شبكة الوصول الراديوي المدعومة بالذكاء الاصطناعي: كيف سيدير الذكاء الاصطناعي شبكات المستقبل

لعقود من الزمن، تم بناء شبكات الوصول اللاسلكي على معالجة الإشارات الكلاسيكية — خوارزميات دقيقة رياضياً مصممة من قبل المهندسين ومبرمجة بشكل ثابت في السيليكون. تم إضافة الذكاء الاصطناعي كفكرة لاحقة: لوحات تحليلات، اقتراحات تحسين، كشف الشذوذ يعمل في خادم سحابي بعيد عن الهوائي.

هذا النموذج ينتهي. في MWC 2026، أظهرت صناعة الاتصالات — لم تَعِد، بل أظهرت — أن الذكاء الاصطناعي ينتقل إلى الراديو نفسه. الشبكات العصبية تحل محل سلاسل الاستقبال الكلاسيكية. نماذج التعلم الآلي تعمل على أجهزة المحطة الأساسية في الوقت الفعلي. التحول من المساعد بالذكاء الاصطناعي إلى الأصلي بالذكاء الاصطناعي لم يعد نظرياً.

ما تعنيه "الذكاء الاصطناعي الأصلي" فعلياً

التمييز بين المساعد بالذكاء الاصطناعي والأصلي للذكاء الاصطناعي هو معماري، وليس تجميلي:

مساعد بالذكاء الاصطناعي (الجيل الخامس الحالي): الخوارزميات التقليدية تتعامل مع وظائف الراديو — تقدير القناة، تشكيل الحزمة، الجدولة، إدارة التداخل. الذكاء الاصطناعي يعمل جانبياً، محللاً بيانات الأداء ومقترحاً التحسينات. يمكن إزالة طبقة الذكاء الاصطناعي وتبقى الشبكة تعمل. الذكاء الاصطناعي يحسن الشبكة؛ الشبكة لا تعتمد على الذكاء الاصطناعي.

أصلي للذكاء الاصطناعي (هدف الجيل السادس): الشبكات العصبية هي وظائف الراديو. تقدير القناة يتم بواسطة نموذج مدرب، وليس خوارزمية المربعات الصغرى. أوزان تشكيل الحزمة يتم التنبؤ بها بالاستنتاج، وليس حسابها بعمليات المصفوفات. لا يمكن إزالة الذكاء الاصطناعي لأنه لا يوجد بديل تقليدي للوظائف التي يؤديها. الذكاء الاصطناعي لا يحسن الشبكة؛ الذكاء الاصطناعي هو الشبكة.

الفرق العملي: واجهة هوائية أصلية للذكاء الاصطناعي يمكنها التعامل مع ظروف راديو لم تُصمم أي خوارزمية تقليدية للتعامل معها. أنماط تداخل معقدة جداً لنمذجتها. ديناميكيات قناة سريعة جداً لتتبعها بالتقدير التقليدي. سلوك المستخدم غير متوقع جداً لجدولته بصورة مثلى مع أنظمة قائمة على القواعد.

RAN الأصلي للذكاء الاصطناعي يحل محل خوارزميات الراديو الكلاسيكية بشبكات عصبية، مما يجعل الذكاء الاصطناعي البروتوكول الأساسي بدلاً من طبقة تحسين. أظهر MWC 2026 الجدوى التجارية عبر تحالف NVIDIA المكون من +130 شركة وأجهزة راديو Ericsson العصبية التي حققت مكاسب جدولة بمقدار 7 أضعاف وأشكال الموجات المولدة بالذكاء الاصطناعي من DeepSig.

MWC 2026: الأدلة تصل

كان MWC 2026 في برشلونة نقطة التحول. لأول مرة، انتقلت شبكات RAN الأصلية للذكاء الاصطناعي من الأوراق البحثية إلى إعلانات المنتجات التجارية والعروض التوضيحية المباشرة.

التحالف العالمي لشركة NVIDIA

حصلت NVIDIA على التزامات من أكثر من اثني عشر مشغلاً عالمياً وشركات تكنولوجيا لبناء الجيل السادس 6G على منصات مفتوحة وآمنة وأصلية للذكاء الاصطناعي. يشمل التحالف BT Group، Deutsche Telekom، Ericsson، Nokia، SK Telecom، SoftBank، T-Mobile، Cisco، وBooz Allen Hamilton.

تحالف AI-RAN - الهيئة الصناعية التي تقود معايير AI-RAN - لديه الآن أكثر من 130 شركة مشاركة. دور NVIDIA هو توفير منصة الحوسبة GPU (NVIDIA Aerial) التي تشغل استنتاج الشبكة العصبية بالسرعات المطلوبة لمعالجة الراديو - بالميكروثانية وليس بالميلي ثانية.

كشفت NVIDIA أيضاً عن مجموعة AI-RAN الأمريكية بالكامل مع قادة الاتصالات الأمريكيين - مبادرة سلسلة التوريد المحلية للبنية التحتية للجيل السادس الأصلية للذكاء الاصطناعي، مما يعكس التركيز المتزايد على أمان سلسلة التوريد في البنية التحتية للاتصالات الحيوية.

أجهزة الراديو العصبية من Ericsson

بينما راهنت Nokia على تسريع GPU من NVIDIA، اتخذت Ericsson مساراً مختلفاً: دوائر مدمجة مصممة لغرض محدد مع مسرعات الشبكة العصبية المدمجة. في MWC 2026، كشفت Ericsson عن عشرة أجهزة راديو جديدة جاهزة للذكاء الاصطناعي مبنية على رقائقها المخصصة، مع قدرات الذكاء الاصطناعي المدمجة مباشرة في أجهزة Massive MIMO.

تشمل المحفظة:

• تشكيل الحزم المُدار بالذكاء الاصطناعي: الشبكات العصبية تتنبأ بأنماط الحزم المثلى أسرع من البحث الكلاسيكي للحزم
• تحديد الموقع الخارجي المدعوم بالذكاء الاصطناعي: دقة أقل من متر باستخدام إشارات المحطة الأساسية فقط، بدون الحاجة لنظام GPS
• التنبؤ الفوري بالتغطية: نمذجة انتشار الراديو في الوقت الفعلي باستخدام الشبكات العصبية المدربة بدلاً من محاكاة تتبع الأشعة
• جدولة تعطي الأولوية لزمن الاستجابة: توفر أوقات استجابة أسرع بـ 7 مرات مقارنة بالجدولة القائمة على القواعد

نهج Ericsson يبادل مرونة الاستنتاج القائم على GPU مقابل استهلاك طاقة أقل وتكامل أكثر إحكاماً - الذكاء الاصطناعي موجود في الراديو وليس يعمل على خادم مجاور.

DeepSig: واجهة الهواء الأصلية للذكاء الاصطناعي

عرضت DeepSig ما قد يكون أكثر التقنيات تطلعاً للمستقبل في MWC 2026: OmniPHY-5G - شكل موجة مُتعلم بالكامل ما قبل الجيل السادس يعمل فوق مجموعة 3GPP Release 17 المسرعة بـ GPU. هذا ليس ذكاء اصطناعي يحسن شكل موجة كلاسيكي؛ إنه شبكة عصبية تولد شكل الموجة بنفسها.

باستخدام NVIDIA DGX Spark المدمج، أظهرت DeepSig محطة أساسية بمستوى الناقل تدعم كلاً من أجهزة 5G التجارية وأجهزة الجيل السادس الناشئة - مما يبرهن أن الإشارات الأصلية للذكاء الاصطناعي والكلاسيكية يمكن أن تتعايش في نفس الراديو، مما يمكن الانتقال التدريجي بدلاً من الترقيات الكاملة.

المستقبلات العصبية

مجال يتقدم بسرعة هو المستقبل العصبي - استبدال أجزاء من سلسلة المستقبل الكلاسيكية (إزالة التشكيل، التوازن، فك التشفير) باستنتاج الشبكة العصبية. قامت Rohde & Schwarz وNVIDIA بعمل أساسي على التوائم الرقمية لتدريب واختبار المستقبلات العصبية، حل مشكلة الدجاجة والبيضة لتدريب مستقبل عصبي لإشارة غير موجودة بعد في العالم الحقيقي.

عرضت Nokia تصحيح ما بعد التشويه الرقمي القائم على الذكاء الاصطناعي (DPoD) - استخدام شبكة عصبية في المحطة الأساسية لعكس تشويه مكبر الطاقة بعد الاستقبال، تحسين جودة الإشارة دون تعديل سلسلة الإرسال.

المحطات القاعدية كمراكز بيانات للذكاء الاصطناعي

إحدى أهم التحولات المعمارية هي إعادة تصور المحطة القاعدية نفسها. في النموذج الأصلي للذكاء الاصطناعي، المحطة القاعدية ليست مجرد جهاز راديو — بل هي عقدة حاسوبية موزعة للذكاء الاصطناعي.

يمكن للمحطات القاعدية المسرّعة بوحدات معالجة الرسوميات معالجة أعباء عمل الذكاء الاصطناعي خلال فترات انخفاض حركة المرور اللاسلكية. بدلاً من البقاء في وضع الخمول في الساعة الثالثة صباحاً عندما يكون عدد قليل من المستخدمين متصلين، تقوم وحدة معالجة الرسوميات بتشغيل مهام الاستنتاج لعملاء المؤسسات — التعرف على الصور، ومعالجة اللغة الطبيعية، وكشف الشذوذ — مع تقديم النتائج في حافة الشبكة، على بعد ميلي ثوانٍ من المستخدم النهائي.

هذا ينشئ نماذج إيرادات جديدة للمشغلين:

• الرمز المميز كخدمة: بيع رموز استنتاج الذكاء الاصطناعي من وحدات معالجة الرسوميات للمحطات القاعدية
• وحدة معالجة الرسوميات كخدمة: تأجير حاسوب المحطة القاعدية للمؤسسات خلال ساعات الذروة المنخفضة
• استضافة الذكاء الاصطناعي الطرفي: تشغيل نماذج الذكاء الاصطناعي للعملاء في حافة الشبكة للتطبيقات منخفضة التأخير

التأثير الاقتصادي كبير: يمكن أن يزيد استخدام وحدة معالجة الرسوميات للمحطة القاعدية من الحالي ~30% (الراديو فقط) إلى 80–90% (الراديو + أعباء عمل الذكاء الاصطناعي)، مما يغير بشكل جذري معادلة العائد على الاستثمار لعمليات النشر الكثيفة للشبكة.

يمكن لمحطات القاعدة المسرّعة بـ GPU تشغيل أحمال عمل استنتاج الذكاء الاصطناعي خلال ساعات الذروة المنخفضة، وتقديم خدمة Token-as-a-Service وGPU-as-a-Service للمؤسسات. يمكن أن يزيد هذا استخدام المحطة القاعدية من ~30% إلى 80–90%، مما يخلق تدفقات إيرادات جديدة للمشغلين.

التحديات التقنية

ميزانية زمن الاستجابة

تعمل معالجة الراديو على نطاقات زمنية بالميكروثانية. فترة 5G NR هي 0.5 مللي ثانية في أقصر حالاتها. يجب أن يكتمل تقدير القناة وتشكيل الحزمة والجدولة جميعاً ضمن هذه النافذة الزمنية. تشغيل استنتاج الشبكة العصبية ضمن هذه الميزانية يتطلب أجهزة متخصصة — المعالجات العامة بطيئة جداً، وحتى العديد من معماريات معالج الرسومات غير مصممة للتنفيذ الحتمي محدود زمن الاستجابة الذي يتطلبه الراديو.

بيانات التدريب

الخوارزميات الكلاسيكية تعمل من المبادئ الأولى — لا تحتاج لبيانات تدريب. بدائل الشبكات العصبية تتطلب مجموعات بيانات ضخمة من ظروف الراديو وقياسات القنوات ونتائج الأداء. توليد هذه البيانات مكلف، ونقل نموذج مدرب في بيئة واحدة إلى موقع خلوي مختلف (مشكلة "فجوة المجال") يبقى غير محلول على نطاق واسع.

التوائم الرقمية — محاكيات عالية الدقة لبيئات الراديو — هي أفضل حل حالي، لكنها تطرح أسئلة دقتها الخاصة. مستقبل عصبي مدرب على قناة محاكاة قد يؤدي أداءً أقل على القناة الحقيقية إذا لم تكن المحاكاة دقيقة بما فيه الكفاية.

القابلية للتفسير والاعتماد

عندما تفشل خوارزمية كلاسيكية، يمكن للمهندسين تتبع الفشل إلى خطوة رياضية محددة. عندما تفشل شبكة عصبية، يكون نمط الفشل غامضاً. للتطبيقات الحرجة للسلامة (V2X، خدمات الطوارئ)، قد تتطلب الجهات التنظيمية سلوكاً قابلاً للتفسير لا تستطيع الشبكات العصبية توفيره حالياً.

التسوية المحتملة: AI أصلي للوظائف الحرجة للأداء لكن غير الحرجة للسلامة (تحسين الإنتاجية، إدارة الحزمة)، مع احتياطي كلاسيكي للإشارات الحرجة للسلامة (مكالمات الطوارئ، تجنب تصادم V2X).

فجوة التوحيد القياسي

بنود دراسة 3GPP الإصدار 20 تستكشف AI لواجهة الهواء، لكن الإجماع يتقارب على AI مساعد مع احتياطي كلاسيكي لمعيار 6G الأول. AI أصلي كامل — حيث لا توجد خوارزمية كلاسيكية لوظيفة معينة — هو طموح للإصدار 22+، من المحتمل وصوله في إطار زمني 6G المتقدم (2033–2035). يوفر الجدول الزمني لتوحيد 6G مزيداً من التفاصيل حول هذه المعالم.

تشمل العوائق التقنية الرئيسية لـ RAN الأصلي للذكاء الاصطناعي: زمن استجابة الاستنتاج بالميكروثانية، وندرة بيانات التدريب (مشكلة فجوة المجال)، وقابلية تفسير الشبكات العصبية للوظائف الحرجة للسلامة، وفجوة التوحيد القياسي — AI أصلي كامل مستهدف لـ 3GPP Release 22+ (2033–2035).

من الجيل السادس إلى السابع: الذكاء الاصطناعي كبروتوكول

إذا كان الجيل السادس يجعل الذكاء الاصطناعي أصيلاً في وظائف راديو محددة، فمن المتوقع أن يجعل الجيل السابع الذكاء الاصطناعي أصيلاً في مجموعة البروتوكولات بالكامل. بدلاً من تدريب نماذج منفصلة لتقدير القناة وتشكيل الحزمة والجدولة، فإن نموذجاً أساسياً موحداً سيدير سلسلة الراديو الكاملة — استشعار البيئة، تحديد ما يُنقل، اختيار كيفية تعديله، والتكيف في الوقت الفعلي.

يُطلق على هذا أحياناً "الشبكات الأصيلة المعرفية" — الشبكة لا تعالج البيانات وفقاً للقواعد فحسب، بل تفهم السياق وتتنبأ بالنتائج وتتخذ القرارات. شبكة الجيل السابع تعرف أن المستخدم الذي يمشي نحو مدخل مبنى سيحتاج إلى تسليم إلى خلية صغيرة داخلية خلال ثلاث ثوان، وتبدأ التسليم قبل أن يصل المستخدم إلى الباب.

الفجوة بين عروض الذكاء الاصطناعي-RAN اليوم وهذه الرؤية هائلة. لكن معرض MWC 2026 أثبت أن الخطوة الأولى — استبدال الوظائف الكلاسيكية الفردية بالشبكات العصبية — تعمل على نطاق تجاري. الباقي هو هندسة وتمويل ووقت. لمنظور أوسع حول كيفية مقارنة 6G و7G، راجع تحليلنا المفصل.

يتصور 7G "الشبكات الأصيلة المعرفية" — نموذج أساسي موحد يدير مجموعة البروتوكولات بالكامل من تقدير القناة إلى الجدولة. على عكس الذكاء الاصطناعي الخاص بالوظائف في 6G، يستهدف 7G الذكاء الاصطناعي كبروتوكول كامل، متنبئاً بسلوك المستخدم ومتكيفاً في الوقت الفعلي.

المصادر

1. NVIDIA Telecommunications — إعلانات تحالف AI-RAN وتفاصيل منصة NVIDIA Aerial، MWC 2026
2. Ericsson AI-RAN — محفظة منتجات الراديو العصبي ومواصفات مسرعات AI المخصصة في السيليكون
3. DeepSig — عرض واجهة الهواء الأصلية للذكاء الاصطناعي OmniPHY-5G ومواصفاتها التقنية
4. AI-RAN Alliance — الهيئة الصناعية لمعايير RAN الأصلي للذكاء الاصطناعي والعضوية وخارطة الطريق التقنية
5. 3GPP — بنود دراسة AI/ML للإصدار 20 لواجهة الهواء والجدول الزمني لتوحيد وظائف AI-native
6. Rohde & Schwarz / NVIDIA — منهجية التوائم الرقمية لتدريب واختبار المستقبلات العصبية