AI原生RAN：人工智能将如何运行未来网络

几十年来，无线接入网络一直建立在经典信号处理基础上——由工程师设计并硬编码到硅片中的数学精确算法。AI只是事后添加的：分析仪表板、优化建议、异常检测在远离天线的云服务器上运行。本分析由7G Network编辑团队编写，参考了MWC 2026演示、3GPP研究项目和供应商披露的第一手资料。

这种模式正在终结。在MWC 2026上，电信行业展示了——不是承诺，而是展示了——AI正在进入无线电本身。神经网络取代经典接收链。机器学习模型在基站硬件上实时运行。从AI辅助到AI原生的转变不再是理论上的。

"AI-Native"的真正含义

AI辅助和AI-native之间的区别是架构上的，而非表面的：

AI辅助（当前5G）：经典算法处理无线电功能——信道估计、beamforming、调度、干扰管理。AI在旁运行，分析性能数据并建议优化方案。AI层可以被移除，网络仍然能够运行。AI让网络变得更好；网络不依赖于AI。

AI-native（6G目标）：神经网络就是无线电功能。信道估计由训练模型执行，而不是least-squares算法。Beamforming权重通过推理预测，而不是通过矩阵运算计算。AI无法被移除，因为它执行的功能没有经典的fallback方案。AI不是改进网络；AI就是网络。

实际区别：AI-native空中接口可以处理没有任何经典算法为其设计的无线电条件。复杂到无法建模的干扰模式。快速到传统估计无法跟踪的信道动态。不可预测到基于规则的系统无法优化调度的用户行为。

AI原生RAN用神经网络替代经典无线电算法（信道估计、波束成形、调度），且无法移除。与AI辅助5G中AI是可选的不同，AI原生6G/7G网络依赖机器学习作为核心协议。

MWC 2026：证据到来

在巴塞罗那举办的MWC 2026成为了转折点。AI原生RAN首次从研究论文转向商业产品发布和现场演示。

NVIDIA的全球联盟

NVIDIA获得了十多家全球运营商和技术公司的承诺，共同在开放、安全的AI原生平台上构建6G。该联盟包括BT Group、Deutsche Telekom、Ericsson、Nokia、SK Telecom、SoftBank、T-Mobile、Cisco和Booz Allen Hamilton。

推动AI-RAN标准的行业机构AI-RAN Alliance现在拥有超过130家参与公司。NVIDIA的作用是提供GPU计算平台(NVIDIA Aerial)，以无线处理所需的速度——微秒而非毫秒——运行神经网络推理。

NVIDIA还与美国电信领导者共同推出了All-American AI-RAN Stack——这是一项针对AI原生6G基础设施的国内供应链倡议，反映了对关键通信基础设施供应链安全的日益重视。

Ericsson的神经无线电

虽然Nokia押注NVIDIA GPU加速，但Ericsson选择了不同的路径：内置神经网络加速器的专用芯片。在MWC 2026上，Ericsson推出了基于自研定制芯片构建的十款新的AI就绪无线电，AI功能直接集成到Massive MIMO硬件中。

产品组合包括：

• AI管理的波束成形：神经网络预测最优波束模式的速度比经典波束搜索更快
• AI驱动的室外定位：仅使用基站信号即可实现亚米级精度，无需GPS
• 即时覆盖预测：使用训练好的神经网络而非射线追踪仿真进行实时无线传播建模
• 延迟优先调度器：与基于规则的调度相比，响应时间提升7倍

Ericsson的方法用GPU推理的灵活性换取更低的功耗和更紧密的集成——AI在无线电中，而不是在协同部署的服务器上运行。

DeepSig：AI原生空中接口

DeepSig展示了MWC 2026上可能最具前瞻性的技术：OmniPHY-5G——一种运行在3GPP Release 17 GPU加速协议栈之上的前6G完全学习波形。这不是AI优化经典波形；而是神经网络本身生成波形。

DeepSig在紧凑的NVIDIA DGX Spark上展示了支持商用5G和新兴6G设备的运营商级基站——证明AI原生和经典信号可以在同一无线电中共存，实现渐进式过渡而非全面升级。

神经接收器

快速发展的领域是神经接收器——用神经网络推理替代经典接收器链的部分功能（解调、均衡、解码）。Rohde & Schwarz和NVIDIA在训练和测试神经接收器的数字孪生方面做了基础性工作，解决了为现实世界中尚不存在的信号训练神经接收器的先有鸡还是先有蛋的问题。

Nokia演示了基于AI的数字后失真(DPoD)——在基站使用神经网络在接收后逆转功率放大器失真，在不修改发射链的情况下提高信号质量。

在MWC 2026上，NVIDIA组建了130多家公司的AI原生6G联盟，Ericsson发布了10款神经无线电实现7倍更快的调度，DeepSig展示了OmniPHY-5G——在NVIDIA DGX Spark硬件上运行的完全AI生成波形。

Base Station作为AI数据中心

最重要的架构转变之一是对base station本身的重新概念化。在AI原生模型中，base station不仅仅是一个无线电设备——它是一个分布式AI计算节点。

GPU加速的base station可以在无线电流量较低的时期处理AI工作负载。在凌晨3点用户连接较少时，GPU不再闲置，而是为企业客户运行推理任务——图像识别、自然语言处理、异常检测——结果在网络边缘提供服务，距离终端用户仅几毫秒。

这为运营商创造了新的收入模式：

• Token即服务： 从base station GPU销售AI推理token
• GPU即服务： 在非高峰时段向企业出租base station计算资源
• Edge AI托管： 在网络边缘为低延迟应用运行客户AI模型

经济影响是显著的：base station GPU利用率可能从目前的约30%（仅无线电）提高到80–90%（无线电 + AI工作负载），从根本上改变了密集网络部署的ROI方程式。这种双用途模式与7G网络架构概念一致，其中智能分布在每个节点上。

GPU加速的基站可以在非高峰时段运行AI推理工作负载，将利用率从约30%提升至80-90%。新的收入模式包括Token即服务、GPU即服务和边缘AI托管。

技术挑战

延迟预算

无线电处理在微秒级时间尺度上运行。5G NR时隙最短为0.5毫秒。信道估计、波束赋形和调度都必须在此时间窗口内完成。在此预算内运行神经网络推理需要专用硬件——通用CPU太慢，甚至许多GPU架构也不是为无线电所需的确定性、有界延迟执行而设计的。

训练数据

经典算法基于第一性原理工作——它们不需要训练数据。神经网络替代方案需要大量的无线电条件、信道测量和性能结果数据集。生成这些数据成本高昂，而且将在一个环境中训练的模型迁移到不同基站的问题（"域差距"问题）在规模化应用中仍未解决。

数字孪生——无线电环境的高保真度仿真——是当前最佳解决方案，但它们也带来了自己的准确性问题。在仿真信道上训练的神经网络接收器如果仿真不够准确，在真实信道上的性能可能会下降。

可解释性和认证

当经典算法失效时，工程师可以将失效追溯到特定的数学步骤。当神经网络失效时，失效模式是不透明的。对于安全关键应用（V2X、紧急服务），监管机构可能要求神经网络目前无法提供的可解释行为。

可能的妥协方案：对于性能关键但非安全关键的功能（吞吐量优化、波束管理）采用AI原生，对于安全关键信令（紧急呼叫、V2X碰撞避免）保留经典算法作为后备。

标准化差距

3GPP Release 20研究项目正在探索空中接口的AI应用，但共识正在向第一个6G标准的AI辅助配合经典后备方向收敛。完全AI原生——即给定功能不存在经典算法——是Release 22+的愿景，可能在6G Advanced时间框架（2033-2035年）中实现。6G标准化时间线提供了这些里程碑的更多细节。

AI原生RAN的关键技术障碍包括微秒级推理延迟、训练数据稀缺（域差距问题）、安全关键功能的神经网络可解释性，以及标准化差距——完全AI原生目标为3GPP Release 22+（2033-2035年）。

从6G到7G：AI作为协议

如果6G使AI成为特定无线电功能的原生部分，那么7G预计将使AI成为整个协议栈的原生部分。与其为信道估计、波束成形和调度训练单独的模型，统一的基础模型将管理完整的无线电链——感知环境、决定传输什么、选择如何调制，并实时适应。

这有时被称为"认知原生网络"——网络不仅仅根据规则处理数据，它理解上下文、预测结果并做出决策。7G网络知道一个走向建筑入口的用户将在三秒内需要切换到室内小基站，并在用户到达门口之前开始切换。

今天的AI-RAN演示与这一愿景之间的差距是巨大的。但MWC 2026证明了第一步——用神经网络替换单个经典功能——在商业规模上是有效的。剩下的就是工程、资金和时间。如需更广泛地了解6G和7G的比较，请参阅我们的详细分析。

7G设想"认知原生网络"——一个管理整个协议栈（从信道估计到调度）的统一基础模型。与6G的功能特定AI不同，7G将AI作为协议本身，预测用户行为并实时适应。

参考来源

1. NVIDIA电信 — AI-RAN联盟公告和NVIDIA Aerial平台详情，MWC 2026
2. Ericsson AI-RAN — 神经无线电产品组合和定制芯片AI加速器规格
3. DeepSig — OmniPHY-5G AI原生空中接口演示和技术规格
4. AI-RAN Alliance — AI原生RAN标准的行业机构、成员和技术路线图
5. 3GPP — Release 20空中接口AI/ML研究项目，AI原生功能标准化时间线
6. Rohde & Schwarz / NVIDIA — 神经接收器的数字孪生训练和测试方法