AI 네이티브 RAN: 인공지능이 미래 네트워크를 운영하는 방법

수십 년간 무선 접속 네트워크는 고전적 신호 처리 — 엔지니어가 설계하고 실리콘에 하드코딩한 수학적으로 정밀한 알고리즘 — 위에 구축되어 왔다. AI는 부수적으로 추가되었다: 분석 대시보드, 최적화 제안, 안테나에서 먼 클라우드 서버에서 실행되는 이상 탐지. 본 분석은 7G Network 편집팀이 MWC 2026 시연, 3GPP 연구 항목, 벤더 공개 자료를 1차 출처로 작성한 것이다.

그 모델이 끝나가고 있다. MWC 2026에서 통신 업계는 AI가 라디오 자체로 이동하고 있음을 — 약속이 아닌 시연으로 — 보여주었다. 고전적 수신기 체인을 대체하는 신경망. 기지국 하드웨어에서 실시간으로 실행되는 머신러닝 모델. NVIDIA(2026)에 따르면, AI 보조에서 AI 네이티브로의 전환은 더 이상 이론이 아니다.

"AI 네이티브"의 실제 의미

AI 보조와 AI 네이티브의 차이는 외형적이 아니라 아키텍처적이다:

AI 보조 (현재 5G): 고전적 알고리즘이 무선 기능 — 채널 추정, 빔포밍, 스케줄링, 간섭 관리 — 을 처리한다. AI는 병행하여 성능 데이터를 분석하고 최적화를 제안한다. AI 레이어를 제거해도 네트워크는 여전히 작동한다. AI는 네트워크를 개선하지만, 네트워크는 AI에 의존하지 않는다.

AI 네이티브 (6G 목표): 신경망이 곧 무선 기능이다. 채널 추정은 최소자승법 알고리즘이 아닌 훈련된 모델이 수행한다. 빔포밍 가중치는 행렬 연산이 아닌 추론으로 예측한다. AI를 제거할 수 없다 — AI가 수행하는 기능에 대한 고전적 대체 수단이 없기 때문이다. AI가 네트워크를 개선하는 것이 아니라, AI 자체가 네트워크다.

실질적 차이: AI 네이티브 에어 인터페이스는 어떤 고전적 알고리즘도 설계되지 않은 무선 조건을 처리할 수 있다. 모델링하기에 너무 복잡한 간섭 패턴. 기존 추정으로 추적하기에 너무 빠른 채널 동태. 규칙 기반 시스템으로 최적 스케줄링하기에 너무 예측 불가능한 사용자 행동.

AI 네이티브 RAN은 고전적 무선 알고리즘(채널 추정, 빔포밍, 스케줄링)을 제거할 수 없는 신경망으로 대체한다. AI가 선택사항인 AI 보조 5G와 달리, AI 네이티브 6G/7G 네트워크는 머신러닝을 핵심 프로토콜로 사용한다.

MWC 2026: 증거가 도착하다

바르셀로나에서 열린 MWC 2026이 전환점이었다. 처음으로 AI 네이티브 RAN이 연구 논문에서 상용 제품 발표와 라이브 시연으로 이동했다.

NVIDIA의 글로벌 연합

NVIDIA는 12개 이상의 글로벌 사업자 및 기술 기업으로부터 개방적이고 안전한 AI 네이티브 플랫폼 위에 6G를 구축하겠다는 약속을 확보했다. 연합에는 BT Group, Deutsche Telekom, Ericsson, Nokia, SK Telecom, SoftBank, T-Mobile, Cisco, Booz Allen Hamilton이 포함된다.

AI-RAN 표준을 추진하는 업계 단체인 AI-RAN Alliance는 현재 130개 이상의 참여 기업을 보유하고 있다. NVIDIA의 역할은 무선 처리가 요구하는 속도 — 밀리초가 아닌 마이크로초 — 에서 신경망 추론을 실행하는 GPU 컴퓨팅 플랫폼(NVIDIA Aerial)을 제공하는 것이다.

NVIDIA는 또한 미국 통신 리더들과 함께 All-American AI-RAN Stack을 공개했다 — AI 네이티브 6G 인프라를 위한 국내 공급망 이니셔티브로, 핵심 통신 인프라의 공급망 보안에 대한 중요성이 높아지고 있음을 반영한다.

Ericsson의 신경망 라디오

Nokia가 NVIDIA GPU 가속에 베팅한 반면, Ericsson은 다른 길을 택했다: 내장 신경망 가속기를 갖춘 전용 실리콘. MWC 2026에서 Ericsson은 자체 커스텀 칩으로 구축한 10개의 새로운 AI 지원 라디오를 공개했으며, AI 기능이 대규모 MIMO 하드웨어에 직접 통합되었다.

포트폴리오는 다음을 포함한다:

• AI 관리 빔포밍: 고전적 빔 탐색보다 빠르게 최적 빔 패턴을 예측하는 신경망
• AI 기반 야외 측위: GPS 없이 기지국 신호만으로 서브미터 정확도 달성
• 즉각적 커버리지 예측: 레이트레이싱 시뮬레이션 대신 훈련된 신경망을 사용한 실시간 전파 전파 모델링
• 지연시간 우선 스케줄러: 규칙 기반 스케줄링 대비 최대 7배 빠른 응답 시간 제공

Ericsson(MWC 2026)에 따르면, 이 접근 방식은 GPU 기반 추론의 유연성 대신 더 낮은 전력 소비와 더 긴밀한 통합을 교환한다 — AI가 공존 서버가 아닌 라디오 안에 있다.

DeepSig: AI 네이티브 에어 인터페이스

DeepSig는 MWC 2026에서 가장 미래지향적인 기술을 시연했다: OmniPHY-5G — 3GPP Release 17 GPU 가속 스택 위에서 실행되는 pre-6G 완전 학습 파형이다. 이것은 AI가 고전적 파형을 최적화하는 것이 아니다. 신경망이 파형 자체를 생성하는 것이다.

컴팩트한 NVIDIA DGX Spark에서 실행되며, DeepSig는 상용 5G와 새로운 6G 디바이스를 모두 지원하는 캐리어급 기지국을 보여주었다 — AI 네이티브와 고전적 신호가 같은 라디오에서 공존할 수 있어, 전면 교체가 아닌 점진적 전환이 가능함을 시연했다.

신경망 수신기

빠르게 발전하는 분야는 신경망 수신기다 — 고전적 수신기 체인의 일부(복조, 등화, 디코딩)를 신경망 추론으로 대체한다. Rohde & Schwarz와 NVIDIA는 디지털 트윈을 사용한 신경망 수신기 훈련 및 테스트의 기초 연구를 수행하여, 현실 세계에 아직 존재하지 않는 신호에 대한 신경망 수신기 훈련의 닭-달걀 문제를 해결했다.

Nokia는 AI 기반 디지털 사후 왜곡 보정(DPoD)을 시연했다 — 기지국에서 신경망을 사용하여 수신 후 전력 증폭기 왜곡을 역산하여, 전송 체인을 수정하지 않고도 신호 품질을 개선한다.

MWC 2026에서 NVIDIA는 AI 네이티브 6G를 위한 130개 이상 기업 연합을 결성했고, Ericsson은 7배 빠른 스케줄링을 달성하는 10개의 신경망 라디오를 공개했으며, DeepSig는 NVIDIA DGX Spark 하드웨어에서 완전히 AI가 생성한 파형인 OmniPHY-5G를 시연했다.

기지국이 AI 데이터센터로

가장 중요한 아키텍처 전환 중 하나는 기지국 자체의 재개념화다. AI 네이티브 모델에서 기지국은 단순한 라디오가 아니라 분산 AI 컴퓨팅 노드다.

GPU 가속 기지국은 무선 트래픽이 적은 시간에 AI 워크로드를 처리할 수 있다. 연결된 사용자가 적은 새벽 3시에 유휴 상태로 두는 대신, GPU가 기업 고객을 위한 추론 작업 — 이미지 인식, 자연어 처리, 이상 탐지 — 을 실행하며, 결과는 네트워크 엣지에서 최종 사용자로부터 수 밀리초 거리에서 제공된다.

이것은 사업자에게 새로운 수익 모델을 창출한다:

• Token-as-a-Service: 기지국 GPU에서 AI 추론 토큰 판매
• GPU-as-a-Service: 비수기 시간에 기지국 컴퓨팅을 기업에 임대
• 엣지 AI 호스팅: 저지연 애플리케이션을 위해 네트워크 엣지에서 고객 AI 모델 실행

경제적 영향은 상당하다: 기지국 GPU 활용률이 현재 ~30%(무선 전용)에서 80~90%(무선 + AI 워크로드)로 증가할 수 있어, 밀집 네트워크 배포의 ROI 공식을 근본적으로 변화시킨다. 이 이중 용도 모델은 모든 노드에 인텔리전스가 분산되는 7G 네트워크 아키텍처 개념과 일치한다.

GPU 가속 기지국은 비수기 시간에 AI 추론 워크로드를 실행할 수 있어, 활용률을 ~30%에서 80~90%로 높인다. 새로운 수익 모델에는 Token-as-a-Service, GPU-as-a-Service, 엣지 AI 호스팅이 포함된다.

기술적 과제

지연시간 예산

무선 처리는 마이크로초 시간 단위로 운용된다. 5G NR 슬롯은 최단 0.5 ms다. 채널 추정, 빔포밍, 스케줄링이 모두 이 시간 내에 완료되어야 한다. 이 예산 내에서 신경망 추론을 실행하려면 특수 하드웨어가 필요하다 — 범용 CPU는 너무 느리고, 많은 GPU 아키텍처도 무선이 요구하는 결정적이고 한정된 지연시간 실행에 적합하지 않다.

훈련 데이터

고전적 알고리즘은 기본 원리에서 작동한다 — 훈련 데이터가 필요 없다. 신경망 대체물은 무선 조건, 채널 측정, 성능 결과에 대한 대규모 데이터셋을 필요로 한다. 이 데이터를 생성하는 비용은 높으며, 한 환경에서 훈련된 모델을 다른 셀 사이트로 이전하는 것("도메인 갭" 문제)은 대규모에서 아직 해결되지 않았다.

디지털 트윈 — 무선 환경의 고충실도 시뮬레이션 — 이 현재 최선의 해결책이지만, 자체적인 정확도 문제를 수반한다. 시뮬레이션된 채널에서 훈련된 신경망 수신기는 시뮬레이션이 충분히 정확하지 않으면 실제 채널에서 성능이 저하될 수 있다.

설명 가능성과 인증

고전적 알고리즘이 실패하면 엔지니어가 특정 수학적 단계까지 실패를 추적할 수 있다. 신경망이 실패하면 실패 모드가 불투명하다. 안전 필수 애플리케이션(V2X, 긴급 서비스)에서 규제 기관은 현재 신경망이 제공할 수 없는 설명 가능한 행동을 요구할 수 있다.

가능한 절충안: 성능 필수적이지만 안전 필수적이지 않은 기능(처리량 최적화, 빔 관리)에는 AI 네이티브를, 안전 필수적 시그널링(긴급 통화, V2X 충돌 방지)에는 고전적 대체 수단을 사용한다.

표준화 격차

3GPP(2026)에 따르면, Release 20 연구 항목이 에어 인터페이스를 위한 AI를 탐색하고 있지만, 첫 6G 표준에 대한 합의는 고전적 대체 수단을 갖춘 AI 보조로 수렴하고 있다. 특정 기능에 고전적 알고리즘이 존재하지 않는 완전한 AI 네이티브는 Release 22+ 포부이며, 6G Advanced 시기(2033~2035년)에 도래할 것으로 보인다. 6G 표준화 타임라인에서 이 마일스톤에 대한 추가 세부 정보를 확인할 수 있다.

AI 네이티브 RAN의 주요 기술적 장벽에는 마이크로초 수준 추론 지연시간, 훈련 데이터 부족(도메인 갭 문제), 안전 필수 기능에 대한 신경망 설명 가능성, 표준화 격차가 포함된다 — 완전한 AI 네이티브는 3GPP Release 22+(2033~2035년)를 목표로 한다.

6G에서 7G로: 프로토콜로서의 AI

6G가 특정 무선 기능에 AI를 네이티브로 만든다면, 7G는 전체 프로토콜 스택에 AI를 네이티브로 만들 것으로 예상된다. 채널 추정, 빔포밍, 스케줄링에 대해 별도의 모델을 훈련하는 대신, 통합 파운데이션 모델이 전체 무선 체인을 관리한다 — 환경을 감지하고, 무엇을 전송할지 결정하고, 어떻게 변조할지 선택하고, 실시간으로 적응한다.

이를 때로 "인지 네이티브 네트워킹"이라 부른다 — 네트워크가 규칙에 따라 데이터를 처리하는 것이 아니라, 맥락을 이해하고, 결과를 예측하며, 결정을 내린다. 7G 네트워크는 건물 입구를 향해 걸어가는 사용자가 3초 후 실내 소형 셀로 핸드오프가 필요하다는 것을 알고, 사용자가 문에 도달하기 전에 핸드오프를 시작한다.

오늘날의 AI-RAN 시연과 이 비전 사이의 격차는 막대하다. 하지만 MWC 2026은 첫 번째 단계 — 개별 고전적 기능을 신경망으로 대체하는 것 — 가 상용 규모에서 작동함을 증명했다. 나머지는 엔지니어링, 투자, 그리고 시간이다. 6G와 7G가 어떻게 비교되는지에 대한 더 넓은 시각은 상세 분석을 참고하자.

7G는 "인지 네이티브 네트워킹" — 채널 추정부터 스케줄링까지 전체 프로토콜 스택을 관리하는 통합 파운데이션 모델 — 을 구상한다. 6G의 기능별 AI와 달리, 7G는 사용자 행동을 예측하고 실시간으로 적응하는 프로토콜 자체로서의 AI를 목표로 한다.

출처

1. NVIDIA Telecommunications — AI-RAN 연합 발표 및 NVIDIA Aerial 플랫폼 세부사항, MWC 2026
2. Ericsson AI-RAN — 신경망 라디오 제품 포트폴리오 및 커스텀 실리콘 AI 가속기 사양
3. DeepSig — OmniPHY-5G AI 네이티브 에어 인터페이스 시연 및 기술 사양
4. AI-RAN Alliance — AI 네이티브 RAN 표준 업계 단체, 회원사 및 기술 로드맵
5. 3GPP — Release 20 에어 인터페이스용 AI/ML 연구 항목, AI 네이티브 기능 표준화 타임라인
6. Rohde & Schwarz / NVIDIA — 신경망 수신기를 위한 디지털 트윈 훈련 및 테스트 방법론