KI-natives RAN: Wie Künstliche Intelligenz die Netze der Zukunft steuern wird

Jahrzehntelang wurden Funkzugangsnetze auf klassischer Signalverarbeitung aufgebaut — mathematisch präzise Algorithmen, von Ingenieuren entwickelt und direkt in Silizium kodiert. KI wurde als Nebenprodukt hinzugefügt: Analyse-Dashboards, Optimierungsvorschläge, Anomalieerkennung auf einem Cloud-Server fernab der Antenne. Diese Analyse wurde vom Redaktionsteam von 7G Network erstellt, basierend auf Primärquellen von MWC-2026-Demonstrationen, 3GPP-Studienarbeiten und Herstellerangaben.

Dieses Modell läuft aus. Auf dem MWC 2026 hat die Telekommunikationsindustrie demonstriert — nicht versprochen, demonstriert —, dass KI in das Funkmodul selbst vordringt. Neuronale Netze ersetzen klassische Empfängerketten. Machine-Learning-Modelle laufen in Echtzeit auf Basisstations-Hardware. Der Wandel von KI-unterstützt zu KI-nativ ist nicht mehr theoretisch.

Was „KI-nativ“ wirklich bedeutet

Der Unterschied zwischen KI-unterstützt und KI-nativ ist architektonischer Natur, nicht kosmetischer:

KI-unterstützt (heutige 5G): Klassische Algorithmen übernehmen die Funkfunktionen — Kanalschätzung, Beamforming, Scheduling, Interferenzmanagement. KI läuft parallel, analysiert Leistungsdaten und schlägt Optimierungen vor. Die KI-Schicht kann entfernt werden und das Netz funktioniert weiterhin. KI verbessert das Netz; das Netz hängt nicht von KI ab.

KI-nativ (Ziel 6G): Neuronale Netze sind die Funkfunktionen. Die Kanalschätzung erfolgt durch ein trainiertes Modell, nicht durch einen Least-Squares-Algorithmus. Beamforming-Gewichte werden durch Inferenz vorhergesagt, nicht durch Matrixoperationen berechnet. Die KI kann nicht entfernt werden, weil es kein klassisches Backup für die von ihr ausgeführten Funktionen gibt. KI verbessert nicht das Netz; KI ist das Netz.

Der praktische Unterschied: Eine KI-native Funkschnittstelle kann Funkbedingungen bewältigen, für die kein klassischer Algorithmus entwickelt wurde. Interferenzmuster, die zu komplex zum Modellieren sind. Kanaldynamiken, die zu schnell für traditionelle Schätzung sind. Nutzerverhalten, das zu unvorhersehbar für eine optimale regelbasierte Planung ist.

KI-natives RAN ersetzt klassische Funkalgorithmen (Kanalschätzung, Beamforming, Scheduling) durch neuronale Netze, die nicht entfernt werden können. Anders als bei der KI-unterstützten 5G, wo KI optional ist, sind KI-native 6G/7G-Netze auf Machine Learning als zentrales Protokoll angewiesen.

MWC 2026: Die Beweise liegen vor

Der MWC 2026 in Barcelona war der Wendepunkt. Zum ersten Mal ging KI-natives RAN von Forschungspapieren zu kommerziellen Produktankündigungen und Live-Demos über.

NVIDIAs globale Koalition

NVIDIA sicherte sich Zusagen von über einem Dutzend globaler Netzbetreiber und Technologieunternehmen zum Aufbau der 6G auf offenen, sicheren und KI-nativen Plattformen. Die Koalition umfasst BT Group, Deutsche Telekom, Ericsson, Nokia, SK Telecom, SoftBank, T-Mobile, Cisco und Booz Allen Hamilton.

Die AI-RAN Alliance — das Branchengremium, das AI-RAN-Standards vorantreibt — hat inzwischen mehr als 130 teilnehmende Unternehmen. NVIDIAs Rolle besteht darin, die GPU-Rechenplattform (NVIDIA Aerial) bereitzustellen, die neuronale Netz-Inferenz mit den für die Funkverarbeitung erforderlichen Geschwindigkeiten ausführt — Mikrosekunden, nicht Millisekunden.

NVIDIA stellte außerdem den All-American AI-RAN Stack mit führenden US-Telekommunikationsunternehmen vor — eine Initiative für eine inländische Lieferkette für KI-native 6G-Infrastruktur, die den wachsenden Fokus auf die Sicherheit der Lieferkette bei kritischer Kommunikationsinfrastruktur widerspiegelt.

Ericssons Neural Radios

Während Nokia auf NVIDIAs GPU-Beschleunigung setzte, wählte Ericsson einen anderen Weg: speziell entwickeltes Silizium mit integrierten neuronalen Netz-Beschleunigern. Auf dem MWC 2026 präsentierte Ericsson zehn neue KI-fähige Funkmodule, die auf eigenen kundenspezifischen Chips aufgebaut sind, mit KI-Fähigkeiten direkt in die Massive-MIMO-Hardware integriert.

Das Portfolio umfasst:

• KI-gesteuertes Beamforming: Neuronale Netze sagen optimale Strahlmuster schneller voraus als klassische Strahlsuche
• KI-gestützte Außenpositionierung: Sub-Meter-Genauigkeit nur mit Basisstationssignalen, kein GPS erforderlich
• Sofortige Abdeckungsvorhersage: Echtzeit-Funkausbreitungsmodellierung mittels trainierter neuronaler Netze statt Ray-Tracing-Simulationen
• Latenz-priorisierter Scheduler: Bis zu 7-fach schnellere Reaktionszeiten im Vergleich zu regelbasiertem Scheduling

Ericssons Ansatz tauscht die Flexibilität GPU-basierter Inferenz gegen geringeren Energieverbrauch und engere Integration — die KI steckt im Funkmodul, nicht auf einem Colocation-Server.

DeepSig: Die KI-native Funkschnittstelle

DeepSig demonstrierte die möglicherweise zukunftsweisendste Technologie auf dem MWC 2026: OmniPHY-5G — eine vollständig erlernte Wellenform vor der 6G-Ära, die auf einem GPU-beschleunigten 3GPP-Release-17-Stack läuft. Das ist keine KI, die eine klassische Wellenform optimiert; es ist ein neuronales Netz, das die Wellenform selbst erzeugt.

Auf dem kompakten NVIDIA DGX Spark laufend, zeigte DeepSig eine Carrier-Grade-Basisstation, die sowohl kommerzielle 5G-Geräte als auch aufkommende 6G-Geräte unterstützt — ein Beweis dafür, dass KI-native und klassische Signale auf demselben Funkmodul koexistieren können, was schrittweise Migration statt vollständigen Austausches ermöglicht.

Neuronale Empfänger

Ein Bereich, der sich schnell entwickelt, ist der neuronale Empfänger — der Teile der klassischen Empfängerkette (Demodulation, Entzerrung, Dekodierung) durch neuronale Netz-Inferenz ersetzt. Rohde & Schwarz und NVIDIA haben grundlegende Arbeit an digitalen Zwillingen zum Training und Testen neuronaler Empfänger geleistet und damit das Henne-Ei-Problem gelöst, einen neuronalen Empfänger für ein Signal zu trainieren, das in der realen Welt noch nicht existiert.

Nokia demonstrierte KI-basierte digitale Nachverzerrung (DPoD) — ein neuronales Netz in der Basisstation, das die Verzerrung des Leistungsverstärkers nach dem Empfang rückgängig macht und die Signalqualität verbessert, ohne die Sendekette zu verändern.

Auf dem MWC 2026 bildete NVIDIA eine Koalition aus 130+ Unternehmen für KI-native 6G, Ericsson präsentierte 10 Neural Radios mit 7-fach schnellerem Scheduling, und DeepSig demonstrierte OmniPHY-5G — eine vollständig KI-generierte Wellenform auf NVIDIA DGX Spark Hardware.

Basisstationen als KI-Rechenzentren

Einer der bedeutendsten architektonischen Wandel ist die Neukonzeption der Basisstation selbst. Im KI-nativen Modell ist eine Basisstation nicht nur ein Funkmodul — sie ist ein verteilter KI-Rechenknoten.

GPU-beschleunigte Basisstationen können KI-Inferenz-Workloads in Zeiten geringen Funkverkehrs verarbeiten. Anstatt um 3 Uhr morgens im Leerlauf zu sein, wenn wenige Nutzer verbunden sind, führt die GPU Inferenzaufgaben für Unternehmenskunden aus — Bilderkennung, natürliche Sprachverarbeitung, Anomalieerkennung — wobei die Ergebnisse am Netzwerk-Edge bereitgestellt werden, nur Millisekunden vom Endnutzer entfernt.

Dies schafft neue Erlösmodelle für Netzbetreiber:

• Token-as-a-Service: Verkauf von KI-Inferenz-Tokens von Basisstations-GPUs
• GPU-as-a-Service: Vermietung von Basisstations-Rechenleistung an Unternehmen in Schwachlastzeiten
• Edge-KI-Hosting: Ausführung von Kunden-KI-Modellen am Netzwerk-Edge für Niedriglatenz-Anwendungen

Die wirtschaftliche Auswirkung ist erheblich: Die GPU-Auslastung von Basisstationen könnte von derzeit ~30 % (nur Funk) auf 80–90 % (Funk + KI-Workloads) steigen, was die ROI-Gleichung für dichte Netzausbauten grundlegend verändert. Dieses Dual-Use-Modell passt zu den Konzepten der 7G-Netzarchitektur, bei der Intelligenz über jeden Knoten verteilt wird.

GPU-beschleunigte Basisstationen können in Schwachlastzeiten KI-Inferenz-Workloads ausführen und die Auslastung von ~30 % auf 80–90 % steigern. Neue Erlösmodelle umfassen Token-as-a-Service, GPU-as-a-Service und Edge-KI-Hosting.

Technische Herausforderungen

Latenzbudget

Funkverarbeitung erfolgt im Mikrosekunden-Bereich. Ein 5G-NR-Slot dauert in seiner kürzesten Form 0,5 ms. Kanalschätzung, Beamforming und Scheduling müssen innerhalb dieses Zeitfensters abgeschlossen sein. Neuronale Netz-Inferenz innerhalb dieses Budgets erfordert spezialisierte Hardware — Allzweck-CPUs sind zu langsam, und selbst viele GPU-Architekturen sind nicht für die deterministische, latenzgebundene Ausführung ausgelegt, die Funk erfordert.

Trainingsdaten

Klassische Algorithmen arbeiten nach physikalischen Grundprinzipien — sie benötigen keine Trainingsdaten. Neuronale Netz-Ersatzlösungen erfordern riesige Datensätze mit Funkbedingungen, Kanalmessungen und Leistungsergebnissen. Die Erzeugung dieser Daten ist kostspielig, und die Übertragung eines in einer Umgebung trainierten Modells auf einen anderen Mobilfunkstandort (das „Domain-Gap“-Problem) ist im großen Maßstab noch ungelöst.

Digitale Zwillinge — hochpräzise Simulationen von Funkumgebungen — sind derzeit die beste Lösung, werfen aber eigene Genauigkeitsfragen auf. Ein an einem simulierten Kanal trainierter neuronaler Empfänger kann im realen Kanal unterdurchschnittlich abschneiden, wenn die Simulation nicht genau genug ist.

Erklärbarkeit und Zertifizierung

Wenn ein klassischer Algorithmus versagt, können Ingenieure den Fehler auf einen bestimmten mathematischen Schritt zurückführen. Wenn ein neuronales Netz versagt, ist der Fehlermodus undurchsichtig. Für sicherheitskritische Anwendungen (V2X, Notfalldienste) könnten Regulierungsbehörden erklärbares Verhalten verlangen, das neuronale Netze derzeit nicht bieten können.

Der wahrscheinliche Kompromiss: KI-nativ für leistungskritische, aber nicht sicherheitskritische Funktionen (Durchsatzoptimierung, Beam-Management), mit klassischem Backup für sicherheitskritische Signalisierung (Notrufe, V2X-Kollisionsvermeidung).

Standardisierungslücke

Die Studienarbeiten des 3GPP Release 20 untersuchen KI für die Funkschnittstelle, doch der Konsens konvergiert bei KI-unterstützt mit klassischem Backup für den ersten 6G-Standard. Vollständig KI-nativ — wo für eine gegebene Funktion kein klassischer Algorithmus existiert — ist ein Ziel für Release 22+, das voraussichtlich im Zeitrahmen von 6G Advanced (2033–2035) kommen wird. Der Zeitplan der 6G-Standardisierung bietet weitere Details zu diesen Meilensteinen.

Zentrale technische Hürden für KI-natives RAN umfassen Inferenzlatenz im Mikrosekunden-Bereich, Trainingsdatenknappheit (das Domain-Gap-Problem), Erklärbarkeit neuronaler Netze für sicherheitskritische Funktionen und eine Standardisierungslücke — das vollständige KI-native Ziel liegt bei 3GPP Release 22+ (2033–2035).

Von 6G zu 7G: KI als das Protokoll

Wenn 6G KI für bestimmte Funkfunktionen nativ macht, wird erwartet, dass 7G KI für den gesamten Protokollstapel nativ macht. Anstatt separate Modelle für Kanalschätzung, Beamforming und Scheduling zu trainieren, würde ein einheitliches Foundation Model die gesamte Funkkette verwalten — die Umgebung erfassen, entscheiden was gesendet wird, die Modulation wählen und sich in Echtzeit anpassen.

Dies wird manchmal als „kognitionsnativer Netzbetrieb“ bezeichnet — das Netz verarbeitet Daten nicht nur nach Regeln, es versteht den Kontext, sagt Ergebnisse voraus und trifft Entscheidungen. Das 7G-Netz weiß, dass ein Nutzer, der auf einen Gebäudeeingang zugeht, in drei Sekunden einen Handover zu einer Indoor-Small-Cell benötigt, und beginnt den Handover bevor der Nutzer die Tür erreicht.

Die Kluft zwischen den heutigen AI-RAN-Demos und dieser Vision ist enorm. Aber der MWC 2026 hat bewiesen, dass der erste Schritt — das Ersetzen einzelner klassischer Funktionen durch neuronale Netze — im kommerziellen Maßstab funktioniert. Der Rest ist Engineering, Finanzierung und Zeit. Für eine breitere Perspektive darauf, wie sich 6G und 7G vergleichen, lesen Sie unsere ausführliche Analyse.

7G sieht „kognitionsnativen Netzbetrieb“ vor — ein einheitliches Foundation Model, das den gesamten Protokollstapel von der Kanalschätzung bis zum Scheduling verwaltet. Anders als die funktionsspezifische KI bei 6G zielt 7G darauf ab, KI zum Protokoll selbst zu machen, Nutzerverhalten vorherzusagen und sich in Echtzeit anzupassen.

Quellen

1. NVIDIA Telecommunications — Ankündigungen der AI-RAN-Koalition und Details zur NVIDIA Aerial Plattform, MWC 2026
2. Ericsson AI-RAN — Neural-Radio-Produktportfolio und Spezifikationen der kundenspezifischen Silizium-KI-Beschleuniger
3. DeepSig — Demonstration und technische Spezifikationen der KI-nativen OmniPHY-5G-Funkschnittstelle
4. AI-RAN Alliance — Branchengremium für KI-native RAN-Standards, Mitgliedschaft und technische Roadmap
5. 3GPP — KI/ML-Studienarbeiten des Release 20 für die Funkschnittstelle, Standardisierungszeitplan für KI-native Funktionen
6. Rohde & Schwarz / NVIDIA — Trainings- und Testmethodik mit digitalen Zwillingen für neuronale Empfänger