AI大量应用后，6G会发生什么变化？

摘要
当AI从少数云端应用变成遍布手机、汽车、机器人、基站和边缘节点的基础能力，移动网络面对的就不再只是“更多流量”。数据形态、上下行比例、时延目标、计算位置、模型生命周期和安全边界都会发生变化。6G最值得关注的转变，不是简单地在基站里加入更多AI算法，而是让网络同时具备两种能力：用AI优化网络（AI for Network），以及用网络支撑AI（Network for AI）。这会推动通信、计算、数据和模型从各自优化走向联合编排。不过，AI不会消除无线信道、噪声、干扰和能耗等物理约束，也不意味着传统通信算法会整体退出。

先说结论：6G可能从“数据管道”变成“智能协作底座”

在传统移动互联网里，网络最核心的任务是把数据包从A点送到B点。业务通常运行在网络之外：视频平台决定如何编码，云服务器决定如何计算，移动网络主要保证吞吐量、时延、可靠性和覆盖。

AI大量应用以后，业务目标会发生变化。例如，一辆车把摄像头数据发到边缘节点，并不是为了完成一次“文件上传”，而是为了在截止时间之前得到刹车、避障或路径决策；一群机器人交换信息，也不是为了追求最高的平均吞吐量，而是为了共同完成搬运、搜索或装配任务。

因此，网络优化目标会从：

$$\max R$$

逐渐扩展为一个多目标问题：

$$\underset{\mathbf{x}}{\min }J(\mathbf{x})=w_T{T}_{\mathrm{task}}+w_E{E}_{\mathrm{task}}+w_C{C}_{\mathrm{task}}+w_P{P}_{\mathrm{privacy}}+w_F{P}_{\mathrm{failure}}-w_A{A}_{\mathrm{task}}$$

其中：

• $\mathbf{x}$表示无线资源、计算位置、模型版本、模型切分点等联合决策；
• $T_{\mathrm{task}}$是任务完成时间；
• $E_{\mathrm{task}}$是终端、网络和计算节点的总能耗；
• $C_{\mathrm{task}}$是计算、传输和存储成本；
• $P_{\mathrm{privacy}}$表示隐私暴露风险；
• $P_{\mathrm{failure}}$表示任务失败风险；
• $A_{\mathrm{task}}$表示识别、预测或决策精度；
• $w_T$到$w_A$是业务相关的权重。

这不是某一份6G协议已经规定的统一公式，而是帮助理解“任务导向网络”的工程抽象。不同业务的权重完全不同：机器视觉可能更重视精度，工业控制更重视截止时间和可靠性，可穿戴设备更重视能耗与隐私。

图1：AI与6G网络的双向关系（作者绘制）。
左侧是AI for Network，即用预测和学习改善网络自身；右侧是Network for AI，即让网络参与AI任务的传输、计算和模型协作。真正具有代际意义的变化发生在中间：无线资源、算力、数据和模型开始被放入同一个优化闭环。

一、先分清两个经常混在一起的概念

1. AI for Network：让AI进入网络内部

AI for Network并不是6G才出现。5G和5G-Advanced已经在推进相关工作。

3GPP在Rel-18的NG-RAN AI/ML工作中，围绕网络节能、负载均衡和移动性优化，规范了基于现有5G接口的数据采集增强和信令支持。Rel-19进一步研究网络切片、覆盖与容量优化等用例。3GPP对NR空口AI/ML的研究则选择了三个代表性方向：CSI反馈、波束管理和定位。3GPP：AI/ML for NG-RAN & 5G-Advanced towards 6G；3GPP：AI/ML for NR Air Interface

这些工作的现实意义是：网络开始从“测量以后按固定规则响应”，转向“利用历史和环境信息预测下一步”。

例如：

• 根据业务和覆盖预测决定哪些小区、载波或天线通道可以休眠；
• 根据用户轨迹和波束历史预测下一候选波束；
• 根据负载变化提前调整小区参数或用户分流；
• 根据复杂非视距环境改善定位结果；
• 根据干扰、队列和业务优先级辅助无线资源调度。

需要注意的是，3GPP很多时候标准化的是数据、信令、功能位置和互操作接口，并不一定规定厂商必须使用哪一种神经网络。模型结构、训练方法和大量性能优化仍可能属于实现选择。

2. Network for AI：让网络成为AI的基础设施

AI大规模普及后，终端不可能把所有任务都独立完成，也不适合把所有原始数据都上传云端。

原因很现实：

• 大模型需要的算力和存储超过轻量终端能力；
• 原始视频、雷达和传感器数据量很大；
• 云端距离过远，排队和回传时延不可控；
• 传输原始数据可能泄露隐私；
• 长时间无线传输与本地满负荷推理都会消耗电池；
• 不同任务需要不同模型，不可能在每个终端常驻全部模型。

因此，AI任务会在终端、边缘和云之间切分。网络需要知道的不只是“这个数据包属于哪个QoS Flow”，还可能需要理解：

• 任务的截止时间；
• 可以接受的模型精度；
• 原始数据、特征或中间张量的大小；
• 终端和边缘节点的当前算力；
• 模型是否已经缓存；
• 数据能否离开本地；
• 任务是否允许降级或迁移。

ITU-R M.2160-0已经把“Artificial Intelligence and Communication（AIAC）”列为IMT-2030六类使用场景之一，涉及分布式学习、模型共享、分布式推理、数据处理以及计算资源编排等方向。这里定义的是IMT-2030框架与研究目标，不是已经冻结的3GPP 6G空口规范。ITU-R M.2160-0，第3节和第4节

二、变化一：网络KPI会从“链路指标”走向“任务指标”

今天的移动网络主要观察吞吐量、频谱效率、BLER、时延、抖动和可用性。AI业务仍然需要这些指标，但它们不再足以判断任务是否成功。

一个端—边协同推理任务的完成时间可以写成：

$$T_{\mathrm{task}}=T_{\mathrm{pre}}+T_{\mathrm{UL}}+T_{\mathrm{queue}}+T_{\mathrm{infer}}+T_{\mathrm{DL}}+T_{\mathrm{post}}$$

其中预处理、上行传输、计算排队、模型推理、下行返回和后处理共同决定结果。即使把无线空口的$T_{\mathrm{UL}}$降低一半，如果边缘GPU正在排队，端到端体验仍然不会改善。

同样，“每个比特都正确”也未必是所有AI业务的最优目标。某些感知任务可以容忍部分输入失真，只要最终识别精度满足要求；但控制类业务可能只允许非常小的超时概率：

$$\mathrm{Pr}\left(T_{\mathrm{task}}\le T_{\mathrm{deadline}},A_{\mathrm{task}}\ge A_{\min }\right)\ge 1-\epsilon$$

这意味着未来网络可能更关心“在截止时间之前，以足够精度完成任务的概率”，而不只是平均吞吐量。

这不会让比特级可靠性失去意义。相反，物理层仍需提供可预测的传输底座，只是上层编排会根据任务语义选择不同的压缩、重传、模型和计算策略。

三、变化二：流量结构将不再只是“下行大、上行小”

移动互联网长期以内容下载为主，因此网络规划普遍更偏重下行。AI应用大量部署后，流量可能出现四种新特征。

1. 上行数据显著增加

摄像头、麦克风、汽车传感器、工业视觉和可穿戴设备会持续产生现实世界数据。即使终端先做特征提取，上行负载也可能比传统手机业务更重。

2. 流量更突发

智能体平时可能只交换少量状态信息，但在发现障碍、故障或异常事件时，会突然上传高维特征、局部地图或短视频。这类业务的峰均比可能很高，仅按平均流量规划容易在关键时刻拥塞。

3. “模型流量”和“数据流量”并存

网络不仅运输用户数据，还可能运输模型参数、适配器、梯度、特征张量和模型更新。一次模型升级可能占用大量带宽，而推理结果可能只有几十个字节。

4. 终端之间、边缘之间的协同增加

机器人集群、车辆编队和多智能体系统需要局部、低时延的数据交换。流量路径不一定都经过远端云，网络内部的横向协同会变得更重要。

因此，6G的上下行资源配置、边缘节点部署、组播/广播机制、缓存和多点协同都可能需要适应更动态的业务结构。

四、变化三：通信资源和计算资源将被联合调度

对传统下载业务而言，通常只需回答“把数据分配到哪个载波、时隙和波束”。对AI任务，还需要回答“在哪里计算”。

图2：面向AI任务的端—边—云联合闭环（作者绘制）。
终端、无线接入、边缘和云不再是互不相关的资源池。联合编排器需要依据任务截止时间、模型位置、无线质量、计算负载和隐私边界，选择传输内容、计算位置和模型精度，并根据执行结果继续调整。

设任务可以在终端、本地边缘、邻近边缘或云端执行，候选节点集合为$\mathcal{N}$。一个简化的卸载决策可以写为：

$$n^{\star }=\arg \underset{n\in \mathcal{N}}{\min }\left(T_{\mathrm{tx},n}+T_{\mathrm{queue},n}+T_{\mathrm{compute},n}+T_{\mathrm{return},n}\right)$$

同时还必须满足能耗、可靠性、隐私和模型可用性约束。最靠近终端的节点未必最快：它可能没有所需模型，或者当前计算队列很长；云端算力最强，也可能输在回传时延和隐私限制上。

这会推动网络出现更细粒度的跨域信息交互，例如：

• 无线侧向计算编排侧暴露可用带宽、预计时延和可靠性；
• 计算侧向无线侧暴露队列、模型缓存和处理能力；
• 应用向网络描述任务截止时间、精度和隐私约束；
• 网络在用户移动或节点过载时迁移任务和模型状态。

这是潜在的6G架构方向，不代表上述接口已经形成最终标准。

五、变化四：物理层会更智能，但不会变成一个黑盒神经网络

AI在物理层最容易产生误解。一个常见说法是“未来调制、编码、信道估计和接收机都由端到端神经网络替代”。这种判断忽略了商用系统的几个基本约束。

AI可能优先进入的地方

AI更适合处理模型难以准确描述、环境信息丰富、传统方法存在明显近似误差的问题，例如：

• CSI压缩、重构与预测；
• 波束预测和波束失败恢复；
• 复杂NLOS条件下的定位；
• 多用户调度和干扰协调；
• 非线性射频损伤补偿；
• 信道、业务和移动性联合预测。

传统算法仍有不可替代的价值

同步、FFT、参考信号处理、线性均衡、信道编码和HARQ等模块具有清晰的数学结构、可解释边界和成熟硬件实现。AI方案如果不能在性能、复杂度、能耗或鲁棒性上获得足够收益，就很难覆盖迁移成本。

工程上更可能出现三种组合：

1. 传统算法主体 + AI参数预测：例如AI预测噪声、信道统计量或候选波束；
2. AI候选方案 + 传统约束检查：模型提出动作，协议和安全逻辑决定能否执行；
3. AI主路径 + 确定性回退路径：模型置信度不足、分布漂移或计算超时时，回退到可验证算法。

因此，“AI原生”更合理的解释不是删除全部传统模块，而是在系统设计之初就考虑数据获取、训练、推理、监测、更新、互操作和回退。

六、变化五：模型会像软件版本一样进入网络生命周期管理

传统协议互操作主要依靠字段、状态机和算法结果的一致定义。AI模型增加了新的状态：

• 模型标识和版本；
• 输入特征定义与归一化方式；
• 训练数据适用范围；
• 推理硬件和数值精度；
• 置信度与性能监测方法；
• 模型更新、回滚和失效条件。

两个设备即使都声称支持“AI波束预测”，如果输入特征、模型版本或输出标签不一致，也无法直接协同。因此，标准化需要在“统一模型”和“统一接口”之间权衡。

统一模型有利于互操作，但会限制厂商创新，也难以覆盖所有部署环境；只统一输入输出、数据采集和性能评价，则允许各厂商保留模型差异，但需要解决模型结果是否可信、如何比较以及如何回退的问题。

从现阶段3GPP的演进可以看到一种务实路径：先规范必要的数据采集、信令和功能框架，再逐步扩大AI/ML用例，而不是一开始就规定一张覆盖所有网络的神经网络。3GPP：Finding AI in 3GPP

七、变化六：网络自治程度提高，但安全边界必须更严格

AI能够让网络根据预测主动调整配置，但“自动化”与“自治”之间有明显差别。

如果模型只预测未来负载，由规则系统决定是否关闭小区，影响相对可控；如果模型能够直接修改波束、功率、切换门限、路由和计算迁移策略，它就进入了闭环控制系统。

闭环AI至少需要四道防线：

1. 动作边界：限定模型允许修改的参数和变化范围；
2. 上线验证：离线回放、仿真、影子模式和小范围灰度；
3. 在线监测：检测数据漂移、异常输入、性能退化和置信度下降；
4. 安全回退：超时、越界或效果恶化时恢复确定性策略。

AI还带来新的攻击面：

• 训练数据投毒；
• 对抗样本诱导错误预测；
• 模型参数或梯度泄露；
• 虚假终端制造错误测量；
• 多智能体之间的身份冒用；
• 模型更新链被篡改。

所以，6G中的AI安全不能只依赖模型准确率。身份、授权、数据来源、模型完整性、审计和回滚都必须进入系统设计。ITU将Security and Resilience列为IMT-2030跨场景设计原则，也说明安全不是某个独立业务的附加功能。ITU-R：IMT towards 2030 and beyond

八、变化七：AI可能节省网络能耗，也可能成为新的能耗大户

AI可以预测低负载时段，关闭部分载波、通道或计算节点，从而减少能源浪费；也可以减少波束扫描和不必要的测量。

但AI模型自身需要训练、推理、存储和传输。若为了降低少量空口开销而长期运行一个大型模型，系统总能耗反而可能增加。

因此，能效应按任务整体计算：

$${\eta }_{\mathrm{AI}}=\frac{N_{\mathrm{successful}\mathrm{tasks}}}{E_{\mathrm{UE}}+E_{\mathrm{RAN}}+E_{\mathrm{edge}}+E_{\mathrm{cloud}}}$$

只统计基站射频功耗，或者只统计终端推理功耗，都可能把能耗转移误认为能耗降低。未来更有价值的比较不是“AI模型准确率高了多少”，而是：

• 每完成一次有效任务消耗多少焦耳；
• 为提高一个百分点精度增加多少计算和传输；
• 模型更新频率是否抵消了推理收益；
• 节能动作是否损害覆盖、可靠性和设备寿命。

九、AI大量应用后，用户真正能感受到什么？

如果这些技术逐渐成熟，用户未必会看到一个名为“6G AI”的按钮，更可能感受到以下变化：

• 网络在进入电梯、地库或高速移动前提前准备波束和切换；
• XR、云游戏和实时翻译根据无线与算力状态动态改变模型和渲染位置；
• 手机、汽车、眼镜和家庭设备共享局部智能，而不是各自重复计算；
• 网络故障和拥塞在用户感知之前被预测并处理；
• 终端不上传全部原始数据，也能使用边缘AI能力；
• 在卫星、地面蜂窝和本地网络之间移动时，AI任务可以迁移而不中断。

这些体验是否能够商业化，仍取决于芯片能效、边缘部署密度、数据治理、互操作标准和成本。并不是所有AI业务都需要6G：大量任务在5G-A、Wi-Fi和现有边缘云上就能实现。6G的价值更可能出现在大规模、多设备、高移动、强实时、跨域协同同时出现，而现有系统难以稳定和经济地满足时。

十、三个需要避免的误解

误解一：6G就是在5G基站里部署一个大模型

大模型只是AI的一种形式。无线网络中许多问题要求微秒到毫秒级处理、低功耗和可验证边界，小模型、在线学习、强化学习、概率模型和传统算法的混合方案可能更实际。

误解二：AI可以突破香农极限

AI可以在复杂环境中找到更好的近似、减少开销或改善实现，但不能消除带宽、功率、噪声和信道容量的物理约束。没有额外信息或结构时，AI不会凭空创造容量。

误解三：有了AI，协议不需要规定得那么清楚

恰恰相反。模型越多，越需要明确数据含义、能力交换、版本、评估、异常处理和回退机制。否则不同厂商、终端和网络之间很难稳定互操作。

总结

AI大量应用后，6G最重要的变化可以概括为七点：

1. 网络目标从传输比特扩展到完成AI任务；
2. 上行、突发、模型和多智能体协同流量增加；
3. 通信、计算、数据和模型开始联合编排；
4. AI深入无线与网络优化，但与传统算法长期共存；
5. 模型版本、数据和性能监测进入网络生命周期；
6. 网络自治增强，同时需要更严格的安全和回退机制；
7. 能效评价从单一设备扩展到端—网—边—云完整任务。

一句话说：5G时代更多是“网络连接AI”，6G希望进一步做到“网络参与AI”。

但截至目前，6G仍处于研究和标准化早期阶段。ITU-R M.2160-0给出的是IMT-2030框架；3GPP在Rel-20开展6G研究，Rel-21进入6G规范性工作。本文中关于任务导向编排、AI原生空口和多智能体协同的描述，应理解为基于现有标准路线的技术推演，而不是已经冻结的商用规范。3GPP Release 20

参考资料

1. ITU-R, Recommendation ITU-R M.2160-0: Framework and overall objectives of the future development of IMT for 2030 and beyond, 11/2023。
2. ITU-R WP 5D, IMT towards 2030 and beyond (IMT-2030)。
3. 3GPP, AI/ML for NG-RAN & 5G-Advanced towards 6G。
4. 3GPP, AI/ML for NR Air Interface。
5. 3GPP, Finding AI in 3GPP。
6. 3GPP, Release 20。