AI-нативная RAN: Как искусственный интеллект будет управлять сетями будущего

На протяжении десятилетий сети радиодоступа строились на классической обработке сигналов — математически точных алгоритмах, разработанных инженерами и жестко закодированных в кремний. AI добавлялся как дополнение: аналитические панели, предложения по оптимизации, обнаружение аномалий, работающие на облачном сервере далеко от антенны. Этот анализ подготовлен редакционной командой 7G Network на основе первичных источников демонстраций MWC 2026, исследовательских пунктов 3GPP и раскрытий вендоров.

Эта модель заканчивается. На MWC 2026 телекоммуникационная индустрия продемонстрировала — не пообещала, а продемонстрировала — что AI перемещается в само радио. Нейронные сети заменяют классические цепи приемников. Модели machine learning работают на оборудовании базовых станций в реальном времени. Переход от AI-assisted к AI-native больше не является теоретическим.

Что на самом деле означает "AI-Native"

Различие между AI-assisted и AI-native является архитектурным, а не косметическим:

AI-assisted (текущий 5G): Классические алгоритмы обрабатывают радиофункции — оценку канала, beamforming, планирование, управление помехами. AI работает параллельно, анализируя данные производительности и предлагая оптимизации. Слой AI можно удалить, и сеть продолжит функционировать. AI делает сеть лучше; сеть не зависит от AI.

AI-native (цель 6G): Нейронные сети являются радиофункциями. Оценка канала выполняется обученной моделью, а не алгоритмом наименьших квадратов. Веса beamforming предсказываются через инференс, а не вычисляются матричными операциями. AI нельзя удалить, потому что нет классического резервного варианта для функций, которые он выполняет. AI не улучшает сеть; AI и есть сеть.

Практическая разница: AI-native воздушный интерфейс может справляться с радиоусловиями, для которых не был разработан ни один классический алгоритм. Паттерны помех слишком сложны для моделирования. Динамика канала слишком быстра для отслеживания традиционной оценкой. Поведение пользователей слишком непредсказуемо для оптимального планирования системами на основе правил.

AI-native RAN заменяет классические радиоалгоритмы (оценку канала, формирование лучей, планирование) нейронными сетями, которые невозможно убрать. В отличие от AI-assisted 5G, где AI является опциональным, AI-native сети 6G/7G зависят от машинного обучения как основного протокола.

MWC 2026: Доказательства прибывают

MWC 2026 в Барселоне стал переломным моментом. Впервые AI-native RAN перешла из исследовательских работ к анонсам коммерческих продуктов и живым демонстрациям.

Глобальная коалиция NVIDIA

NVIDIA получила обязательства от более чем дюжины глобальных операторов и технологических компаний по созданию 6G на открытых, безопасных, AI-native платформах. Коалиция включает BT Group, Deutsche Telekom, Ericsson, Nokia, SK Telecom, SoftBank, T-Mobile, Cisco, и Booz Allen Hamilton.

AI-RAN Alliance — отраслевой орган, продвигающий стандарты AI-RAN — теперь насчитывает более 130 участвующих компаний. Роль NVIDIA заключается в предоставлении GPU вычислительной платформы (NVIDIA Aerial), которая выполняет вывод нейронных сетей на скоростях, требуемых радиообработкой — микросекунды, а не миллисекунды.

NVIDIA также представила All-American AI-RAN Stack с лидерами американских телекоммуникаций — инициативу внутренней цепи поставок для AI-native 6G инфраструктуры, отражающую растущий акцент на безопасности цепи поставок в критической коммуникационной инфраструктуре.

Нейронные радиостанции Ericsson

В то время как Nokia делала ставку на GPU ускорение NVIDIA, Ericsson выбрала другой путь: специализированные кремниевые решения со встроенными ускорителями нейронных сетей. На MWC 2026 Ericsson представила десять новых AI-готовых радиостанций, построенных на собственных заказных чипах, с AI возможностями, интегрированными непосредственно в Massive MIMO оборудование.

Портфолио включает:

• AI-управляемое формирование луча: Нейронные сети предсказывают оптимальные паттерны луча быстрее, чем классический поиск луча
• AI-управляемое наружное позиционирование: Точность менее метра, используя только сигналы базовых станций, GPS не требуется
• Мгновенное предсказание покрытия: Моделирование распространения радиоволн в реальном времени с использованием обученных нейронных сетей вместо симуляций трассировки лучей
• Планировщик с приоритетом задержки: Обеспечивает до 7x более быстрое время отклика по сравнению с планированием на основе правил

Подход Ericsson обменивает гибкость вывода на основе GPU на более низкое энергопотребление и более тесную интеграцию — AI находится в радиостанции, а не работает на совмещенном сервере.

DeepSig: AI-Native воздушный интерфейс

DeepSig продемонстрировала то, что может быть самой перспективной технологией на MWC 2026: OmniPHY-5G — пре-6G полностью обученную форму волны, работающую поверх 3GPP Release 17 GPU-ускоренного стека. Это не AI, оптимизирующий классическую форму волны; это нейронная сеть, генерирующая саму форму волны.

Работая на компактном NVIDIA DGX Spark, DeepSig показала базовую станцию операторского класса, поддерживающую как коммерческие 5G, так и появляющиеся 6G устройства — демонстрируя, что AI-native и классические сигналы могут сосуществовать в одной радиостанции, обеспечивая постепенный переход вместо полной замены оборудования.

Нейронные приемники

Быстро развивающейся областью является нейронный приемник — замена частей классической цепи приемника (демодуляция, эквализация, декодирование) выводом нейронной сети. Rohde & Schwarz и NVIDIA проделали основополагающую работу по цифровым двойникам для обучения и тестирования нейронных приемников, решая проблему курицы и яйца при обучении нейронного приемника для сигнала, который еще не существует в реальном мире.

Nokia продемонстрировала AI-основанную цифровую пост-коррекцию искажений (DPoD) — использование нейронной сети на базовой станции для обращения искажений усилителя мощности после приема, улучшая качество сигнала без изменения передающей цепи.

На MWC 2026 NVIDIA сформировала коалицию из 130+ компаний для AI-native 6G, Ericsson представила 10 нейронных радиостанций с 7-кратным ускорением планирования, а DeepSig продемонстрировала OmniPHY-5G — полностью AI-сгенерированную форму волны на оборудовании NVIDIA DGX Spark.

Базовые станции как AI центры обработки данных

Одним из наиболее значительных архитектурных сдвигов является переосмысление самой базовой станции. В AI-native модели базовая станция — это не просто радио — это распределенный AI вычислительный узел.

Базовые станции с GPU-ускорением могут обрабатывать AI рабочие нагрузки в периоды низкого радиотрафика. Вместо простоя в 3 утра, когда подключено мало пользователей, GPU выполняет задачи вывода для корпоративных клиентов — распознавание изображений, обработка естественного языка, обнаружение аномалий — с результатами, предоставляемыми на краю сети, в миллисекундах от конечного пользователя.

Это создает новые модели доходов для операторов:

• Token-as-a-Service: Продажа AI inference токенов от GPU базовых станций
• GPU-as-a-Service: Аренда вычислительных мощностей базовых станций предприятиям в часы низкой нагрузки
• Edge AI хостинг: Запуск клиентских AI моделей на краю сети для приложений с низкой задержкой

Экономическое воздействие значительно: использование GPU базовых станций может увеличиться с текущих ~30% (только радио) до 80–90% (радио + AI рабочие нагрузки), кардинально изменив уравнение ROI для плотных сетевых развертываний. Эта модель двойного использования согласуется с концепциями архитектуры сетей 7G, где интеллект распределён по каждому узлу.

GPU-ускоренные базовые станции могут выполнять AI inference нагрузки в непиковые часы, увеличивая утилизацию с ~30% до 80–90%. Новые модели доходов включают Token-as-a-Service, GPU-as-a-Service и хостинг edge AI.

Технические вызовы

Бюджет задержки

Радиообработка работает в масштабах микросекунд. Слот 5G NR составляет 0,5 мс в самом коротком случае. Оценка канала, beamforming и планирование должны завершиться в этом окне. Запуск вывода нейронной сети в рамках этого бюджета требует специализированного оборудования — универсальные CPU слишком медленные, и даже многие архитектуры GPU не предназначены для детерминированного выполнения с ограниченной задержкой, которого требует радио.

Данные для обучения

Классические алгоритмы работают на основе фундаментальных принципов — им не нужны данные для обучения. Замена нейронными сетями требует огромных наборов данных о радиоусловиях, измерениях каналов и результатах производительности. Генерация этих данных дорогостоящая, а перенос модели, обученной в одной среде, на другую базовую станцию (проблема "domain gap") остается нерешенной в масштабе.

Digital twins — высокоточные симуляции радиосред — являются текущим лучшим решением, но они вносят свои собственные вопросы точности. Нейронный приемник, обученный на симулированном канале, может показывать худшие результаты на реальном канале, если симуляция недостаточно точная.

Объяснимость и сертификация

Когда классический алгоритм дает сбой, инженеры могут проследить сбой до конкретного математического шага. Когда нейронная сеть дает сбой, режим сбоя непрозрачен. Для критически важных для безопасности приложений (V2X, службы экстренного реагирования) регуляторы могут требовать объяснимого поведения, которое нейронные сети в настоящее время не могут обеспечить.

Вероятный компромисс: AI-native для критичных по производительности, но не критичных по безопасности функций (оптимизация пропускной способности, управление лучами), с классическим резервированием для критической по безопасности сигнализации (экстренные вызовы, предотвращение столкновений V2X).

Разрыв в стандартизации

Согласно 3GPP (2026), исследовательские пункты Release 20 изучают AI для воздушного интерфейса, но консенсус сходится на AI-assisted с классическим резервированием для первого стандарта 6G. Полный AI-native — где не существует классического алгоритма для данной функции — это стремление Release 22+, вероятно, появится в временных рамках 6G Advanced (2033–2035). Подробнее о вехах стандартизации см. наш таймлайн стандартизации 6G.

Ключевые технические барьеры AI-native RAN включают задержку инференса на уровне микросекунд, дефицит обучающих данных (проблема domain gap), объяснимость нейронных сетей для критичных по безопасности функций и разрыв стандартизации — полный AI-native нацелен на 3GPP Release 22+ (2033–2035).

От 6G к 7G: ИИ как протокол

Если 6G делает ИИ встроенным в конкретные радиофункции, то ожидается, что 7G сделает ИИ встроенным во весь протокольный стек. Вместо обучения отдельных моделей для оценки канала, beamforming и планирования, единая базовая модель будет управлять всей радиоцепью — анализируя окружающую среду, решая что передавать, выбирая способ модуляции и адаптируясь в реальном времени.

Иногда это называется "cognition-native networking" — сеть не просто обрабатывает данные согласно правилам, она понимает контекст, предсказывает результаты и принимает решения. Сеть 7G знает, что пользователь, идущий к входу в здание, будет нуждаться в передаче на внутреннюю малую соту через три секунды, и начинает передачу до того, как пользователь дойдет до двери.

Разрыв между сегодняшними демонстрациями AI-RAN и этим видением огромен. Но MWC 2026 доказал, что первый шаг — замена отдельных классических функций нейронными сетями — работает в коммерческом масштабе. Остальное — это инженерия, финансирование и время. Для более широкого взгляда на сравнение 6G и 7G см. наш подробный анализ.

7G предполагает «cognition-native networking» — единую базовую модель AI, управляющую всем протокольным стеком от оценки канала до планирования. В отличие от функционально-специфичного AI в 6G, 7G нацелен на AI как сам протокол, предсказывающий поведение пользователей и адаптирующийся в реальном времени.

Источники

1. NVIDIA Telecommunications — анонсы коалиции AI-RAN и детали платформы NVIDIA Aerial, MWC 2026
2. Ericsson AI-RAN — портфолио нейронных радиостанций и спецификации AI-ускорителей на заказных чипах
3. DeepSig — демонстрация и технические спецификации AI-native воздушного интерфейса OmniPHY-5G
4. AI-RAN Alliance — отраслевой орган стандартов AI-native RAN, участники и техническая дорожная карта
5. 3GPP — исследовательские пункты Release 20 по AI/ML для воздушного интерфейса, план стандартизации AI-native функций
6. Rohde & Schwarz / NVIDIA — методология обучения и тестирования нейронных приёмников на основе цифровых двойников