Искусственный интеллект меняет мобильные сети на гораздо более глубоком уровне, чем просто добавление более умного программного обеспечения для мониторинга. За более чем десятилетие эволюции мобильных сетей ИИ прошёл путь от автономного анализа данных в эпоху 4G до оптимизации в реальном времени в 5G, более глубокого интеллекта с замкнутым циклом в 5G-Advanced и возникающего видения 6G с ИИ как неотъемлемой частью. Сама сеть постепенно превращается из пассивной системы транспортировки данных в инфраструктуру, способную ощущать условия, прогнозировать изменения, распределять ресурсы, выявлять неисправности и адаптировать своё поведение.

Для операторов и предприятий этот переход меняет подходы к проектированию и управлению сетями. Будущая производительность будет зависеть не только от пропускной способности, радиопокрытия и аппаратной ёмкости, но и от того, насколько эффективно вычислительные ресурсы, данные, модели ИИ, радиоресурсы и операционные политики могут работать вместе. Понимание этого прогресса помогает объяснить, почему ИИ становится фундаментальной частью сетевой архитектуры, а не просто очередной программной функцией.

Как развивался сетевой интеллект

Взаимосвязь между ИИ и мобильной связью развивалась вместе с каждым поколением сетевых технологий. Важное изменение заключается не просто в том, что алгоритмы стали более сложными. Интеллект постепенно приближался к самой сети, а время между наблюдением за условием и реакцией на него сократилось.

Этот прогресс можно обобщить как сдвиг от размещения ИИ вне сети к тому, что интеллект становится частью принципов работы сети. В 4G ИИ в основном интерпретировал исторические данные. В 5G интеллект приблизился к радиоресурсам и начал влиять на оптимизацию. С 5G-Advanced ИИ может участвовать в большем количестве звеньев операционной цепочки. Будущие концепции 6G идут дальше, учитывая интеллект на этапе проектирования протоколов, управления ресурсами, вычислений и радиархитектуры.

Почему 4G мог только помогать

Основной целью эпохи 4G было расширение мобильного широкополосного доступа и обеспечение более быстрого доступа в Интернет. Сетевая архитектура, базовые станции, транспортная инфраструктура и операционные процедуры были разработаны в первую очередь для надёжной передачи данных, а не для встроенного интеллекта.

Поэтому ИИ работал в основном вне активной сети. Типичные приложения включали статистику трафика в бэкенде, классификацию аварий, маркировку жалоб клиентов, периодическую отчётность и анализ исторических тенденций. Эти функции могли помочь инженерам понять, что произошло, но обычно они не меняли поведение сети во время происходящего события.

Оптимизация сети оставалась в высокой степени зависимой от инженерных команд. Параметры сот, отношения с соседними сотами, пороги мощности, условия помех и настройки мобильности корректировались с помощью инженерных инструментов и эксплуатационного опыта. Когда трафик резко менялся между днём и ночью или когда деловые районы и транспортные узлы испытывали предсказуемые пики, сетевые ресурсы часто продолжали работать согласно предопределённым конфигурациям.

Архитектурное ограничение было существенным. Без широко распределённых периферийных вычислений и интеллектуальной обработки рядом с радиоборудованием ИИ не мог непрерывно собирать локальные условия, быстро принимать решения, корректировать параметры и проверять, улучшают ли эти корректировки производительность. Интеллект в основном поддерживал анализ, а не создавал полный цикл оптимизации.

Тем не менее, этот период создал важную основу. Операторы накопили большие объёмы данных о производительности сети, аварий, записей трафика и эксплуатационного опыта. Эти наборы данных позже стали ценными, когда вычислительные ресурсы приблизились к сети, а модели машинного обучения получили возможность действовать на основе информации гораздо быстрее.

Периферийный интеллект меняет 5G

Эра 5G принесла гораздо более требовательную среду эксплуатации. Видео высокого разрешения, облачные приложения, подключённые устройства, промышленные терминалы и всё более разнообразные требования к услугам породили большее количество переменных, которыми инженерам приходилось управлять. Традиционная оптимизация, основанная в первую очередь на фиксированных алгоритмах и ручном вмешательстве, стала сложнее масштабироваться.

Одним из важных изменений стало перемещение вычислительных мощностей к периферии сети. Вместо отправки каждого набора данных на удалённую центральную платформу для последующей обработки, периферийные системы могут анализировать информацию ближе к пользователям и радиоресурсам. Это делает возможным гораздо более быстрое наблюдение и реагирование.

Системы с поддержкой ИИ могут непрерывно анализировать такую информацию, как состояние каналов, уровни помех, распределение пользователей, модели мобильности и загрузку сот. При достаточной отзывчивости периферийной обработки некоторые виды анализа могут выполняться на миллисекундных интервалах, а не полностью полагаться на задержанные автономные отчёты.

Это создаёт практические возможности для автоматизированной оптимизации. Система может выявлять неравномерный трафик между соседними сотами и поддерживать балансировку нагрузки, оценивать перемещение пользователя до того, как произойдёт хэндовер, направлять пользователей к более подходящим ресурсам или распознавать паттерны, связанные с помехами.

Плотные городские районы, транспортные системы, кампусы, окрестности стадионов и другие места с высоким трафиком могут особенно выиграть от этого подхода, потому что условия сети быстро меняются и их трудно управлять только с помощью статических настроек.

Однако интеллект в обычном 5G не следует автоматически рассматривать как полностью автономную сеть. Многие базовые протоколы и аппаратные платформы изначально не были спроектированы для управления с помощью ИИ. ИИ часто поддерживает отдельные функции, в то время как инженеры продолжают определять политики, проверять результаты и вмешиваться, когда условия выходят за пределы ожидаемых паттернов.

Крупные мероприятия, суровая погода, необычные строительные среды, неожиданные радиопомехи или внезапные изменения трафика всё ещё могут создавать ситуации, когда обученным моделям не хватает контекста для принятия надёжного решения. Поэтому человеческий надзор остаётся важной частью практической эксплуатации 5G.

5G-Advanced создаёт более глубокую обратную связь

5G-Advanced представляет собой ещё один шаг вперёд, поскольку интеллект может быть внедрён в большем количестве частей сквозной сети, а не ограничен изолированными функциями оптимизации. Радиодоступ, транспорт, функции ядра сети, операционные платформы и вычислительные ресурсы могут всё чаще обмениваться данными, поддерживающими скоординированный анализ и принятие решений.

Результатом является постепенный переход от реактивного обслуживания к прогнозной эксплуатации. Вместо ожидания, когда отказ оборудования, сильная перегрузка или ухудшение качества обслуживания станут заметны пользователям, аналитические модели могут искать паттерны, указывающие на возрастающий риск.

Поведение оборудования, состояние каналов, развитие трафика, исторические аварии и другая операционная информация могут оцениваться совместно. Когда система обнаруживает развивающуюся аномалию, она может рекомендовать или инициировать действие до того, как состояние станет серьёзной проблемой обслуживания.

Радиооптимизация — ещё одна важная область. Управление лучами с поддержкой ИИ может помочь сфокусировать радиоресурсы в соответствии с изменяющимся распределением пользователей и условиями распространения. Интеллектуальное управление помехами может улучшить использование спектральных ресурсов, а прогнозирование трафика может поддержать более динамичное распределение ёмкости.

Энергоэффективность также может стать частью того же процесса принятия решений. Мобильный трафик следует узнаваемым паттернам в деловых районах, жилых зонах, транспортных узлах, кампусах и промышленных зонах. Изучая эти паттерны, интеллектуальная система может определять периоды, когда некоторые ресурсы могут работать на сниженных уровнях энергии при сохранении требуемого уровня обслуживания.

В сценариях частных сетей тот же подход может поддерживать различные операционные приоритеты. Промышленная автоматизация может делать акцент на предсказуемой задержке и надёжности, медицинские приложения могут требовать стабильного обслуживания для критической связи, в то время как связь на малых высотах и мобильная робототехника могут вводить быстро меняющиеся требования к покрытию и мобильности.

Более широкую концепцию можно рассматривать как двустороннюю связь между ИИ и сетью. ИИ для сетей, часто описываемый как AI4Net, использует искусственный интеллект для улучшения работы сети. Сети для ИИ, или Net4AI, рассматривают, как коммуникационная инфраструктура может обеспечивать связь, вычисления и координацию ресурсов для приложений ИИ, работающих на устройствах, периферийных узлах и облачных платформах.

6G проектируется вокруг интеллекта

Долгосрочное видение 6G выходит за рамки добавления дополнительных функций ИИ в существующую архитектуру связи. Современные концепции всё чаще рассматривают связь, зондирование, вычисления и искусственный интеллект как тесно связанные возможности, которые могут быть спроектированы вместе с самого начала.

Это различие важно. Предыдущие поколения были в первую очередь коммуникационными сетями, которые позже приобрели интеллектуальные функции. Архитектура с ИИ как неотъемлемой частью, напротив, предполагает, что распределённое обучение, интеллектуальное принятие решений, координация ресурсов и автономная адаптация могут быть фундаментальными сетевыми возможностями.

Одно из ожидаемых направлений — многоуровневый интеллект, распределённый по терминалам, периферийным узлам, базовым станциям и облачным платформам. Локальное устройство может принимать немедленное решение, используя близлежащие данные, периферийная система может координировать ресурсы в ограниченной области, в то время как системы более высокого уровня анализируют более широкие сетевые условия и долгосрочные тенденции.

Такая иерархия может снизить необходимость отправлять каждое решение на централизованную платформу. Это также позволяет сети по-разному реагировать в зависимости от того, насколько быстро должно быть принято решение и сколько данных доступно в каждом месте.

Семантическая связь

Семантическая связь — одна из концепций, часто ассоциируемых с будущими интеллектуальными сетями. Обычная связь сосредоточена на точной передаче битов из одной точки в другую. Семантические подходы исследуют, могут ли общающиеся системы обмениваться информацией, наиболее значимой для задачи, вместо постоянной передачи всех исходных элементов данных.

Для приложений «машина-машина» это могло бы сократить ненужную передачу данных, когда обе стороны понимают цель и соответствующие характеристики. Такой подход может стать ценным для приложений, включающих дополненную реальность, автономные системы, роботов и большое количество интеллектуальных устройств.

Интеллектуальные радиосреды

Переконфигурируемые интеллектуальные поверхности, обычно обозначаемые как RIS, представляют собой ещё одно перспективное направление. Вместо того чтобы рассматривать беспроводную среду как полностью фиксированную, RIS может быть спроектирована для влияния на распространение электромагнитных волн.

ИИ мог бы помочь определить, как следует настраивать такие поверхности в зависимости от пользователей, препятствий, помех и требований к обслуживанию. В подходящих условиях эта концепция может помочь улучшить покрытие в сложных зонах или влиять на распространение без опоры только на дополнительную обычную радиосвязную инфраструктуру.

Эти технологии остаются частью развивающегося ландшафта 6G, а не готовой универсальной сетевой архитектурой. Их важность заключается в более широком направлении проектирования: ожидается, что будущие сети станут более способными адаптировать коммуникационные ресурсы, вычислительные ресурсы и радиосреду в соответствии с требованиями приложений.

Построение стратегии сети на основе ИИ

Переход к интеллектуальным сетям не требует от операторов замены всей сети сразу. Более практичный подход — внедрять интеллект там, где уже существуют надёжные данные, чёткие операционные цели и управляемые сетевые функции.

Первое требование — видимость. ИИ не может принимать полезные решения без достоверной информации о трафике, радиусловиях, состоянии оборудования, неисправностях, поведении пользователей и использовании ресурсов. Поэтому данные должны собираться последовательно, синхронизироваться при необходимости и связываться с операционным контекстом, в котором они были созданы.

Второе требование — распределённые вычисления. Некоторые решения могут допускать задержки в секунды или минуты и обрабатываться централизованно. Другие, особенно связанные с мобильностью или радиооптимизацией, могут требовать обработки гораздо ближе к периферии сети. Поэтому эффективная архитектура должна определять, какой интеллект принадлежит облаку, региональной инфраструктуре, периферийным узлам или сетевому оборудованию.

Третье требование — управляемая автоматизация. Прогнозирование проблемы отличается от разрешения модели изменять параметры работающей сети. Операторам необходимы политики, определяющие, какие действия могут выполняться автоматически, какие требуют утверждения, а какие должны оставаться под прямым инженерным контролем.

Затем можно постепенно внедрять замкнутый цикл управления. Система сначала наблюдает за условием, анализирует доступные данные, выбирает действие, применяет изменение, измеряет результат и использует этот результат как дополнительную информацию для будущих решений.

Безопасность также становится более важной по мере распределения принятия решений. Модели ИИ, API, сетевая телеметрия, периферийные платформы и интерфейсы автоматизированного управления могут стать частью операционного периметра безопасности. Поэтому аутентификация, авторизация, целостность данных, управление моделями, ведение журналов, механизмы отката и ручное переопределение должны рассматриваться как часть архитектуры, а не добавляться после развёртывания.

Ещё один важный вопрос — энергопотребление. Модели ИИ требуют вычислительных ресурсов, а дополнительные вычисления сами по себе могут потреблять значительную энергию. Поэтому стратегия интеллектуальной сети должна оценивать совокупную выгоду оптимизации, а не предполагать, что большая обработка ИИ автоматически создаёт более «зелёную» сеть.

Наиболее полезные показатели производительности также могут измениться. Традиционные сети часто измеряются по пропускной способности, задержке, доступности, покрытию и производительности на уровне пакетов. Интеллектуальные сети могут требовать дополнительных показателей, таких как точность прогнозов, коэффициент успешной автоматизации, время восстановления, сохранённая энергия на единицу работы, надёжность модели и процент операций, которые могут быть выполнены без ручного вмешательства.

Заключительные замечания

Эволюция от 4G к будущему 6G показывает последовательное направление. В 4G ИИ в основном помогал инженерам интерпретировать исторические данные сети. В 5G периферийные вычисления приблизили интеллект к операциям с радио в реальном времени. 5G-Advanced расширяет эту роль на большее количество частей сети и создаёт более прочные связи между прогнозированием, оптимизацией, управлением энергией и автоматизированным контролем. Будущие концепции 6G нацелены на то, чтобы сделать интеллект частью самой архитектуры.

Это меняет смысл конкурентоспособности сети. Ёмкость, покрытие, пропускная способность и радиопроизводительность останутся важными, но они всё чаще будут действовать наряду с распределёнными вычислениями, интеллектуальным планированием ресурсов, качеством моделей, автоматизацией и автономностью сети.

Переход не произойдёт благодаря одному алгоритму или одному обновлению сети. Он зависит от сочетания коммуникационной инфраструктуры, вычислительной мощности, операционных данных, моделей ИИ, политик автоматизации и инженерного управления. Сети, способные эффективно координировать эти элементы, будут лучше подготовлены к поддержке растущего числа интеллектуальных устройств, автономных систем, промышленных приложений и цифровых услуг, ожидаемых в следующем поколении связи.

Часто задаваемые вопросы

Что произойдёт, если данные, используемые сетевым ИИ, будут неполными или неточными?

Некачественная телеметрия может привести к вводящим в заблуждение прогнозам или неоптимальным решениям по оптимизации. Поэтому сетевой ИИ требует проверки данных, синхронизации времени, обнаружения аномалий и чёткой информации о том, где и как был создан каждый набор данных. Качество данных должно рассматриваться как часть надёжности сети, а не только как аналитическая проблема.

Могут ли операторы внедрять ИИ без замены существующей сетевой инфраструктуры?

Во многих случаях — да. Интеллект может быть внедрён сначала через платформы мониторинга, аналитику, периферийные вычисления, системы оркестровки и отдельные функции, управляемые программно. Степень достижимой автоматизации зависит от того, предоставляет ли существующее оборудование достаточный объём данных, программируемые интерфейсы и безопасные механизмы управления.

Является ли семантическая связь просто ещё одной формой сжатия данных?

Не совсем. Сжатие пытается представить ту же информацию с помощью меньшего числа бит, в то время как семантическая связь сосредоточена на том, может ли получатель получить информацию, необходимую для конкретной задачи. Эти две концепции могут пересекаться, но семантическая связь уделяет больше внимания смыслу и релевантности задаче.

Что следует тестировать перед включением автономных сетевых действий?

Операторы должны проверять модель в нормальных, аномальных и ранее не встречавшихся условиях, определять безопасные операционные границы, тестировать процедуры отката и устанавливать чёткие механизмы ручного переопределения. Автономное управление следует внедрять только после того, как последствия ошибочных решений будут поняты и可控емы (контролируемы).