣AI与无线接入网（RAN）融合发展脉络，深度剖析其中技术挑战与机遇，并从融合趋势、关键技术及商业探索等方面展开阐述。旨在为从业人员提供专业洞察，把握先机，共同推动行业迈向智能新未来。序言0102人工智能近年来取得了巨大的进展，尤其是在机器学习、自然语言处理和计算机视觉等关键技术领域。这些创新正在迅速推动人工智能从研究实验室走向实际应用，
6、其商业化进程在各个行业中都在加速。特别是大语言模型如GPT-o1，处于这一变革的前沿，彻底改变了AI与语言、知识和决策的互动方式。大模型不仅为人工智能技术的普及奠定了基础，还在多个行业释放了前所未有的价值，包括医疗、金融、制造、娱乐等领域。大语言模型技术的发展为这一变革打下了根本的基础，模型的迅速进步极大地提升了机器理解和生成类似人类语言的能力，彻底改变了从客户服务到创意产业等各个领域。最新的大模型有着数千亿乃至万亿参数，这些模型展现了惊人的语境理解力、语气感知和意图识别能力，使得基于AI的应用更加高效、直观和友好。AI正在多个领域被视为价值创造的驱动力。在医疗领域，人工智能已经取得了显著进展
7、，帮助提供更准确的诊断、预测分析和个性化治疗。据麦肯锡预测，到2026年，人工智能将在医疗保健领域每年带来超过1500亿美元的价值1。在金融领域，AI驱动的工具正在简化风险管理、欺诈检测和算法交易，提高效率和盈利能力。人工智能在制造、零售和物流等行业的影响力也不可忽视，AI驱动的自动化帮助降低了运营成本、提升了客户体验，并增加了生产力。通信网络也同样受益于人工智能，系统厂商和运营商正在共同推动利用AI增收和降低成本。通过在预测性维护、网络优化和客户服务等领域应用AI，电信公司能够显著提高效率。AI帮助移动运营商预测网络拥堵、优化带宽分配，甚至通过预测和解决技术问题来减少故障。根据数据显示，20
8、21年全球电信行业的AI市场规模为12亿美元，预计到2026年将增长至超过63亿美元，复合年均增长率达到38%2。AI驱动的聊天机器人和虚拟助手也提升了客户服务质量，不仅提高了用户满意度，还降低了人力成本。此外，基于AI的数据分析使移动运营商能够提供个性化服务，挖掘新的收入来源，并增强客户忠诚度。另一方面，AI应用的进一步发展、更大价值的创造和普惠，必将对于通信网网络特别是移动网络提出更多更高的需求，使得人们可以在各种场景下都能够访问AI、利用AI，重塑用户习惯，转变人们的生活和生产方式，而AI的进一步普及和多种多样的AI应用发展，也将对于网络的带宽、时延和可靠性等产生更多需求，催生云端、边缘
9、和终端的多样化协同，促进网络技术的创新和发展。01 AI关键技术蓬勃发展商业落地加速2.2 AI新业务带来对移动网络的变革性需求AI新业务的快速发展正在推动移动网络的全面升级。从交互对象的演变来看，人与人的互动逐渐扩展为人与AI代理、AI代理之间，以及AI代理与其他设备的交互；从交互内容来看，多模态融合以及与现实世界的深度交互催生了更加丰富和高质量的GenAI内容形式。这些变化对网络性能和架构提出了全新的要求，推动移动网络从传统的连接服务向高性能网算结合的智能服务转型。GSMA的2024年移动经济报告3显示，到2030年5G连接比例预计将达到56%，移动流量年复合增长率（CAGR）达到23%，
10、意味着移动运营商仍然需要保持持续的5G建设投资以应对网络流量的变化。大规模部署5G MIMO多天线技术将带来巨额投资成本，预计到2030年，总资本投资将达到1.5万亿美元。然而，运营商的投资回报率预计将从2022年的19%下降至2030年的14%。为了降低成本并提升效率，运营商亟需加速网络及服务的自动化。一方面实现网络运维优化AI技术下沉，利用人工智能技术优化网络运维，提升网络质量，提供精准的优化洞察，智能识别和预防故障隐患。另一方面，通过智能化结合业务识别等手段，实现精细化节能，以及关键业务的流量激发和5G-A新套餐等差异化体验保障。从技术发展角度来看，通信、云计算、人工智能、数字孪生等技术
11、的融合，已经成为下一代网络演进的主要趋势。随着5G商用进入深水区，基于基站能力拓展算网一体化服务也是运营商关注的重点场景。一是面向消费者（2C）业务，通过基站算力池化共享组网可满足极低时延，以及大带宽应用的本地计算需求，例如XR本地业务渲染、具身机器人以及沉浸式交互应用等。二是面向企业（2B）业务，通过本地化通信计算一体化服务，实现业务灵活敏捷部署，同时有效降低行业应用的综合成本。典型应用场景包括工业视觉AI检测和车联网中的智能碰撞预测等。02 AI与移动网络加速融合2.1 无线网络加速拥抱AI03变革2：AI Agent将成为普遍性应用，需要同时满足高带宽和低时延要求，并带来多向数据流模式变
12、化AI代理从个人助手到企业智能客服，再到工业自动化中的决策引擎，这些场景中的实时交互对网络性能提出了严苛要求。网络数据流模式从传统的不区分业务类型的用户数据到业务服务器单一路径传输，升级为用户到边缘服务器，AI Agent，云服务器，以及各节点之间的多次交互的多路径传输。常见的AI Agent实时交互需要同时支持高速的上下行数据传输：智能体类型吞吐量10-20Mbps（上行）企业智能客服20-50Mbps（上行）100Mbps（上下行）20Mbps-100Mbps(上行)100Mbps-500Mbps(下行)个人助手工业自动化复杂多模态智能体延迟应用场景智能音响，移动助手20ms 客户服务、业
13、务支持无人车间、机器协作、远程维护全息通信，虚拟人，具身机器人50ms10ms多模态感知：10ms 音视频流媒体：95%06121824PRB利用率节能门限06121824PRB利用率11场景识别与负荷预测：不同应用场景的小区话务分布呈现出明显的规律性。例如，高校和写字楼的话务趋势呈现周内高周末低的特点，而商场和公园则在周末和晚间出现高峰。通过K-Means算法对时间序列波形进行聚类分析，可以准确识别不同场景的负荷模型。这不仅有助于预测未来的负荷变化，还能为制定个性化的节能策略提供依据。动态节能策略生成：基于小区业务变化趋势的预测结果，AI技术可以生成最优的节能策略。例如，在低负荷时段自动关闭
14、部分基站或降低发射功率，而在高负荷时段则保持正常运行。此外，AI还可以区分容量层与覆盖层，筛选共覆盖的小区作为补偿小区，用于分摊业务负荷。这种动态调整不仅减少了不必要的能耗，还确保了网络性能不受影响。实时评估与自优化：AI技术通过实时监测网络KPI（关键性能指标），可以及时评估节能效果，并根据实际反馈进行秒级自优化。例如，如果某个节能策略导致网络性能下降，AI系统会自动调整策略，以达到能耗与性能的最佳平衡点。这种闭环优化机制使得节能策略更加灵活和高效。多维度能效评估：传统的能效评估主要关注单一的流量指标，但随着新业务和新场景的不断涌现，单一指标已无法全面反映网络能耗和效率。AI技术通过构建多维
15、能效模型，从场景化、归一化、多维度等角度持续扩展能效评估体系。这不仅有助于更全面地获取网络能效信息，还能指导后续的节能策略选择。通过在5G-A中引入AI技术，运营商可以在保证网络性能的前提下，实现极致节能的目标，预计全天候开启网络降耗下降1525%，这不仅有助于降低运营成本，还能为实现绿色低碳目标做出重要贡献。感知快评保障：近实时保障用户感知参数迭代寻优：寻找节能与性能拐点06121824性能指标性能容忍下限暂缓节能进入节能06121824性能指标性能容忍下限暂缓节能退出节能节能门限06121824PRB利用率节能门限调优后门限06121824PRB利用率12AIR RAN 基于通算智融合的前
16、瞻性布局，引领行业发展4.1.3 优维效，网优提质降本在网络维效过程中，主要面临故障分析数据不足、位置定位不准、现场运维技术要求高等问题，导致传统维效的准确率和效率均较低。AI技术借助深度学习和大数据分析，可实现场景识别和动态调整节能策略，有效应对这些难题：故障助手：为了最大限度降低一线现场运维人员的学习成本和技能要求，提升故障排障的处理效率，其以自然语言为交互方式，使用大小模型结合完成故障处理相关的能力，提供知识问答，动态数据查询和引导式排障，故障看板等特性。支持从标准协议，运营商规范，直至设备厂家产品型号&特性，故障现象的识别和处理建议，以及相关案例知识的回答；提供以自然语言提问的方式对在
17、线设备硬件&链路&时钟等模块进行诊断的能力，从而获取最新的设备状态和运行数据来辅助维护人员进行综合判断和故障定位；提供了排障流程的系统级指引，运维人员通过和故障助手以自然语言方式的多轮对话，抽丝剥茧得到故障根因；网优专家：以多目标联合寻优和数字孪生为关键技术的网优专家大模型，自动关联告警隐患、操作日志等信息，对小区级、栅格级性能感知质差小区进行综合分析，智能输出覆盖、干扰、容量等问题准确根源和参数自闭环优化建议，并通过孪生仿真，预测未来网络需求，提供精准扩容和网络提升方案。看网专家：看网专家提供人机交互式多维综合看网及讲网能力，通过转换自然语言至查询语句，按照业务类型召集多维智能体专家，进行看
18、网和洞察总结，给出规建优维专业处理建议。看网和讲网能力依赖多维网络洞察任务的执行结果，根据问题现象，结合知识库给出问题解决建议。例如：通过业务感知与空口质量的单域拼接，实现视频时延等指标的精准识别，并支持通过AI的感知模型完成业务质量指标感知；支持时间维度的用户轨迹回放，结合GIS栅格打点呈现，关联主服务小区并区分室内外环境，为运维提供可视化支持。知识助手：通过大模型加外挂知识库（包含运维帮助文档、网元业务文档）的方式给用户提供了内容丰富、即时更新、准确可靠的知识问答服务。可以通过自然语言问答的方式，查询运维系统中的告警、性能数据以及网元信息数据，并对获取到的数据进行总结，以提供更加人性化的结
19、果展示形式。保障专家：是面向无线网络保障场景的大模型运维解决方案，应用于演唱会等重大活动、突发应急、业务潮汐等保障场景。通过业务识别技术，能够深度剖析网络流量，精准识别短视频、云游戏、长视频、网页浏览、扫码、即时通信、移动游戏等业务类型，并触发大模型开启用户体验保障，并结合小型模型协作智能生成保障方13AIR RAN 基于通算智融合的前瞻性布局，引领行业发展随着工业数字化转型的深入，智能工厂面临大规模数据处理、实时监控与控制、人工智能算法支持以及边缘与安全计算等多重挑战。中兴通讯的 NodeEngine 算力基站与 UniEngine 算网一体机，通过通信、算力与 AI 的深度协同，为 ToB
20、 行业带来智能化升级，全面提升生产效率与竞争力。通过在5GA中引入AI技术，运营商可以在保证网络性能的前提下，实现极致节能的目标，预计全天候开启网络降耗下降1525%，这不仅有助于降低运营成本，还能为实现绿色低碳目标做出重要贡献。4.2.1 智能工厂升级在钢铁行业，无人天车系统通过无线通信和边缘计算实现物料搬运自动化，解决设备老化、人力不足及安全风险等问题。该系统依托实时数据采集、机器视觉技术和AI算法，完成任务调度、路径优化和故障诊断。无人天车系统可以利用人工智能和机器学习的技术，综合各环节各设备的数据，以及物料的重量、形状、位置等参数，计算出合适的吊钩高度、速度和角度，以防止物料在空中摇晃
21、或碰撞；根据生产计划、物料库存、设备状态等信息，动态调整运输任务的优先级和顺序，以避免出现物料堆积或缺乏的情况。3C制造领域高度依赖自动化与精确的质量管理。机器视觉质检系统通过图像处理与AI算法高效检测产品表面缺陷、装配不良等问题。系统需应对大规模图像数据的高效处理与低延迟响应，通过并行计算与优化算法满足实时性需求。质检数据不仅用于即时反馈，还为生产优化和质量追溯提供依据，帮助企业实现数据驱动的持续改进。5G通信为智能工厂提供高带宽、低延迟和高可靠性的数据传输能力，而边缘计算通过就近处理任务减少延迟，确保实时性。AI技术进一步提升了系统智能化水平，从数据洞察到设备控制贯穿工业流程。无论是钢铁行
22、业的无人天车，还是3C制造的视觉质检，通信、算力与AI的深度结合为工业场景注入创新动能。4.2.2 多流视频传输优化在密集IP摄像头场景下，多流视频并发时可能出现多I帧同时传输的现象（称为I帧碰撞），导致传输带宽需求骤增，远超视频流的典型码率。这种情况会引发网络传输链路拥塞，导致时延突增和视频卡顿，严重影响传输质量和业务稳定性。4.2 ToB行业应用案，保障人效投入降低30%。通过5G和AI的融合，实际测试提升质差分析效率9倍，支持虚拟路测，数据&能力开放的新模式。14AIR RAN 基于通算智融合的前瞻性布局，引领行业发展4.3 站点全域数智化为保障视频传输的稳定性和流畅性，可在算网一体机上
23、部署I帧检测AI算法服务。通过预训练模型识别视频流中的I帧特征，实时检测摄像头的I帧碰撞概率，并对碰撞概率高的摄像头进行调整。调整指令通过摄像头管理协议下发至摄像头，从而有效避开I帧碰撞，降低网络带宽需求，确保视频传输质量和链路稳定性。随着AI和RAN的持续深度融合，站点作为通信网络关键的硬件基础，也面临向数智化演进的重大变革，来推动网络向更高阶自智网络演进。高阶自智网络需根据用户及业务需求实时调整站点资源，来提升业务感知和运营效率，降低能耗，其硬件基础是站点具备实感知和多维调整能力。从整个站点资源看，核心硬件包含了BBU+RRU+天线三部分，同时还包含了电源、传输、机柜等配套。其中BBU和R
24、RU已经具备数智化基础能力，天线、电源、传输和机柜等仍需要向数智化演进，构筑整个网络智能化底座。4.3.1 天线数智化当前广泛使用的传统天线作为无源设备是“哑设备”，感知和调整能力极弱，仅具备垂直倾角调整。相关工参获取和天线调整主要依靠人工方式进行，不仅效率低下，也无法适应业务环境的变化。作为基站和终端用户之间的唯一链接桥梁，天线的数智化演进是必然趋势，关键特征包含实时工参获取、多维波束调整和网络智能感知，来实现大幅降低运维和网优时间，提升用户感知。实时工参获取：实时精准获取方位角、机械倾角、经纬度等站点工参信息。多维波束调整：包括水平方向角调整、垂直方向角调整、水平波宽调整、垂直波宽调整，能
25、调整的范围越大，可独立调整的频段越多，越能发挥网络优化效果。网络智能感知：自动获取天线阵列和RRU通道以及小区的映射关系。4.3.2 传输数智化随着CRAN部署比例的不断提高，BBU和RRU之间的长距离拉远变得更加普遍，前传光路也更加复杂。前传光路是无源链路，传统的光模块只能感知链路的光功率大小变化，无法感知整个前传光路的健康状况。当前传光路故障时，只能依靠人工上站逐点排查，费时费力，而且效率低下。前传链路数智化是解决传统问题的必然路径。通过智能光模块，配合智能软件算法，实现前传光路故障自动诊断、根因智能分析，一次上站即可精准解决问题，大大提升运维效率，提高网络可用性。15AIR RAN 基于
26、通算智融合的前瞻性布局，引领行业发展基于通算智融合的前瞻性布局，引领行业发展4.3.3 电源数智化采用gSDU，电源和主设备数智联动，实现站点绿色低碳。配电端口名称可以软件定义，自动识别负载设备小区关系；根据负载设备规格型号自动调整断路器过流保护阈值，一种断路器可以适配各种型号的基站设备，实现无差别配电；每个端口都可以远程上下电。智能感知业务：实现AAURRU智能启停，实现基站设备节能感知双优；同时智能预测站点设备功耗，动态调整电源整流器休眠数量，保证整流器转换效率最高。分级备电：备电最小颗粒度为设备级，设备增加，电池容量可以不增加；管理第三方电源通讯，获取电源电压、电流、电池容量和电池剩余容
27、量，智能预测备电时长，智能动态调整下电电压，实现智能备电；智能绿电：根据天气预报预测太阳能发电量，根据预测数据，智能动态调整基站设备输出功率和锂电池充电电流，尽可能延长站点服务时间。智能错峰：错峰用电功能支持在电价低谷期为锂电池充电，电价高峰期改由锂电池供电，从而降低基站的整体电费；据历史功耗预测站点功耗需求，计算备电所需容量，从而计算峰值电价时段可以用来放电的电池容量，锂电池放电时长智能动态调整，确保基站安全运行。采用风液混合近端制冷技术，BBU与机柜温控系统联动，动态跟踪分析柜内能耗变化和气候变化、进行智能节能寻优；机柜在无线网管可视、可感、可控。16AIR RAN 基于通算智融合的前瞻性
28、布局，引领行业发展05 AI与RAN深度融合持续拓展AIR RAN生态如前文分析，AIR RAN架构演进的核心目标是支撑网络的泛在智能，推动网络中智能体之间的智能互联，最终将网络打造为连接物理世界和数字世界的智能中枢。在产品架构层面，当前业界主要采用两种形式：一种是从RAN专用加速器发展而来的通专异构XPU架构，另一种是基于通用CPU+GPU的架构。两种形式各具特点，异构架构定制化设计，因地制宜地在不适合AI化的RAN模块和部分适合AI加速的模块中灵活选择最为适合的计算架构，在计算资源调度与性能优化方面能够提供更高的运算效率，同时在成本与功耗上展现出明显优势；通用架构的优势在于能够支持第三方A
29、I应用的快速落地，但在实现智能化RAN时，算子需要在不同硬件单元中来回切换才能完成经典RAN模块和部分AI模块的配合，这将造成资源的严重浪费。整体来看，通用架构在当前阶段具备一定的探索意义，但异构架构凭借其在整体方案中成熟度、兼容性、定制化及功耗等方面的突出优势，将成为AIR RAN长期演进更具潜力的方向。在技术架构层面，不论上述哪种硬件产品形态，都应从以下几个维度考量：AI for RAN：在RAN协议栈中引入AI为L1/L2/L3精准注智。AI在无线网络性能提升中的应用，包括底层、高层和顶层的优化策略。底层以高性能驱动，利用传统算法和AI算法的优势组合；高层以多任务驱动，通过局部AI任务优
30、化实现多任务协同；顶层以强智能驱动，利用大模型和语言理解能力提升网络操控智能化。RAN for AI：通过通信与AI技术深度融合，RAN不仅承担传统的连接功能，还通过感知与计算能力扩展，赋能具身智能、车路协同和低空无人机等场景。基站利用通感技术感知环境与动态目标，结合AI实现实时优化，提升资源利用效率与服务质量，为全场景智能化升级提供支持。17群智协同：网络智能体从单一智能体向群智协同演进，通过智能体间的协作分解复杂问题、优化全局决策，展现群智协同优势，显著提升系统的适应性、鲁棒性与创新能力。AI for RAN提供性能支撑，RAN for AI贡献数据与交互，二者互促，推动全局智能升级。整体
31、上说，RAN的各层设计在理论基础、优化目标和计算方式上有所差别，因此在AI注入智能的时候，需要根据底层、高层和顶层的不同特点进行更精准的优化演进。5.1.1 底层以高性能驱动对于无法准确统一数学表达、也无法统一为典型数学分布的局部模块，例如多场景非导频位信道的时频域估计、信道压缩，不同硬件非理想性拟合等，传统算法难以获得理论最优解或最优解复杂度过高，根据特征在时、频域的呈现，发挥AI的“见多识广”的特点，提高准确率。然而，考虑到AI计算复杂度和实时性要求，在硬件、功耗对模型规模的约束下，泛化性是否可以达到性能要求，暂时看有非常大的挑战。举例来说，无线信号分别在时频域上有不同的特征呈现，时域的多
32、径、频域的氧衰等，经典底层框架和算法设计基于此，通过傅里叶变换灵活在时频域切换，找到最佳特征呈现域进行信号处理。而如果简单粗暴地直接进行端到端AI推理，将空口时域数据为输入，那么频域明显特征将弥散隐藏在时域里，特征挖掘的代价不言而喻。另一方面，传统算法通过公式推演可一步映射到目标空间，AI算法则需从数据中广泛积累规律，这就导致目前广泛研究的AI模型的推理复杂度，相较传统算法高出数倍甚至23个数量级，在时间约束下硬件规模和功耗的急剧上升。因此，对底层而言，更具潜力的策略是将传统算法和AI算法做更细化的优势融合，利用传统算法的理论泛化优势和AI的场景学习优势，以高性能驱动和复杂度约束进行算法的优势
33、组合，实现不同场景下的性能最优。5.1 AI for RAN：分层注智，全面提升无线网络性能AI与RAN深度融合，持续拓展AIR RAN生态传统算法AI算法优势泛化方式劣势从数字信号处理、矩阵理论、概率论等经典数学原理出发，以典型数学分布作为假设前提设计系统，即基于数学原理与分布特点做先验泛化性推演。在不同的时间、地点和站型下，由于数学规律或分布特点不变，则新场景做出的预测有效。数学模型、分布保障了一致性，可解释性、稳定性好；一步直接映射到目标空间，不依赖或较少依赖数据，代价较少，推理复杂度低。对于场景间很难统一数学表达、或无法较精确统一数学分布的假设前提，例如不同环境、干扰下的信道时频域的变
34、化、不同硬件非理想性等只能分类建模，颗粒度大、准确性低。以数据的相关性作为假设前提，将各种类型的数据，提取特征得到的相关性规律记录储存为参数。在不同的时间、地点和站型下，AI通过计算新场景数据的相关性，匹配相似的既有数据，量化出先验预测的概率。通过训练数据学习各个场 景 数 据 的 相 关 性 关系，对于个性化的数据分布可以更广泛和精细的 匹 配 到 场 景 的 相 似性。对于既有场景的规律总结更完善。没有不变性假设前提，暂时无法定量的确认新场景中涵盖的不同数据组合是否已经被既有数据体现，泛化的确定性较低；由于需要小步长，长期迭代搜索，需要的大量的数据和高维计算，代价也较高，推理复杂度高。18
35、5.1.2 高层以多任务驱动经典高层算法主要是根据不同的信道、业务特点、场景目标来做系统控制，形成控制决策和动作。如果以AI的方式实现，需要考虑两个主要的方面：学习空间，即确认输入特征空间和输出动作空间交织出来的待学习空间；评价体系，即确定最终的输出动作以什么方式评价，是否在工程代价上和反馈速度上可支持遍历性学习。学习空间：高层控制的学习空间非常大，涉及到众多输入特征和输出动作维度的组合，工程上几乎无法遍历。输入特征空间：即使已经将原始的数据流根据经验压缩成相关特征，也有非常大的输入特征空间。以信道为例，每个终端都有接收场强、干扰、时间变化、多径情况、终端实现等多种因素，所有终端排列组合，相关
36、输入维度大小呈几何倍数增长。决策动作空间：即使通过定义帧结构、标准流程缩小动作空间，对于每一个最小的时、频、空域资源单位，都可以分配给不同的终端做不同调制的数据传输或不同目的的信道测量，此时的动作空间将是百万量级以上。评价体系：一方面，由于电磁波的相位特性敏感性高，目前仍不具备在输入特征维度和输出动作维度上和实际外场对齐的孪生环境。另一方面，在实际传输环境中反馈，探索未知动作空间可能造成现网问题。综上，高层全盘或大模块AI替代，会面临学习空间过大，评价体系难以建立的问题。通过减少模块任务范围来缩小学习空间，以专家经验为基础，拆分高层系统为多任务协作架构，减少单个任务的学习空间，并找到可准确孪生
37、或在线低代价快速评价的部分，进行AI智能化升级，最终实现局部AI任务优化，传统、AI多任务协同的整体高层框架。5.1.3 顶层以强智能驱动以统计特性预测和信令语言理解为基础，结合人的意图和既有运维经验，完成更智能的网络操控。一方面，顶层的数据建立在统计意义上，往往体现出较强的规律性；另一方面，顶层确定性流程、跟人交互更多，所以已经将很多的信息压缩到信令空间或码流空间等，学习空间更小，并且已经有一些成熟的专家经验以文字形式记录，这些特征都使得顶层适合AI化。值得注意的是，主要以模型推理为主的RAN顶层应用计算模式，在量化和模型压缩方面有更多空间，需要以应用性能为基础，选择更经济的计算方式来支撑强
38、智能。AI与RAN深度融合，持续拓展AIR RAN生态19AI与RAN深度融合，持续拓展AIR RAN生态随着AI技术与通信技术的深入融合，通信网络正全面迈向智能化与协同化。基站不仅是连接终端与网络的枢纽，还在感知与计算领域扮演核心角色，为AI驱动的业务提供高效支持。通过无线边缘计算和多模态感知技术的引入，基站实现了从数据传输到智能决策的跃升，显著提升了网络性能、隐私保护和资源利用效率。在此基础上，基站赋能人形机器人、车路云、NTN、低空经济和海域等前沿场景，推动无线网络的创新应用加速落地。连接服务增强：在具身智能，交互式AI等应用场景中，AI计算能力向终端进一步下沉，分布式AI的计算协作促使
39、连接传输带宽增加。同时具身智能场景还存在频繁交互的诉求，对网络连接的时延和可靠性也有新的要求。感知全场景赋能：通过基站通感技术与AI结合，实现NTN、海域及低空场景中对环境与目标的精准感知和动态优化，显著提升通信覆盖、资源利用及用户体验，推动智能化网络服务的全面升级。计算服务拓展：在连接和感知的基础之上，边缘算力可以为行业机器人做大脑赋能，同时自动驾驶场景下，部署在边缘的应用可以统筹管理多车和路侧感知信息，避免各个端侧AI重复推理消耗算力，保护个人驾驶信息的隐私。为端侧提供计算服务、可靠链接服务。5.2.1 连接服务助力具身智能云边协同为推动机器人发展，需将部分算力卸载至边缘或者云端，以提升续
40、航、降低计算成本并增强多机器人协作能力。通过部署在 AIR RAN 上的多模态大模型及智能体服务，在提供无线连接的同时，赋予机器人更出色的自然语言理解与交流、融合感知、分析决策及任务规划能力，助力其从本地智能迈向具身智能与群体智能。具身智能结合物理身体与智能算法，强调通过身体与环境互动增强感知决策能力，让机器人借助多模态感知适应复杂环境并完成任务。在 RAN 边缘部署具身智能大脑能力，与机器人本地小脑边端协同，既能实现低时延分析决策，又能节省功耗、保护数据隐私。以某人形机器人为例，全身拥有28个自由度，其中旋转关节14个，直线关节8个，头部6个。其灵巧手自由度22个。全身配备28个执行器，包括
41、高扭矩电机和无刷有齿槽电机。另有深度视觉相机和激光雷达。核算下来与边缘算力传输的数据量大约为上行30Mbps，下行以控制指令和语音为主，流量较小。这些流量通过RAN网络进行连接和传送，RAN需要对其数据进行时延和抖动的保障。以语音交互端到端2s的要求来考虑，网络时延需小于20ms。5.2 RAN for AI：连接、感知与计算的全要素供给205.2.2 低空、海域、NTN全场景感知赋能随着通信技术的快速发展，基站的功能已从传统通信服务扩展到通信与感知融合的全新领域。基站天线通过反射信号感知外部环境，实现对物体位置、运动轨迹及环境特征的实时监测。结合AI技术，通感能力在NTN、海域通信和低空无人
42、机场景中展现出巨大的潜力。在NTN中，基站利用信号反射感知地面用户设备的运动状态和环境特征，并通过AI动态优化波束方向和频谱分配，不仅提升网络覆盖，还支持动态导航和紧急通信。在海域场景中，基站通过感知海洋环境、船舶位置及气象条件，结合AI预测通信链路稳定性和负载需求，动态调整资源分配，有效支持远洋通信、航线规划和船舶避碰。低空无人机场景下，无人机飞行对地理信息和障碍物更新的实时性与精确性要求极高，静态地图航路规划及机载雷达/摄像头难满足需求，基站天线感知无人机高度、速度和路径，AI则对感知数据进行实时处理，优化频谱分配与路径规划，确保无人机群的高效协同与安全通信。以低空场景为例，通感技术结合A
43、I在多领域发挥重要作用。在物流配送领域，助力无人机精准定位、自主避障，安全快速送货，降低物流成本、提高配送效率；在智慧交通方面，实时监测空中交通状况，避免拥堵与安全事故，为飞行器提供精确导航，优化飞行路线，提升便捷性与安全性；在低空安防领域，可识别非法无人机并实时监控打击，还能对合法网联无人机进行预定航路监控及敏感区域保护。通过AI驱动的实时决策，基站通感能力使RAN从传统通信平台向智能化感知平台转型，在复杂环境中实现动态优化和资源高效利用，全面赋能全场景的智能化升级。5.2.3 连接感知计算协同赋能自动驾驶基于5G的车路云一体化方案中，路侧感知是方案的重要组成部分，为了发挥5G网络的优势，需
44、要把5G网络的性能和路侧感知AI分析、边缘计算等技术进行深度融合。控制语音身体电机1M(State)0.1M(Cmd)手部1M(State)0.05M(Cmd)里程计信息0.5M-语音报文1M1M视频视频报文10M-激光雷达激光雷达报文20M-总计33.5M1.15M用途内容/指令上行速率(Mbps)下行速率(Mbps)AI与RAN深度融合，持续拓展AIR RAN生态21多模态感知融合：实时性是路侧智能系统的关键要求。路侧需快速整合毫米波雷达、摄像头等多传感器数据，边缘实时AI通过数据融合，精准提供车辆的3D位置、速度和方向角等信息，支持交叉路口等复杂场景下的快速决策。相比传统云端处理，由于传
45、输距离远易导致网络拥塞和时延增加，将处理部署在5G基站能够大幅缩短传输路径，显著降低时延，使融合数据更快应用于车辆控制。例如，高速行驶中，车辆可及时根据路侧信息调整状态，确保行驶安全与效率。目标动态跟踪：路侧感知系统需具备实时性和低时延，以应对道路上车辆和行人状态的快速变化。边缘实时AI结合RNN和LSTM技术，可迅速检测和识别目标物体，预测其轨迹并更新状态，帮助车辆提前规划路径，例如在行人横穿马路时及时制动或避让。相比云端处理可能因传输和处理延迟导致目标信息滞后，边缘部署能够本地快速处理数据，将时延控制在极低水平，确保车辆在复杂交通流中实时掌握目标动态，有效保障行车安全。目前，中兴通讯与济南
46、移动联合打造的车路云样板点已落地，覆盖5公里路线、14个路口（8个重点路口），基于5G、路侧感知AI分析和边缘计算技术的“5G+车联网系统”完成部署。车端可实时接收路口红绿灯、超视距事故预警及行人闯入预警信息。经实测，该系统降低道路事故发生率约37%，提升交通态势感知效率约20%，超视距事故预警探知距离超3公里。云端实现交通实时监管，为智能汽车及其用户、管理机构提供车辆运行、基础设施和交通管理等动态基础数据。通信AI小模型主要解决单个通信目标问题，构建、训练等环节依赖人类专家，行为相对被动、静态且局部。而未来无线系统面临通感算智信等多目标复杂任务。智能体是高阶智能实体，能主动感知、理解、规划等
47、，具备自主性等特征，基于特定大模型完成任务并自我完善。“网络智能体”（NW Embedded AI Agent，NEA）是内嵌部署在网络侧的智能体，既可集成在RAN网元节点内，也能以独立节点存在。它不仅服务所在网元节点，还与其他NEA协同，完成复杂任务。NEA面向泛化无限域问题，主动采集数据，深度感知决策，不依赖外部专家指导，行为主动、动态且全局。结合自身存储的知识经验与工具，其判定决策比通信 AI 小模型更具可解释性、鲁棒性和可信度。6G无线系统追求高阶网络运维自治，从“外挂式自治”走向“内生自智”。NEA在规划组网方面，致力于环境态势自发现、按需灵活组网、可信泛在接入；在网络维保方面，聚焦
48、智能策略生成与验证、任务编排协作、会话管控、目标自寻优等。在NEA助力下，未来网络运维与运行将融合，无线系统能更精准适配环境与诉求，朝优化方向演进。未来，NEA将从单域单一智能体向跨域群智协同发展。通过群智协同分解复杂问题，优化决策，避免单一智能体局限。不同智能体相互补充，提升系统多目标决策能力与鲁棒性，还能涌现群体智慧，产生创新解决方案应对复杂网络环境。在未来6G时代，移动网络不仅是泛在连接的载体，更是实现人，机，物，智间无缝交互的智能化平台。6G的核心技术愿景是实现“通感算智超融合”，即实现对通信、感知、计算和AI智能在系统架构层面的深度融合和应用，以推动全社会数智化、可持续化发展。AIR
49、 RAN作为无线接入网的智能化深度进化，是支撑实现上述愿景的重要部分。AI与RAN深度融合，持续拓展AIR RAN生态5.3 群智协同：泛在Agent服务22旨在实现6G“万物智联、数字孪生、绿色高效”等愿景目标，6G RAN需要支持超高带宽、超低时延、超大连接数，以及复杂的动态环境，RAN智能化成为不可或缺的技术基石。AIR RAN赋予无线接入网深度智能感知、自主决策和动态优化等多维度能力，诸如：通信智能化：AIR RAN通过AI驱动RAN优化和无线资源管理，实现更高效的通信能力。感知实时化：AIR RAN将具备环境智能感知能力，为实现数字孪生提供数据基础。计算内生化：在AIR RAN中，计
50、算是RAN内生功能，通过边缘计算和分布式AI降低计算延迟提升效率。智能进化化：AIR RAN核心新特性是“自学习、自优化、自管理”，它将使RAN从被动响应转向主动感知预测演进。计算能力延伸：通过深度边缘计算和分布式计算架构，在接入网层面为AI推理和训练提供算力支持。数据处理枢纽：AIR RAN将成为AI应用的数据处理节点，为实时性要求极高的应用（如自动驾驶、工业控制、远程医疗等）提供低时延的数据处理服务。智能协同中心：AIR RAN将通过多维资源调度、任务分发和模型协同，为分布式/边缘式AI应用提供高效的运行环境。智能生态融合：AIR RAN将成为跨行业、跨场景的智能中枢，赋能垂直行业数字化转
51、型。6.1 AIR RAN愿景2306 未来展望：引领无线网络的长期价值未来展望：引领无线网络的长期价值AIR RAN发展和大规模应用并非一蹴而就，它需要经历上述“短中长期”的发展历程，具体为：短期着眼于“以智强网，逐层推进，异构协作，体验优化”方面，中期着眼于“以智筑网，整体内生，智算融合，价值拓进”，长期着眼于“以智生网，全面一体，多维超融，万物智联”。在上述历程中，客户收益和产业价值潜能将逐步地被释放。短期（2025-2027）：广泛引入AI实现RAN深度优化，解决传统网络痛点，如频谱利用效率低、能耗高、算力资源利用率不足等问题。构建基础的RAN AI算法框架，赋予RAN初步的自学习优化
52、能力。AIR RAN不仅能够满足用户对高质量连接的需求，还能提升RAN的灵活性适应性。另一方面，包括车路云、具身智能以及边缘运算也将在这一时期完成验证测试。中期（2028-2030）：实现RAN智能协同与动态管理。AIR RAN将成为通信、算力、模型和数据交互的核心枢纽，支持多要素网络协同，具备深度感知和实时优化能力的智能平台。同时也会作为AI边缘服务器，协助端侧和云侧共同构建AI生态。长期（2030以后）：全面迈向“通感算智超融合”的网络生态，实现全场景、全域的智能化连接，RAN能够自主感知、实时决策，支持复杂的多维交互。AIR RAN将真正成为构建数字孪生世界的核心基础设施，推动人类社会迈
53、向全连接的智能化未来。AIR RAN 的发展，既依赖技术突破，更离不开全行业的紧密协作。AIR RAN生态演进是一个从技术到试验到产业、从愿景到实践到收益的全方位进化过程。AIR RAN愿景与6G系统“通感算智超融合”的目标高度契合，是6G网络与生态的关键。通过AIR RAN，未来6G网络将实现从“连接驱动”到“智能驱动”的转变。面对AIR RAN未来的机遇挑战，呼吁产业各方积极参与，共同加速推进产业化进程：强化技术研发：加强RAN侧AI算法、边缘计算和网络架构的创新，推动AIR RAN技术从实验室走向商用，支持具备AI训推能力的智能基站。增进跨界协作：通信设备商、运营商、云服务商、AI企业等
54、需要形成深度协作，共同推动AIR RAN生态发展，打造基于AIR RAN的边缘智算服务。开放联合创新：建立开放的AIR RAN测试床和实验平台，鼓励更多中小企业和研究机构一起参与到AIR RAN的技术开发和实践中。标准化合作：推动AIR RAN相关标准的制定，形成统一的技术框架和接口规范；推动AI模型在RAN部署应用的标准化，确保异厂家间互操作性。6.2 AIR RAN路径6.3 AIR RAN生态24商业模式探索：探索AIR RAN的商业化路径，例如通过“网络即服务”（NaaS）模式实现价值变现；推动和垂直行业深度合作，共同构建AI新商业生态。绿色生态建设：共同构建开放共赢绿色的产业生态，推
55、动AIR RAN在更广范围内的应用。伴随着AIR RAN的演进，它将逐步释放客户收益和产业价值，推动网络从“以网带智”到“以智带网”的转型，为全面智能化社会奠定坚实的基础。未来，随着技术的持续创新与突破，在数据处理方面，将实现跨领域、多源异构数据的深度融合与实时分析，确保AI应用在不同场景下的精准响应与高效运行。算法设计上，有望研发出兼具高效性、可解释性和强适应性的新一代AI模型，极大提升网络资源管理和业务调度的智能化水平。算力架构将进一步朝着异构、分布式协同的方向演进，充分挖掘边缘计算与云计算的互补优势，形成无处不在且弹性可扩展的算力网络，满足 AI 业务爆发式增长的算力需求。全球范围内，中
56、兴通讯将携手产业合作伙伴形成紧密的技术创新及价值创造共同体，共同制定统一的行业标准与规范，促进技术的跨区域、跨平台共享与协作，加速AIR RAN技术在全球的普及与应用，缩小数字鸿沟，让智能网络服务惠及世界各个角落，开启一个万物智联、高效协同、创新无限的未来世界。未来展望：引领无线网络的长期价值25缩略语全称07 缩略语26人工智能（Artificial Intelligence）AIRAN5G6GMIMOXRARVRMECKPIKQIQoSL1L2L3RNNLSTM5G-ANTNNEANaaSOPEXCAPEXGSMAIMT-2030GPTV2XBBURRUK-MeansGAN3C无线接入网（
57、Radio Access Network）第五代移动通信技术（5th Generation Mobile Communications Technology）第六代移动通信技术（6th Generation Mobile Communications Technology）多输入多输出（Multiple Input Multiple Output）扩展现实（Extended Reality）增强现实（Augmented Reality）虚拟现实（Virtual Reality）多接入边缘计算（Multi-access Edge Computing）关键性能指标（Key Performance
58、Indicator）关键质量指标（Key Quality Indicator）服务质量（Quality of Service）第一层（Layer 1，物理层）第二层（Layer 2，链路层）第三层（Layer 3，网络层）循环神经网络（Recurrent Neural Network）长短期记忆网络（Long Short-Term Memory）5G增强技术（5G-Advanced）非地面网络（Non-Terrestrial Network）网络智能体（Network Embedded AI Agent）网络即服务（Network as a Service）运营支出（Operating Exp
59、ense）资本支出（Capital Expense）全球移动通信系统协会（GSM Association）国际移动通信2030（International Mobile Telecommunications-2030）生成式预训练变换器（Generative Pre-trained Transformer）车辆到一切（Vehicle-to-Everything）基带处理单元（Baseband Unit）射频拉远单元（Remote Radio Unit）K均值聚类算法（K-Means Clustering Algorithm）生成对抗网络（Generative Adversarial Netwo
60、rk）计算机、通信和消费电子产品（Computer,Communication,and Consumer Electronics）Accenture,https:/ and Markets,https:/ Mobile Economy 2024https:/ View Research，“AI Video Generator Market Size,Share&Trends Analysis Report By Component(Solution,Services),By Application(Marketing,Education),By Organiza-tion Size,By So
61、urce,By Region,And Segment Forecasts,2024-2030”https:/ Infrastructure for the Age of AIhttps:/www.softbank.jp/corp/set/data/technology/research/sto-ry-event/Whitepaper_Download_Location/pdf/SoftBank_AI_RAN_Whitepaper_December2024.pdf参考文献12345627地址：深圳市高新科技产业园科技南路中兴通讯大厦邮政编码：518057电话：+86-755-26770000传真：+86-755-26771999网址：
