3GPP 的 AI 进化论（篇四）：AI-Native 6G——从工具到基因

奥格瑞科技 空天一体｜AI × 蜂窝标准系列 · 完结篇

【导读】前三篇我们完整梳理了 AI 在 3GPP 中从”暗线涌动”到”全面渗透”的演进脉络：SON 播下种子 → NWDAF 立足核心网 → Rel-18 首入空口物理层 → Rel-19 扩展至全栈。但坦率地说，目前 3GPP 的 AI 工作本质上仍然是”把 AI 当工具，嵌入现有架构”。真正的终局，可能是另一种更激进的范式——AI-Native。

十、从 AI-for-Network 到 AI-Native Network

先厘清两个概念：

目前 3GPP Rel-15 到 Rel-19 做的，都是第一种——AI for Network。空口的 CSI 压缩是”增强”、波束预测是”增强”、NWDAF 是”辅助决策”。底层的 OFDM 波形、帧结构、协议栈分层，全都没变。AI 是被”请来”的客人，住在已有的房间里。

而 AI-Native 的野心完全不同：如果我们从零设计一个通信系统，且假设训练数据和推理算力充裕，那这个系统应该长什么样？

全球多个研究组织已经在描绘这个蓝图：

10.1 端到端学习的空口

传统空口是一条精心设计的 DSP 流水线：

信源 → 信源编码 → 信道编码 → 调制 → OFDM → 信道 → 解调 → 信道解码 → 信源解码 → 信宿

每个模块都有独立的数学最优解（如 Turbo/LDPC 码逼近香农极限、QAM 调制的最优星座点等）。但这些模块是独立优化的，并非联合最优。

AI-Native 的思路是：用一个端到端的神经网络直接学习从”发送比特”到”接收比特”的最优映射，中间的编码、调制、均衡等功能全部隐含在网络权重中——不再需要人类工程师手动设计每一个模块。

这听起来很疯狂，但学术界已经有了初步验证。2017 年 O’Shea 和 Hoydis 发表的论文 “An Introduction to Deep Learning for the Physical Layer” 首次展示了用自编码器实现端到端通信的可行性。此后，语义通信（Semantic Communication） 的研究更是把这个思路推向了极致——不再传输比特，而是传输”语义”（即对接收端任务有用的信息）。

10.2 AI 驱动的资源管理

在 AI-Native 架构中，资源管理不再依赖预定义的规则或查找表：

• 调度：不再是 Proportional Fair 或 Max C/I 等固定算法，而是一个根据实时信道、队列状态和 QoS 约束做出决策的强化学习（RL）智能体
• 功率控制：不再是开环/闭环公式的简单叠加，而是根据全局干扰图谱做出的联合优化
• 频谱共享：多系统并存时，AI 可以根据实际使用模式动态协商频谱，而非静态分频

10.3 自演进网络

或许最有想象力的部分：AI-Native 网络可以”自我进化”。当网络环境变化（新建筑、新用户模式、新业务类型）时，网络不是等待人类工程师手动调参或升级版本，而是通过持续学习自动适应。这就是 SON 当年的愿景的终极形态——只不过二十年后，我们终于有了实现它的技术手段。

十一、现实的重力：AI-Native 离我们多远？

必须泼一盆冷水。AI-Native 面临的挑战是系统性的：

11.1 可解释性

通信系统是受监管的关键基础设施。当一个”黑箱”模型做出了导致用户掉线的决策时，运营商需要能够解释原因。这不是技术问题，而是合规要求。在目前的深度学习范式下，可解释性仍然是业界公认的难题。

11.2 算力与功耗

手机终端的 AI 推理能力受限于芯片面积和电池容量。Rel-18 的 CSI Encoder 已经需要在 UE 侧跑一个不算小的神经网络了。如果未来空口的每一个功能模块都要跑 AI，终端的算力和功耗负担将指数级增长。

11.3 标准化的悖论

AI 的核心优势在于差异化——每家公司都想用自己独特的模型和数据来获得竞争优势。而标准化的核心目标是统一化——确保不同厂商的设备互通。这两者之间存在根本性张力。

3GPP 在 Rel-18/19 中采取的策略——标准化接口和框架，不标准化模型本身——可能是当前最好的折中。但长期来看，AI-Native 架构是否需要一种全新的”标准化哲学”，这仍然是开放问题。

11.4 香农极限的”天花板”

一个不太常被讨论的事实：在传统通信模块链条中，信道编码已经接近了香农容量极限（5G 的 LDPC/Polar 码距离香农极限不到 1 dB），调制方案也已经相当成熟。AI 端到端学习可能在特定的短码、特殊信道或语义层面获得增益，但在经典的 AWGN 信道长码场景下，它很难超越几十年来数学家们打磨的最优方案。

这意味着 AI-Native 的真正价值，可能不在于”性能更好”，而在于”适应性更强”——在非理想、时变、复杂的真实环境中，AI 可以做到传统算法做不到的灵活应变。

十二、写在后面：一张全景图

回顾整个系列，AI 在 3GPP 中的渗透轨迹已经非常清晰：

如果用一句话总结 3GPP 对 AI 的态度，那就是：

不追热点、不冒进、不放弃。用标准化组织特有的稳健节奏，把 AI 从”厂商黑盒”变成”产业公器”。

这个过程不性感，不会上热搜，但它决定了十年后你手机里的那颗基带芯片，到底是跑着一堆互不兼容的私有 AI 模型，还是运行着一套全球互通的智能通信协议。

下一个系列，我们或许可以拿着放大镜深入其中一个用例——比如 CSI 反馈的自编码器到底长什么样，它的训练数据从哪里来，仿真中到底跑出了多少增益。敬请期待。

📚 本系列核心参考资料

1. 3GPP TR 38.843: Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface — 空口 AI 三大用例的系统性研究报告
2. 3GPP TR 37.817: Study on enhancement for data collection for NR and EN-DC — NG-RAN 侧 AI/ML 数据采集与用例研究
3. 3GPP TS 23.288: Architecture enhancements for 5G System to support network data analytics services — NWDAF 的核心规范
4. 3GPP TS 23.501: System architecture for the 5G System — 5GC 完整架构定义（含 NWDAF 位置）
5. 3GPP TS 38.300 / TS 38.331 (Rel-18): AI/ML 功能的空口协议与 RRC 信令相关规范
6. T. O’Shea & J. Hoydis, “An Introduction to Deep Learning for the Physical Layer,” IEEE Trans. on Cognitive Communications and Networking, 2017 — 端到端学习空口的里程碑论文

作者专注空天一体化与卫星通信技术。公众号「奥格瑞科技 空天一体」，带你用工程师视角看天地融合。