AI原生6G：从网络到智能结构
“网络语言模型”将协调智能组件、计算基础设施、接入点、数据中心等之间的复杂交互。
作者：Imen Grida Ben Yahya, Ejaz Sial, Kaniz Mahdi
2025年12月1日
8分钟阅读
想象一个世界，你的网络在你需要之前就能预判你的需求。在那里，连接不仅快速，而且智能、自适应且无形。每个人都能获得数字体验。这就是6G的愿景。与以往专注于提高速度和容量的移动通信技术不同，6G将从根本上重新构想网络的可能性。除了其他进步（集成感知与通信、地面与非地面网络的无缝融合）之外，它构想了首个AI原生的无线技术世代，将智能嵌入从设备到云基础设施的每一层。这些不再是仅仅提供连接的网络；它们将是意图驱动、可验证安全、自我优化的结构，能够理解你试图实现的目标，确保操作保持安全和可信，并持续学习和适应。
在本博客中，我们介绍某机构实现AI原生网络的架构方法，这是定义6G时代的基础能力。
6G的不同之处
3G通过语音和基础数据连接人与人，4G带来了移动宽带，5G实现了超低延迟的海量机器连接，而6G将从底层开始就是AI原生的，成为一种分布式的计算与通信结构，将智能像公共设施一样嵌入日常生活。这些AI结构将管理智能组件、计算基础设施、网络节点、接入点、数据中心、网络AI代理以及系统与其动态环境之间的复杂关系。
为了驾驭这些关系，我们需要从根本上重新思考设计和运营系统的方式。管理AI结构的复杂性需要：(1) 在资源受限的异构环境中进行实时持续优化；(2) 将工作负载和智能分布到多个系统和地理区域；(3) 治理框架。这代表了从“网络覆盖AI”向“融合在网络栈所有层的AI”的转变。
从语言模型到网络语言模型
基础模型——在海量数据集上以自监督方式训练的大型预测模型，如大型语言模型——正在扩展到文本、图像和语音之外。KumoRFM将企业关系数据作为时间异构图进行操作，实现跨数据库的零样本预测。Chronos-2将时间序列预测建模为序列建模。DeepFleet基于真实机器人运动数据对时空机器人舰队动态进行建模。网络语言模型将类似技术应用于网络数据。
这需要处理异构模态：高频遥测时间序列（吞吐量、延迟、抖动）、网络图拓扑（节点、链路、路由表）、离散事件序列（警报、状态转换）以及结构化配置数据（策略、参数、规则）。
NLM的开发分阶段进行：NLM的开发从在广泛文本语料上训练的通用大型语言模型开始，通过剪枝、量化和知识蒸馏等压缩技术扩展到更小、更高效的模型，从而能够在边缘资源约束下部署。然后，这些模型可以通过在网络相关语料上进行领域特定微调来专业化，以支持配置生成、日志分析、告警关联和故障排除等任务。
下一阶段引入多模态架构扩展，其中时间编码器（如时间卷积网络或基于Transformer的时间序列模型）处理遥测流，基于图的编码器（如图神经网络或图注意力网络）表示拓扑和依赖关系，结构化数据编码器整合配置模式和策略逻辑，并通过跨模态注意力机制集成这些异构模态。
最后，高级阶段增加操作智能层，例如受策略约束引导的强化学习框架，以确保决策始终符合操作、监管或安全要求；以及联邦或分布式学习架构，在保护数据主权和机密性的同时，支持跨多个提供商的模型训练。在此规模下确保可信赖性还需要通过自动推理进行形式化验证。
通过联邦NLM实现的网络智能结构
通过这一演进过程，网络语言模型通过对多样化网络数据集的持续预训练发展出深厚的领域专业知识，学习协议语义（例如边界网关协议收敛模式和第三代合作伙伴计划信令流）、时间因果关系（配置更改如何通过网络状态传播）以及跨域依赖关系（例如无线接入网-核心网-传输耦合）。
成熟的NLM与在网络数据上微调的语言模型有三个架构上的区别。首先，在NLM中，交叉注意力机制支持对时间序列、图、文本和结构化数据的联合推理。其次，NLM在基于强化学习的定制过程中使用约束满足层和奖励塑形来强制安全性并验证可行性，而不仅仅依赖于语言模型的统计似然性。第三，联邦学习架构使服务提供商能够在本地数据上训练，共享梯度更新或模型参数，从而在不集中数据的情况下实现跨提供商的智能。
当与用于检索增强生成的信息存储库、编码实时拓扑状态的图数据库、捕获协议语义的知识图谱以及代理间通信框架集成时，NLM形成了一个网络智能结构——一个分布式的推理系统，通过策略执行层维护操作防护栏，同时实现跨域优化。
这种架构适用于四阶段部署计划：
- 第一阶段：通过数字孪生实现对专有网元管理系统的闭环自动化，创建可编程黑盒来监控和预测网络行为。
- 第二阶段：利用标准化接口进行跨域控制，将网络转变为开放的可编程系统。
- 第三阶段：部署联邦NLM，通过自主代理实现多提供商协作，同时维护治理边界。
- 第四阶段：通过上下文推理、动态服务发现以及跨提供商和管辖区域的灵活代理关联，实现完全自主的资源编排，构建超组合网络。
最终状态是一个分层的“结构之结构”——本地自主的智能框架通过NLM中介协议进行联邦，以实现全局优化目标，同时保持法规遵从和治理边界。
超组合网络：我们的目标架构
某机构对6G的目标架构以网络系统为中心，这些系统根据其所服务的消费者和业务目标，在正确的地点和时间动态组合精确类型和大小的计算、存储、网络、数据和AI资源。这代表了上述第四阶段演进：跨提供商和管辖区域的完全自主资源编排。
这一愿景基于十个架构原则，所有这些原则都依赖于NLM：
- 模型驱动抽象：将遗留系统统一到跨所有规模的一致接口。
- 模型驱动控制：实现感知-辨别-推断-决策-行动模式，NLM处理认知功能，同时保持感知和行动的分布式。
- 上下文推理：整合本地状态、全局拓扑、历史模式和预测，以在约束下进行优化。
- 协作智能：通过多代理系统涌现，其中真正的跨域优化需要自主代理之间的协调。
- 灵活代理关联：能够基于目标和策略动态形成联邦。
- 动态发现：随着基础设施的演进，持续探测新的服务和资源。
- 自适应协议演进：在支持既定标准的同时，实现协议版本之间的运行时协商和转换。
- 多域联邦：协调跨信息物理系统、电信网络和云平台，同时维护领域治理。
- 可重复模式：使优化策略能够通过学习跨领域迁移。
- 分形涌现：描述这些模式如何在多个尺度上重复，从单个网络功能到多提供商编排，创建自组织的分层“结构之结构”。
前进之路
实现这一愿景需要构建NLM，通过多模态训练流程和联邦学习架构，并与用于可验证安全性的自动推理相集成。然后，这些NLM将赋能网络智能结构，从闭环自动化过渡到跨标准化接口的多代理协作，同时维护治理边界。最终目标是超组合网络——自适应的计算与通信系统，通过多维度的“结构之结构”在正确的地点和时间提供正确类型和大小的资源，这些结构在全球范围内自组织同时保持本地自主——成为意图驱动、可验证安全、自我优化的结构。FINISHED
