6G网络原生AI技术需求白皮书.docx

摘要2目录21. 前言52. Al与5G通信系统的结合应用52.1 AIFor5G发展现状62.2 5GForAI发展现状62.3 "5G网络AF'发展现状72.4 AI和5G移动系统结合应用面临的拟城113. Al与6G新系统内生融合机理113.1 必要性分析123.2 可彳推分析123.3 增益性分析133.4 哨正新范式分析144. AI和6G新系统内生融合的技术需求154.1 能力需求（功能，性能等方面）154.1.1 算力能力需求154.1.2 算法能力需求164.1.3 居能力需求174.1.4 其它能力需求184.2 服务需求（对内，对外等方面）194.2.1 算力服务需求194.2.2 算法服务需求204.2.3 三g服务需求214.2.4 其它服务需求234.3 架构需求（产品,部署等方面）244.3.1 算力架构方面244.3.2 算法架构方面274.3.3 府架构方面284.3.4 其它架构方面315. 技术需求和原则总结316. 参考文献327. 附录33定义和缩写331.刖百原生/内生Al被业界认为是未来6G移动新系统的核心架构特征之一1oAI科技和应用发展日新月异,其相关的科学理念、范式模式、算法模型、方法手段等，不仅要能更紧密、更深层次地内嵌融合到6G新系统的架构、网元和功能流程之中，它们还要能凭借未来6G更强大泛在的电信基础设施平台之优势，更大地彰显出AI效能增益和价值,全面助力实现未来6G时代"万物智连"、"万务智联"、"智能普惠"等美好愿景。本白皮书将先简要介绍原生/内生AI的相关背景和动机，再力求全面系统地分析阐述：6G移动新系统在原生/内生AI的设计过程中，所涉及到的诸多技术需求（例如：功能、性能、服务、架构等方面），全面涵盖Al算力，AI算法，AI数据三大AI基本元素;进一步地，基于最新的研究业态进展，我们还将继续分析;匚炼原生/内生Al对6G移动新系统架构和标准化等方面的综合影响和需求。2. AI与5G通信系统的结合应用AI（特别是机器学习ML和深度学习DL）与移动通信系统的结合应用,始于第五代移动通信系统5GS（由3GPP标准化定义），但5GS系统在设计之初（我们称之为原生阶段），并没有充分地考虑AI业务应用和其相关能力服务，例如：如何基于AI新范式去改善优化某种通信类工作机制。虽然5GS移动系统已有着向云原生化CloudNative,和IT软件定义、服务虚拟化方向演进的趋势（例如：已支持服务化的核心网SBACN和核心网云化部署等功能），同时O-RANxOpenRAN等联盟组织，也在积极地推动无线网络的开放化、云化、虚拟化等工作，但受限于技术成熟度、安全性、系统运维复杂度等多方面的条件制约，5GS无线接入侧NG-RAN子系统总体上仍然保留着过去传统"烟囱式CT化基站架构"和相对固化的RAN协议栈模型。伴随着Al功能和务的逐步渗入且价值彰显,5GS只能在既定的系统架构和协议栈体系中,通过在核心网侧引入新逻辑功能节点NWDAF和各式各样模块级"外挂叠加式"的AI功能，来进一步增强优化系统自身各方面的性能和对外服务能力。每个"夕杼圭叠加式”的AI功能模块，基本都是针对已识别且特定的通信类问题（例如：切片质量保障、用户QoE优化、移动性预测、故障定位、网规网优运维等），主要旨在提升5GS系统性能、优化无线传输效率和简化网络管控运维等目的。2.1 AIFor5G发展现状大量实践已证明：AI/ML/DL等方法是针对传统无线通信中多维复杂且计算密集型问题求解的可行高效手段。当前，AI/ML/DL已在5GS系统内的多个层面和多业务领域，进行了初步的应用尝试和价值验证，例如：通过智能化平台辅助简化5GS系统运维、优化服务场景识Slk网络异常检测、故障根因分析和提升系统节能效果,通过智能化模块去优化网络的策略资源部署和参数设值的精准度，通过智能压缩csi反馈信息资源开销和智能调制编码去提升空口的资;廨I用率，通过智能模式去识别预测网络流量分布、用户轨迹行为，以提升用户业务体验等【2】o上述这些实例应用都可被称为AlforNetwork（AI4NET）,即体现了AI作为先进技术手段，对5GS系统某些方面赋能提质、优化增效的价值。在5GS系统中，各种AI算法模型，基本都是针对特定已识别通信问题的应用和改善，即已经过大量专门的线下训练和效果验证，这类似"头痛医头，脚痛医脚"，但它确实可一定程度地提升通信业务性能，降低系统运维成本。总体上,当前的AI4NET仍然缺乏系统性、周密性、全局性、可解释性方面的考虑，较大限制了AI能力可拓展性、迭代增强性和Al模型泛化应用能力等。此外，当前5GS系统中的各种AI资源和能力（涵盖Al算力，AI算法和Al数据方面）并不具备开放和服务化的特征，大部分仅仅限于系统内被利用和应用。2.2 5GForAI发展现状当前,AI各种移动应用（例如：语音、图像、视频、数据的AI识归类和处理等）主要还是通过终端本地化或集中式云Al的服务模式（例如：以亚马逊AWS、微软AZUre、谷歌云、阿里云为代表的公有云服务体系）提供给终端用户，因此5GS系统更多地扮演着底层数据传输管道的角色。5GS系统把AI模型训练和AI业务应用相关的数据流，都当成TS的用户业务踊进行传输；云Al模型训练所需的大量样本数据,也通常通过应用层数据的形式，在5GS系统中端到端的传输流转。另夕L方面，3GPPRel-16定义了NWDAF以及其相应的交互接口，致力于在网络内部实现一些智能化应用以及对内对外的Al赋能,进而减轻对传统云AI的依赖。上述这些方面可被称为NetWOrkfOrAl（NET4AI）,即体现了5GS系统对AI业务和服务的价值。面向NET4AI智能类应用，当前3GPPTS22.2613已开始制定一些特定场景下相应的网络KPl连接性能要求。然而，在上述NET4AI移动应用例子中，云AI模式所有的操作对于5GS系统几乎都是透明的，并没能实现上层AI应用和下层网络管道之间的跨层深度融合或配合；同时，5GS系统内的各种通信、感知和计算资源能力和数据，对上层云Al应用服务器或者NWDAF等智能网元的开放度和被利用度也不够，也没能做到和上层Al业务应用的最佳适配。从5GS网络整体看，其内的各个逻辑网元节点所涉及和拥有的算力，算法和数据资源，并没能被外部Al功能实体充分地调度和利用，它们中大部分仅仅受限服务于传统通信业务目的，或时常处于低效闲置无用的状态，例如：基站中大量基带算力和无线数据。未来，如何更大程度且更优地去利用好6G新网络中的各种算力，算法和数据资源和能力，赋予其更大的业务服务价值，进一步拓展移动运营商的盈利体系，这都需要6G移动新系统去原生地实现。2.3 ”5G网络AI发展现状5G网络在设计之初，虽然没有原生地考虑AI,但是5G网络在如何与AI相结合互利即"5GNetworkAIo方面，却在不断地探索和演进。在"5GNetworkAIm探索中，3GPP、ITU-T、ETSI和TMF等标准化组织或者论坛都取得了一定的进展。3GPP在"5GNetworkAl"方面进行了初步的探索,其状况与进展如下：3GPPRel-16在5GS网络架构中，引入了新的逻辑功能实体NWDAF,如图1即网络数据分析功能（具体参见TS23.288【4】）oNWDAF通过与5GC中其它功能实体（例如：AF、PCFxAMF.SMF等）交互，提供多种网络数据分析服务，包括：接收核心网各个功能实体NF的网络数据分析请求，基于该请求采集相应的网络数据；利用Al算法对采集数据进行分析推理，得到网络分析结果信息；再将网络分析结果信息提供给请求的NF实体。进而,各个NF利用NWDAF提供的网络分析结果信息，对5GS网络和终端工作状态进行监控，并对通信业务进行闭环控制优化。截至RH-17,NWDAF已支持对网络业务体验、网络性能、切片负载、NF负载、终端移动性/通信/异常事件、服务质量（QoS）可持续性、用户数据拥塞情况等进行分析。-NnwdafAnyNFNWDAF图1:基于NWDAF的5G网络数据分析架构（参考3GPPTS23.288）Rel-17对5GS网络孀分析架构和功能进行了增强，包括：NWDAF的逻辑功能拆分及逻辑功能间的交互、多NWDAF实例如何协作数据训练和模型共享、引入新功能实体以提高数据收集效率、增强实时性。它主要包括以下特征：-NWDAF实体部署更加灵活,支持中心式、分布式、中心与分布结合式几种方式；-支持多个NWDAF实体之间的协作（例如:分析聚合、分析转移、共享AI数据/模型等）；将NWDAF功能进一步分解为MTLF（模型训练逻辑功能）与AnLF（分析逻辑功能），其中MTLF可向其它NWDAF实体提供ML模型；- 引入DCCF（数据采集控制功能）、ADRF（分析数据存储功能）和相关数据采集优化流程；- 支持NWDAF实体从UE采集数据；- 支持针对边缘计算业务体验和网络性能的分析；- 支持对UE/会话相关的切片负载、数据/信令的离散分布、WLAN性能、用户面性能、会话拥塞控制、冗余传输等方面分析。Rel-17还对5GS系统管理面的智能化，进行了研究和相关标准化工作，如图2即引入管理数据分析（MDA:ManagementDataAnalytics）,具体参见TS28.1045。MDA采集与网络和服务事件及状态相关的数据，包括：网络性能测量、Trace/MDT/QoE等报告、警报、配置数据、网络分析数据和AF服务体验数据等。MDA基于特定Al算法进行相应的数据分析，生成分析结果报告，基于分析结果报告进行网络管理操作，从而实现网络管理运维的自动化与智能化。MDAMnSConsumerYMDAS (MDA MnS)Rel-17对无线接入网RAN智能化的研究也正在展开，具体可参见TR37.8176,其潜在应用场景包括：网络节能、负载均衡、终端移动性管理等方面。Rel-18继续对AI/ML模型在5GS系统中传输的性能需求指标进行了研究，具体参见TS22.2613。5GS系统将会依据AI/ML业务或应用需求，为相关AI/ML模型数据的传输提供QoS保障。5GS系统还可对AI/ML模型雌的传输状态(例如：传输速率、时延、可靠性)进行监控，并上报给AI应用服务器，以供Al应用服务器据此监控信息调整AI应用层参数。目前，3GPPSA2正处于Rel-18新立项讨论阶段，网络智能化主要从下面两个角度考虑：- AIforNetwork方面：聚焦5GC网元相关分析、研究潜在的架构增强、新场景等。例如：研究是否及如何增强5GC架构以支持联邦学习和在线学习、UPF业务域上报NWDAF用于智能分析、UE是否及如何使用来自NWDAF的分析建议、数据收集和数据存储增强、NWDAF辅助的URSP等；- NetworkforAI方面：聚焦基于SAlRel-18AI/ML模型数据传三性能要求，研究5GS辅助的AI/ML业务传输;支持AI/ML模型分发、传递、训练;用于不同AI应用视频/语音识别、机器人控制、；气车等方面。例如：研究支持应用层AI/ML可能的架构和功能扩展、研究可能的QoS及策略增强、研究5GS如何辅助UE客户端和AS之间的联邦学习等。ITU-TSG13也进行了5G网络与AI结合的相关探索工作。2017年11月SG13成立了包括5G在内的未来网络机器学习(ML5G)焦点组，2020年7月ML5G焦点组结束了第二阶段的工作，并向SG13提交了关于Al用例、架构框架、智能级别、数据处理、机器学习功能编排器、服务框架等的十项技术规范。此外，ML5G焦点组还提出一套针对机器学习的管理子系统，针对机器学习全生命周期中各个阶段所需的不同功能，提出了跨多域、多云、不同层级的多层级ML工作流。ETSI在ICT系统与AI结合的领域开始相关探索的时间较早，2017年2月即成立了体验式网络智能行业规范小组(EXPerientialNetworkedIntelligenceIndustrySpecificationGroup,ENIISG)0ENIISG定义了一种用于网络运维、业务编排、网络保障等应用,提供智能化服务的人工智能引擎，其功能架构【7】如下图3所示。 ENI内部参考点端对端 闭环控制辅助系统应用、用户，和/或OSS和类似BSS功能和编排器叙M迩求WV塞图3:ENl功能架构ENI系统目前包含：知识管理、模型管理、策略管理等模块，通过对数据进行处理，经过AI模块后，可以自动化地为网络提供服务运营和保障，以及提供切片管理和资源编排。目前，ENI的功能还在不断地演进丰富，例如：支持基于意图驱动的网络等。TMF组织在5G网络与AI结合的相关工作中，主要聚焦于OSS/BSS网管方面的探索。当前TMF正在开展人工智能与数据分析（AlandDataAnalytics,AI&DA）项目，该项目主要从架构、用例、Al术语、数据处理、AI训练等方面进行研究，研究方向与具体内容【8】如下表1所表1:TMFAI&DA项目主要工作A1&DA项目研究方向具体内容AI(serSlorjSUseCasesAl在网络运维上的用户故事以及相应的用例DaluMmlel数据的数字模型化标准，希望统一Al数据模型格式SrrVierMHnH斯InCnlforI基FAI管理电信网的整体功能架构,包括各接口和功能模块的描述AIDatarIrainiiigRePOSiIoryAl对数据的需求、数据的来源（如LOg）、处理（如数据清洗）、使用等AlMaturityM<hIIAI相关概念澄清、Al网络应用的分级成熟度等2.4AI和5G移动系统结合应用面临的挑战5GS网络希望能更好地利用AI能力进行自我增强和支持Al类业务应用，尤其首先是在核心网侧，进而扩展到无线接入网RAN侧。Rel-16弓|入的NWDAF功能,其主要目的就是为了提升AI数据采集和分析能力，例如：NWDAF可为其他核心网功能NF和终端UE提供分析结果信息，辅助优化相应的网络业务发放。NWDAF还衬寺从5GS网络运维网管系统中采集数据，为此NWDAF还提供了专门服务，用于相应网络功能的注册和元数据开放。尽管如此，5GS系统与Al的结合应用还面临着如下挑战和缺陷： 数据源有限：NWDAF实体采集和分析的数据主要是5GC核心网功能接收的翔g,但并没有充分考虑来自无线侧基础设施、环境、终端和各类传感器的广义数据，因此在AI数据样本方面存在不足。 传输带宽消耗：无论集中式或分布式NWDAF部署，为了收集Al数据,都需要消耗大量的传输带宽资源。当数据源离NWDAF实体较远的时候，还会造成数据更新时延的问题。 缺少数据隐私保护：NWDAF偏集中式数据采集分析，数据源通常主要来自同一业务领域,因此架构设计中数据隐私的保护考虑不足，容易泄露用户隐私。 不支持对外AI服务:NWDAF是5GC核心网内部功能，主要用于增强优化5GS系统自身，外部Al应用不能直接在5GC核心网或无线接入网RAN的AI功能体系中被服务和受益。 基础设施利用不充分：网络切片功能、超高可靠低时延通信URLLCx海量机器类通信mMTC等5G关键功能特性,在架构设计上都只是为了性能、功能和运营角度满足垂直行业需求，但都未专门考虑原生/内生AI的期（如：辘治理和服务、分布式架构等），网络基础设施中的各种资源（或低效或闲置），并没被业务应用充分地利用和价值转换。 数据治理和服务缺失：Al不只是涉及到数据采集训练和分析推理两个方面。为了提供6G原生/内生Al的支持，还需要专门对AI数据治理和服务的架构进行系统性设计,而这并不在5GS系统当初的考虑范围之内。数据服务的价值未来有待更大地彰显。3. AI与6G新系统内生融合机理ODICT业界普遍认为：原生/内生智能（NativeAl）将成为未来6G移动新系统的核心特征之一【1】，因此6G新系统将从一开始的需求和架构设计阶段，全面充分地考虑如何和AI深度融合。较大区别于当下5GS系统通过Al功能叠加、补丁、外挂等方式的结合应用，原生/内生智能的目标，将会对6G新系统设计带来诸多的深刻影响和挑战，因此本章节将先剖析阐述6G原生/内生智能的动机和理由（例如：内生Al为何能更好地适配未来6G新场景、新用例，如何带来新业态和新价值增益等方面）。3.1 必要性分析面向未来移动网络的演进，网络管理运维需要从降本增效的局部智能化运营，向端到端的高水平网络自智自治迈进。但是，现有网络Al用例的研发，普遍采用了打补丁，外挂，烟囱叠加等方式进行，缺乏统一的系统框架。大部分Al模型应用效果缺乏有效的验证和QoS质量保障手段。AI模型训练学习和分析推理在时间上解耦，AI模型效果验证只能在事后进行，对现网影响大，无法实现高水平的网络自智自治，无法实现AI模型效果预验证、在线评估和全自动的闭环快速优化。止匕外，AI模型（再）训练需要大量的样本数据，而集中式采集数据困难，导致网络传输开销大，AI模型迭代更新的周期较长，训练开销较大、收敛慢、AI模型泛化性差等。因此6G新系统需要进一步改善AI模型的训练和应用性能，提升网络自智自治水平。面向各个垂直行业用户，助力干行百业的数智化转型，探索新的智能化商业模式，提供6G新场景和新能力都是内生智能的重要驱动力。在保护垂直行业数据隐私、数据不出园区的前提下，6G新系统需能提供分布式、区域性算力资源、平台和服务，实现"随时随地"智能化能力的按需灵活供应，实现"以数据为中心的计算"。这相比传统云Al服务供应商，可提供更高的实时性、隐私性、性能更优的智能化能力和服务；另外，6G内生智能还可提供行业间的联邦智能，促进实现跨域、跨行业的智慧融合和数智共享。面向未来智能终端的演进，海量终端将产生更大量的数据，终端的计算和智能能力也越来越强，6G内生智能需能协同好网络Al和终端AI,为ToC用户提供极致的业务体躺口更高价值的新型DICT业务服务。此外，保障未来网络安全可信也是重要的研究课题，内生智能可促进实现网络内生安全可信，可自主检测和主动防御各种潜在的攻击和威胁等。3.2 可行性分析5GS系布口Al的成功结合应用，已一定程度地证明了网络智能化的可行性,本章节将从Al三要素的角度，分析未来6G新系统原生/内生AI深度融合的可行性。算力：由于时延、可靠性和数据安全隐私保护等方面的要求，在5G时代，计算能力和算力资源的下沉部署已成为趋势。到了6G时代，数据的连接和计算可能进一步融合，例如：出现通信连接计算融合的双基础设施，这为内生Al融合设计提供了计算服务相关的条件基础。算法：虽然当前将各种数据集中到Al云，在Al云中进行集中式处理的方式有其优势，但在数据隐私、极致性能和计算能耗等方面，一直存在其难以解决的问题。如果未来6G新系统能做到将算法模型和智能能力融合到网络中，无论数据和任务在哪里、数据和任务的智能处理就能在那里，这将成为一种有效替代选项。因此，AI算法模型将由于数据和计算资源能力的下沉，也将同时被下沉到网络边缘（例如：边缘节点，无线基站）来执行和维护。数据：传统通信网络主要是数据传输的管道，除了网络自身的管理运营数据，一般自身是不主动产生和处理业务相关的数据。由于数据方面的限制，这可能是5G将AI的重点放在网络自身性能提升优化和管理运维自动化的原因。到了6G时代，由于各种感知技术、行业数字化、边缘计算等走向成熟，6G新网络本身就是巨大的无线传感器网络，它将具备主动产生和处理海量异构数据的能力，这也就为6G原生/内生AI融合设计提供了数据服务相关的基础，例如：大量训练样本采集和预处理，数据资产按需流转等。3.3 增益性分析"6G原生/内生智能"将极大强化AI相关资源（包含AI算力、AI算法、AI数据）和6G移动新系统之间的耦合，从过去的所谓"通算智三张薄皮"耦合进化升级为"通算智一张厚皮"，从而6G新系统内的各种资源的集成复用率、利用效率、综合性能等方面会被提升优化，进而实现更高的系统成本和业务应用之间的性价比，普通消费者也能享受到更泛在、更廉价的算智类业务服务。相比于传统集中式的云AI服务器和边缘智能节点工作模式,原生/内生AI模式使得AI资源能够更广泛、均衡地、更灵活按需地分布部署在6G新系统泛在基础设施平台之中，AI算智类操作将更贴近数据源、任务源和终端用户，且更能高效适配空口的动态状况（例如：用户环境和信道变化，网络拓扑和资源更新等），因此6G新系统（特别是基站）将更易面向用户的动态环境进行快速而精准的闭环优化、更实时地进行策略调整和趋势预测。在以联邦学习为代表的分布式AI机器训练模式下，去集中化的内生AI模式更有利于用户数据的隐私保护，分摊数据和算力任务的压力，强化（子）网络本地安全自治。在AI相关数据（算法模型、训练样本、基本参数、特征参数等）的采集处理和传输流转方面，内生AI将可能依托于6G新系统专门的“数据面"和“智能面”等逻辑功能，进行更高效灵活且鲁棒的数据流转和共享，进而带来更低的Al数据传输延时,更少的传输资源消耗和系统能耗。通过将6G原生/内生AI技术进一步标准化，还可促进ODlCT异厂家之间的通算智类设备、功能模块和Al任务流程的对接协作，甚至带来未来新业态和新商业模式的重构。这还将进一步促进更多的参与方去联合构建更广泛、安全可信的AI智能资源能力服务平台，从而实现6G"泛在AI"和"智能普惠”的愿景。3.4 新特征新范式分析未来6G移动新系统要实现原生/内生AI,将会面临相当大的技术挑战，具体如下：1）高度差异化的智能服务质量QoAIS需求,一方面无线网络工作状态波动大，用户和业务需求动态性高，尤其是垂直行业用户的需求变化更大；另一方面当前移动系统尚缺少对Al服务质量QoAIS系统性的评估和保障体系。2）有限的通信和计算资源，网络边缘节点设备上的算力和智能不足，存储能力弱，无线接入节点与边缘设备之间的传输带宽有限；当前缺少对AI服务相关的异构资源系统性管控和调配，比如：算力，数据，连接等方面。3）当前缺乏拟真的AI训练与验证环境，一方面拟真环境的实现对同步数据的实时性和数据量要求极大；另外在拟真环境下，为了避免AI功能启用后对真实物理网络带来的潜在负面影响,如何实现Al模型应用效果的预验证和保障。4）面向垂直行业需求，内生Al需能提供Al资源、功能、服务的按需灵活编排到端-边-网云各种节点之中，提供端网紧密协作的分布式AI架构和Al服务质量评估和保障体系。此外，内生Al需使能行业间跨域的联邦学习、知识经验数据共享框架，促进与行业业务逻辑映射的数字李生网络的融合。5）面向未来网络自治自智，内生Al需能实现网络自治自智所需的自发现、自编排、自配置、自优化、效果自评估、多域闭环，AI效果预验证、在线评估和闭环快速优化，通信-存储-计算多维异构资源融合，更充分高效地利用网络内各种资源,支持安全可信的网络自治自智方案。6）面向普通终端用户，内生AI需能对终端辘和算力资源进行智能感知，利用海量终端的大量数据和算力资源，实现端网融合的分布式AI架构，并且需对用户数据进行脱敏、关联聚合，保障用户数据隐私安全。从上述若干技术挑战可看出：6G原生/内生智能不仅要能实现高水平的网络自治自智，也要能为众多的垂直行业用户和普通终端用户，提供更高质量有保障的Al服务。6G移动新系统至少需具备如下新技术范式特征：1）端到端Al服务质量的全生命周期编科坏口管控，构建AI/ML服务质量评估和保障体系，实现全生命周期编排AI/ML算法模型,算力，数据等资源。2）基于内生Al的计算和通信深度融合，在网络内数据、算力、带宽资源和传输时延都受限的场景下，内生Al需考虑计算和通信资源的联合编排，6G将能重构网络架构、协议编抖许口功能流程，全面适应6G空口和网络侧传输特性，优化内生AI/ML模型性能。3）内生Al要能霹字挛生融合,内生AI可给数字挛生网络提供所需的AI/ML模型,实现数据增广和自生成，降低数字挛生网络对物理网络数据采集的需求，数字挛生网络可对AI/ML工作流或Al模型效果可进行预验证和优化,避免AI/ML功能后续引入后对现网的负面影响。4.AI和6G新系统内生融合的技术需求4.1 能力需求（功能，性能等方面）未来，6G新系统将会是深度融合了"通"、"感"、"算"、"智"、"存"于一体的超级无线基础设施平台，它对内将同时具备"通信"、"感知"、"计算"、"智能"和"存储"等方面更强大的能力，例如：更多的特征功能和更好的KPI性能；同时它对外也将能更强地提供“通信"、"感知"、"计算"、"智能"和"存储"等方面的综合业务、服务和应用，例如：面向普通ToC消费者，ToB类用户或第三方客户。因此6G新系统既是超级的无线通信传输管道，又会是巨大的分布式雷达传感网络、泛在算力和AI智能服务器阵列等。6G内生智能和上述6G系统特征息息相关，下面我们首先将从"算力"，"算法"和"数据"三大主要方面阐述6G内生Al在基本能力方面的需求。4.1.1 算力能力需求算力作为6G智能原生平台的新生产力，是支撑一切数据能力和服务的坚实基础。现阶段5G、大数据、AI等技术的高速发展，不断推动着数据的爆炸式增长和Al算法的复杂程度不断提高，从而带来了对算力规模、算力能力等方面需求的快速提升。对于融合了计算、通信、感知和Al能力的新一代6G算网融合系统，算力的发现、感知、度量、按需调度利用和最大化开放成为未来移动网络发展的重要趋势之一。算力资源发现能力：6G新系统涉及云计算、雾计算、边缘计算等多层次技术之间的相互协作。这些计算技术的能力特点和覆盖范围不同，例如：可以分别针对区域级别、本地级别和设备级别的物联网应用和服务。6G新网络需具备及时的多层次异构算力发现和注册能力，以支持实时的数据感知处理、控制执行等基本功能。算力发现注册能力作为6G新系统的基础功能，起到桥梁的作用，是算力服务的基础。算力需求感知能力：随着越来越多数据的产生以及更强大复杂的算力算法运用，6G新系统的算力感知能力需要变得越来越智能。典型的算力服务需求也从简单的数据感知、收集和表示转向算力服务需求信息的提取和分析。未来，6G新系统可广泛地应用于环境监测、城市管理、医疗健康等场景。6G新系统带来的触觉网络将助力对算力需求的实时感知，实现高效的数据处理、信息提取和分析决策。算力统一度量能力：6G新系统涉及的算力主要包括：逻辑运算能力（一种通用的基础运算能力，硬件芯片代表是CPU）、并行计算能力（一种专门为了加速处理图形图像等数据类型统一的高效计算能力，硬件芯片代表是GPU）和神经网络计算能力（一种用来针对机器学习、神经网络等进行加速的计算能力，硬件芯片代表是NPU）三大类9。对于提供异构算力的各种设备和平台而言（不同厂商芯片，不同计算类型，以及不同用户的计算算力需求），如何对异构算力资源进行统一量化，这是算力调度和使用的基础。这就需要6G新系统能提供将各自异构算力资源映射到统一量纲的度量函数或方法。算力按需调度能力：6G原生算网融合系统结合了边缘计算、雾计算、网络云化以及智能控制的优势,通过强大的网络连接，实现了更广泛的算力资源的管控和动态按需调度。区别于传统云计算资源纳管采用集中式的资源管理或者集约化的资源提供，在6G原生算网融合的资源管理体系中，更多考虑了网络状态（如：空口信息、网络延时、网络损耗等）对于分布式算力资源调度方面的影响，以达到综合性能和资源最优化。因此6G新网络的核心能力是提高泛在分布式计算效率，算网融合正是为了提高智能计算、通信和AI服务的工作效率。算力开放交易能力：6G新系统算网融合下的原生算力,将不再单纯地由移动运营商或者云服务提供商所提供。只要能够贡献闲散算力的节点，比如：基站、手机终端、电脑、游戏机、企业空闲的小型翔g中心等，都可成为新模式的算力资源。考虑到安全、经济、高效、可靠等因素，6G新系统需要定义合理的机制，例如：区块链技术，对泛在算力资源进行管理和开放交易104.1.2 算法能力需求作为AI三要素之一的算法（模型）是6G新网络实现内生智能和提供各类AI服务的决定性因素之一，6G内生AI算法能力需求至少包括如下几个方面：AI算法指标需求：目前AI算法和模型门类众多，且迭代发展极快，不同AI算法模型可以实现的功能性能，所需要的执行时间、运算复杂度等方面差异性较大。从6G新网络内生智能和对外AI服务质量的角度，6G需要规范化定义出AI算法的指标需求和所包含的指标内容，并面向不同Al服务给出各个指标的量化范围。例如：可从Al算法模型的增益、运算复杂度、网络种类、执行时间、输入输出需求、数据依赖性和泛化能力等角度，去综合刻画算法能力需求。不易量化的Al算法指标可以分级描述。Al模型训练需求：通常Al模型需要基于大量数据，进行较长时间多次的训练才能收敛。在6G内生智能系统中，特定AI模型训练的具体模式,需要根据系统数据收集量、计算资源、隐私保障等客观需求，和系统当下的通信计算等资源状态来进行实时的决策，潜在的训练模式可能包括：离线训练、在线训练、联邦训练等。Al模型训练要能最优地匹配6G系统的实时资源状态。AI模型描述与交互需求：6G新系统中将会有非常多种类的AI模型,服务于不同的AI用例和业务,它们需要能在不同网络架构的各个网元节点之间进行交互和共享利用。对此，6G需要定义出Al算法模型的描述语言（或方法），并通过统一定义的流程，保障任何AI算法模型的可交互与可执行。AI算法演进需求：无线通信和Al算法是两条飞速发展的快车道，因此AI算法模型的架构和能力均需具备前向可演进的能力。AI算法演进可以是参数层面的更新演进（性能自优化），也可以是模型架构结构层面的革命演进（架构自生长）。4.1.3 数据能力需求6G新网络内生智能的实现主要是基于数据驱动,因此具备完善且高效的数据能力至关重要。从Al数据需求的角度出发，6G至少需要具备以下几个关键能力：数据收集能力：未来网络中的数据资源非常丰富，包括：基础设施的资源信息，业务支持系统中的客户、伙伴等信息，行业通信系统中的各行各业相关信息，以及终端用户和环境信息等。要想更高效安全的收集这些数据,需要相应的网络数据收集功能去支持。网络数据收集的过程包括：与各种数据源建立安全连接，确定收集范围和方式，把收集到的数据（经过预处理）存储在数据库中，并对数据库进行相关操作维护等。数据分析能力：面对丰富的数据资源，使用数据挖掘、机器学习等方法对收集来的大量数据进行分析提炼，以求最大化地开发数据的功能，挖掘出关键的信息和知识，给客户提供所需要的数据服务。例如：根据历史数据统计特征实现对网络故障和业务损伤的自主检测，识别网络异常等，并能通过用户数据去预测未来事件，分析用户行为和偏好，以更好地为用户服务。雌分析和挖掘的算法多种多样，且不同算法面对不同的数据类型也会呈现出不同特点，6G新网络内生AI需要能根据不同的业务数据类型，来选择最合适的分析和挖掘算法。数据隐私安全保护能力：收集和存储敏感类雌涉及到隐私风险，需要承担隐私保护的责任。数据脱敏是回应隐私关切、实现法律遵从的重要动作，这对于在6G新系统中实现安全的AI雌服务尤为重要。AI模型训练和推理过程中的数据脱敏技术一直备受关注，近年来关于Al中的差分隐私，同态加密，多方安全等技术领域都有着大量的研究工作。数据存储能力：未来数据存储由核心向边缘转变，将会分布式地存储在云、边、端各节点中,并且需要支持非结构化、半结构化和结构化的多元数据存储架构。6G新系统需能将数据按照分层分域的方式进行存储，提供多层次的容错和冗余能力。例如：云端可存储高价值明细数据及必要的轻度I匚总数据，而边端可存储低价值明细辘、轻度;总、辘。以边端场景为例，利用本地存储的明细数据完成快速处理，赋能本地应用；处理后的结果雌，会根据存储及使用规范，向云端或其它的边缘节点传输。数据开放能力：将汇聚后的内外数据通过融合加工、去隐私化处理、标准化地进行封装，形成对外数据服务，以标准化的数据服务方式（包括数据集、AI模型数据、预测服务等），向6G内生AI网络及外部第三方用户提供开放服务。数据服务类型可结合6G实际应用场景，进行规范化分类，例如：人联网类（用户位置类、用户上网行为类、用户通信掉话率类等）、物联网类（终端类、设备类、车类等）及其它各种分类。4.1.4 其它能力需求除了上述Al算力，AI算法和AI数据三大基本要素能力方面的需求，6G内生智能还要能进一步促进6G新系统内生安全（主动免疫）的实现，例如：在面对未来更多未知和不确定的业务场景和用户环境下，6G新系统要能基于内生Al能力，实时地感知分析、推理和预测出各种潜在的威胁和风险、实现全面自主免疫、主动防御和多网元节点之间协作联合的安全防御策略等。基于6G新网络内生智能的自学习训练和推理，各种新式变种的安全威胁和风险，都将可能被尽早地识别判定出，从而在6G全网内实时地做到安全认知和经验同步，形成无死角的联合协同防御并消灭任何J的风险后患。当前，5GS系统已通过夕杼圭式AI的辅助手段，实现了不错的系统节能增益。例如：对某区域5G网络，每万站点可实现年节电2000万度,显著节省了电费支出，同时网络KPI和用户感知也基本保持平稳11o尽管如此，未来6G新系统仍然有不小的能耗冗余压缩空间。未来，6G内生智能还需能进一步促进6G新系统实现能效和节电方面持续地提高，和更大的节能增益绿色;痛非，以有力支撑国家新能源和“双碳”发展策略。4.2 服务需求（对内，对外等方面）相对于6G新系统的内在Al相关能力，6G内生AI新系统对外所能呈现的业务和服务,对于用户和客户更为重要和彰显价值。未来，6G新系统服务的多主体对象领域从小到大大致可分为：个人（T。C）,家庭（TOH）,企业（ToB）,行业（ToI）,社会（TOS）等；每个不同的主体领域或层级，对6G内生AI业务和服务的需求都会有所差异，例如：Al性能方面，其背后也会对应着上述4.1章节中不同的Al能力需求。下面我们还是从算力，算法和数据三大基本要素方面展开阐述。4.2.1 算力服务需求AI密集型计算需求的高速增长，进一步催生了6G新系统算力服务的快速发展。未来，6G新系统需要提供内部和外部Al业务应用所需的算力服务、数据服务和算法服务，实现系统算力开放共享和智能AI服务。多层算网融合作为未来新一代网络架构，其设计需协同考虑网络和计算融合的演进需求。实现泛在的算力连接和Al算力在网络中的全局优化包括：算力的按需灵活调度使用，算力服务的合理分布。多层算网融合的目标是：1.网络可以感知和管控无处不在的计算服务，而用户无需关心网络中的计算资源状态。2.算力灵活动态地部署，灵活调度算力到有计算需求的服务上。根据上述总体要求，6G新系统算力服务主要要能提供以下服务类型。1.时延敏感型服务：通过6G新系统的智能蝴和决策，实时为用户AI服务提供充沛的算力支持，加速传输和计算效率，从而达到较短时延。相比于移动云计算MCC所需要的100毫秒量级时延，基于多层算网融合体系的6G新系统,可满足110毫秒量级的超低时延服务要求。应用场景例如：沉浸式虚拟现实XR。2 .能耗敏感型服务:用户或客户可通过6G新系统的算力调配，将高能耗型的AI计算任务迁移到6G新网络中，进行分布式并行计算，从而避免本地计算带来的巨大能耗。应用场景例如：抢险救援，智能穿戴设备等。3 .隐私敏感型服务:与传统集中式计算相比，6G新系统内的用户雌信息不再需要经过