RAN Nativo de IA: Cómo la Inteligencia Artificial Gestionará las Redes del Futuro

Durante décadas, las redes de acceso por radio se han construido sobre procesamiento de señales clásico — algoritmos matemáticamente precisos diseñados por ingenieros y codificados directamente en silicio. AI se añadió como algo secundario: paneles de análisis, sugerencias de optimización, detección de anomalías ejecutándose en un servidor en la nube lejos de la antena. Este análisis es preparado por el equipo editorial de 7G Network, basándose en fuentes primarias de demostraciones del MWC 2026, elementos de estudio de 3GPP y divulgaciones de fabricantes.

Ese modelo está terminando. En MWC 2026, la industria de telecomunicaciones demostró — no prometió, demostró — que AI se está moviendo hacia la radio misma. Redes neuronales reemplazando cadenas de receptor clásicas. Modelos de machine learning ejecutándose en hardware de estación base en tiempo real. El cambio de asistido por AI a nativo de AI ya no es teórico.

Lo Que "AI-Native" Realmente Significa

La distinción entre asistido por AI y AI-native es arquitectónica, no cosmética:

Asistido por AI (5G actual): Los algoritmos clásicos manejan las funciones de radio — estimación de canal, beamforming, programación, gestión de interferencias. AI funciona paralelamente, analizando datos de rendimiento y sugiriendo optimizaciones. La capa de AI puede ser removida y la red aún funciona. AI mejora la red; la red no depende de AI.

AI-native (objetivo 6G): Las redes neuronales son las funciones de radio. La estimación de canal es realizada por un modelo entrenado, no por un algoritmo de mínimos cuadrados. Los pesos de beamforming son predichos por inferencia, no calculados por operaciones matriciales. La AI no puede ser removida porque no hay respaldo clásico para las funciones que realiza. AI no mejora la red; AI es la red.

La diferencia práctica: una interfaz aérea AI-native puede manejar condiciones de radio para las cuales ningún algoritmo clásico fue diseñado. Patrones de interferencia demasiado complejos para modelar. Dinámicas de canal demasiado rápidas para rastrear con estimación tradicional. Comportamiento de usuario demasiado impredecible para programar óptimamente con sistemas basados en reglas.

RAN nativo de IA reemplaza algoritmos de radio clásicos (estimación de canal, beamforming, scheduling) con redes neuronales que no pueden ser removidas. A diferencia del 5G asistido por IA, donde la IA es opcional, las redes 6G/7G nativas de IA dependen del machine learning como protocolo central.

MWC 2026: Llega la Evidencia

MWC 2026 en Barcelona fue el punto de inflexión. Por primera vez, RAN nativo de AI pasó de documentos de investigación a anuncios de productos comerciales y demostraciones en vivo.

La Coalición Global de NVIDIA

NVIDIA aseguró compromisos de más de una docena de operadores globales y empresas tecnológicas para construir 6G en plataformas abiertas, seguras y nativas de AI. La coalición incluye BT Group, Deutsche Telekom, Ericsson, Nokia, SK Telecom, SoftBank, T-Mobile, Cisco, y Booz Allen Hamilton.

La AI-RAN Alliance — el organismo de la industria que impulsa los estándares AI-RAN — ahora tiene más de 130 empresas participantes. El papel de NVIDIA es proporcionar la plataforma de cómputo GPU (NVIDIA Aerial) que ejecuta inferencia de redes neuronales a las velocidades requeridas por el procesamiento de radio — microsegundos, no milisegundos.

NVIDIA también presentó el All-American AI-RAN Stack con líderes de telecomunicaciones de EE.UU. — una iniciativa de cadena de suministro doméstica para infraestructura 6G nativa de AI, reflejando el creciente énfasis en la seguridad de la cadena de suministro en infraestructura de comunicaciones críticas.

Las Radios Neurales de Ericsson

Mientras Nokia apostó por la aceleración GPU de NVIDIA, Ericsson tomó un camino diferente: silicio diseñado específicamente con aceleradores de redes neuronales integrados. En MWC 2026, Ericsson presentó diez nuevas radios preparadas para AI construidas en sus propios chips personalizados, con capacidades AI integradas directamente en el hardware Massive MIMO.

El portafolio incluye:

• Beamforming gestionado por AI: Las redes neuronales predicen patrones de haz óptimos más rápido que la búsqueda de haz clásica
• Posicionamiento exterior impulsado por AI: Precisión sub-métrica usando solo señales de estación base, no requiere GPS
• Predicción instantánea de cobertura: Modelado de propagación de radio en tiempo real usando redes neuronales entrenadas en lugar de simulaciones de trazado de rayos
• Planificador priorizado por latencia: Entregando hasta 7 veces tiempos de respuesta más rápidos comparado con planificación basada en reglas

El enfoque de Ericsson intercambia la flexibilidad de la inferencia basada en GPU por menor consumo de energía e integración más estrecha — la AI está en la radio, no ejecutándose en un servidor colocado.

DeepSig: La Interfaz Aérea Nativa de AI

DeepSig demostró lo que puede ser la tecnología más visionaria en MWC 2026: OmniPHY-5G — una forma de onda completamente aprendida pre-6G ejecutándose sobre un stack acelerado por GPU 3GPP Release 17. Esto no es AI optimizando una forma de onda clásica; es una red neuronal generando la forma de onda misma.

Ejecutándose en el compacto NVIDIA DGX Spark, DeepSig mostró una estación base de grado carrier soportando tanto dispositivos 5G comerciales como dispositivos 6G emergentes — demostrando que las señales nativas de AI y clásicas pueden coexistir en la misma radio, permitiendo transición gradual en lugar de actualizaciones completas.

Receptores Neurales

Un área que avanza rápidamente es el receptor neural — reemplazando partes de la cadena de receptor clásica (demodulación, ecualización, decodificación) con inferencia de redes neuronales. Rohde & Schwarz y NVIDIA han realizado trabajo fundamental en gemelos digitales para entrenar y probar receptores neurales, resolviendo el problema del huevo y la gallina de entrenar un receptor neural para una señal que aún no existe en el mundo real.

Nokia demostró post-distorsión digital basada en AI (DPoD) — usando una red neuronal en la estación base para revertir la distorsión del amplificador de potencia después de la recepción, mejorando la calidad de la señal sin modificar la cadena de transmisión.

En MWC 2026, NVIDIA formó una coalición de 130+ empresas para 6G nativo de IA, Ericsson presentó 10 radios neuronales con scheduling 7x más rápido, y DeepSig demostró OmniPHY-5G — una forma de onda completamente generada por IA ejecutándose en hardware NVIDIA DGX Spark.

Estaciones Base como Centros de Datos de AI

Uno de los cambios arquitectónicos más significativos es la reconceptualización de la estación base misma. En el modelo AI-native, una estación base no es solo una radio — es un nodo de cómputo AI distribuido.

Las estaciones base aceleradas por GPU pueden procesar cargas de trabajo de AI durante períodos de bajo tráfico de radio. En lugar de permanecer inactivo a las 3 AM cuando pocos usuarios están conectados, el GPU ejecuta tareas de inferencia para clientes empresariales — reconocimiento de imágenes, procesamiento de lenguaje natural, detección de anomalías — con los resultados servidos en el edge de la red, a milisegundos del usuario final.

Esto crea nuevos modelos de ingresos para los operadores:

• Token-as-a-Service: Venta de tokens de inferencia AI desde GPUs de estaciones base
• GPU-as-a-Service: Alquiler de cómputo de estaciones base a empresas durante horas de baja demanda
• Hosting de Edge AI: Ejecución de modelos AI de clientes en el edge de la red para aplicaciones de baja latencia

El impacto económico es significativo: la utilización de GPU de estaciones base podría aumentar del actual ~30% (solo radio) a 80–90% (radio + cargas de trabajo AI), cambiando fundamentalmente la ecuación de ROI para despliegues de red densa. Este modelo de doble uso se alinea con los conceptos de arquitectura de red 7G donde la inteligencia se distribuye a través de cada nodo.

Las estaciones base aceleradas por GPU pueden ejecutar cargas de trabajo de inferencia AI durante horas de baja demanda, aumentando la utilización de ~30% a 80–90%. Los nuevos modelos de ingresos incluyen Token-as-a-Service, GPU-as-a-Service y hosting de Edge AI.

Los Desafíos Técnicos

Presupuesto de Latencia

El procesamiento de radio opera en escalas de tiempo de microsegundos. Un slot de 5G NR es de 0.5 ms en su duración más corta. La estimación de canal, beamforming y programación deben completarse dentro de esta ventana. Ejecutar inferencia de red neuronal dentro de este presupuesto requiere hardware especializado — los CPUs de propósito general son demasiado lentos, e incluso muchas arquitecturas GPU no están diseñadas para la ejecución determinística y de latencia acotada que demanda la radio.

Datos de Entrenamiento

Los algoritmos clásicos funcionan desde primeros principios — no necesitan datos de entrenamiento. Los reemplazos de redes neuronales requieren conjuntos masivos de datos de condiciones de radio, mediciones de canal y resultados de rendimiento. Generar estos datos es costoso, y transferir un modelo entrenado en un ambiente a un sitio celular diferente (el problema de "brecha de dominio") permanece sin resolver a escala.

Los gemelos digitales — simulaciones de alta fidelidad de ambientes de radio — son la mejor solución actual, pero introducen sus propias preguntas de precisión. Un receptor neuronal entrenado en un canal simulado puede tener bajo rendimiento en el canal real si la simulación no es lo suficientemente precisa.

Explicabilidad y Certificación

Cuando un algoritmo clásico falla, los ingenieros pueden rastrear la falla a un paso matemático específico. Cuando una red neuronal falla, el modo de falla es opaco. Para aplicaciones críticas de seguridad (V2X, servicios de emergencia), los reguladores pueden requerir comportamiento explicable que las redes neuronales actualmente no pueden proporcionar.

El compromiso probable: AI-native para funciones críticas de rendimiento pero no críticas de seguridad (optimización de throughput, gestión de beam), con respaldo clásico para señalización crítica de seguridad (llamadas de emergencia, evitación de colisiones V2X).

Brecha de Estandarización

Los elementos de estudio de 3GPP Release 20 están explorando AI para la interfaz aérea, pero el consenso está convergiendo en AI-assisted con respaldo clásico para el primer estándar 6G. AI-native completo — donde no existe algoritmo clásico para una función dada — es una aspiración Release 22+, probablemente llegando en el marco temporal de 6G Advanced (2033–2035). El cronograma de estandarización 6G proporciona más detalle sobre estos hitos.

Las barreras técnicas clave para RAN nativo de IA incluyen latencia de inferencia a nivel de microsegundos, escasez de datos de entrenamiento (el problema de brecha de dominio), explicabilidad de redes neuronales para funciones críticas de seguridad, y una brecha de estandarización — el objetivo completo de IA nativa es 3GPP Release 22+ (2033–2035).

De 6G a 7G: IA como el Protocolo

Si 6G hace que la IA sea nativa para funciones de radio específicas, se espera que 7G haga que la IA sea nativa para toda la pila de protocolos. En lugar de entrenar modelos separados para estimación de canal, beamforming y programación, un modelo de fundación unificado gestionaría la cadena completa de radio — detectando el entorno, decidiendo qué transmitir, eligiendo cómo modularlo y adaptándose en tiempo real.

Esto a veces se llama "redes nativas de cognición" — la red no solo procesa datos según reglas, entiende el contexto, predice resultados y toma decisiones. La red 7G sabe que un usuario caminando hacia la entrada de un edificio necesitará un traspaso a una celda pequeña interior en tres segundos, y comienza el traspaso antes de que el usuario llegue a la puerta.

La brecha entre las demostraciones de AI-RAN de hoy y esta visión es enorme. Pero MWC 2026 demostró que el primer paso — reemplazar funciones clásicas individuales con redes neuronales — funciona a escala comercial. El resto es ingeniería, financiamiento y tiempo. Para una perspectiva más amplia sobre cómo se comparan 6G y 7G, consulta nuestro análisis detallado.

7G prevé "redes nativas de cognición" — un modelo de fundación unificado gestionando toda la pila de protocolos desde estimación de canal hasta scheduling. A diferencia de la IA específica por función de 6G, 7G apunta a la IA como el protocolo mismo, prediciendo el comportamiento del usuario y adaptándose en tiempo real.

Fuentes

1. NVIDIA Telecommunications — anuncios de la coalición AI-RAN y detalles de la plataforma NVIDIA Aerial, MWC 2026
2. Ericsson AI-RAN — portafolio de productos de radio neural y especificaciones de aceleradores AI de silicio personalizado
3. DeepSig — demostración y especificaciones técnicas de la interfaz aérea AI-nativa OmniPHY-5G
4. AI-RAN Alliance — organismo de la industria para estándares RAN AI-nativo, membresía y hoja de ruta técnica
5. 3GPP — elementos de estudio AI/ML de Release 20 para la interfaz aérea, cronograma de estandarización para funciones AI-nativas
6. Rohde & Schwarz / NVIDIA — metodología de entrenamiento y prueba con gemelos digitales para receptores neurales