3GPP 6G与AI融合场景介绍:AI赋能6G网络优化

• 场景描述

对应研究报告中的6.4 System performance optimisation using AI。在传统移动网络中，很多网络参数通常依赖预设规则或相对固定的策略进行配置。例如，终端需要按照一定周期进行位置更新，网络也会根据既定机制进行寻呼、注册管理和资源规划。这种方式在用户行为较稳定、业务类型较单一的情况下能够满足基本需求。但在 6G 场景中，终端类型、移动模式、业务需求和网络状态都会更加复杂，固定策略很难长期适配所有情况。

• 先决条件

近年来远程办公、在线学习等不涉及频繁移动的活动越来越多。在这类场景中，很多 UE 会长时间停留在固定区域，例如用户长期在家办公，终端位置变化很小。对于这类低移动性终端，如果仍然按照统一周期进行位置更新，就会产生不必要的信令和资源消耗。因此，网络需要具备识别终端移动模式的能力。通过 AI 分析历史位置、移动轨迹、UE 类型和使用习惯，网络可以判断某些终端是否处于低移动状态，并据此优化位置注册和跟踪参数。

同时，用户的未来位置可能与历史模式不同，但这种变化可以提前被终端感知。例如，用户平时在家办公，但今天下午三点需要去市中心参加客户会议，并需要乘坐地铁前往。此时，仅依靠网络侧历史数据可能无法准确预测这一异常移动行为，终端侧 AI 可以基于日程、位置计划或用户上下文识别这一变化，并将相关信息提供给网络，辅助网络提前调整移动性管理策略。

先决条件可以概括为三点：

1. 网络侧具备 AI-enabled 网络功能，能够分析 UE 历史行为和移动模式；

2. UE 侧具备一定 AI 能力，能够识别当前或未来位置相关信息；

3. 网络与 UE 之间可以在满足隐私、监管和用户授权的前提下，协同选择通信参数。

• 场景描述

对应研究报告中的 6.54：AI-optimised smart call assistance for telecom networks。场景关注的是 6G 网络如何利用 AI 能力提升语音和视频通话质量。在该场景中，运营商将 AI-powered smart call assistance 服务集成到 6G 网络中。网络侧 AI 可以根据实时网络状态、用户意图和历史数据，对语音或视频通话质量进行动态优化。例如，当网络检测到通话中可能出现掉话、时延升高、抖动增大或语音质量下降时，网络中的 AI Agent 可以主动分析原因，并生成相应的优化方案。该服务可利用 6G 网络中的 AI Agent 主动增强通话体验，包括减少掉话、降低时延和抖动等。

• 先决条件

运营商网络已经具备 AI-powered 6G 网络能力，这类能力可以通过网络中的 AI Agent 来体现。AI Agent 需要能够分析实时通话质量指标，预测潜在的质量下降风险，生成优化建议，执行相应调整，并根据用户体验反馈判断是否需要更新模型。同时，UE 也需要具备一定的 AI 辅助通话质量增强能力。AI 驱动的通话质量优化主要由网络侧完成，UE 更多承担实时感知、反馈和辅助触发的角色。

此外，这一场景还依赖历史数据和实时数据的结合。AI 模型需要基于历史通话数据和网络数据完成训练，并在实际通话过程中结合当前网络条件进行实时优化。对于 UE 侧用户体验数据的采集和共享，文稿也特别强调需要满足监管要求和用户授权。如果 UE 支持 QoE 反馈上报，还需要向用户提供清晰的开关控制，使用户能够选择启用或关闭该功能。

先决条件可以概括为四点：

1. 6G 网络具备 AI4NET 能力，网络侧部署能够支撑通话质量优化的 AI Agent；

2. 网络 AI Agent 能够分析实时质量指标、预测质量劣化、生成优化方案，并根据反馈决定是否更新模型；

3. UE 具备 AI 辅助感知能力，可以实时检测通话条件和用户体验；

4. 历史通话数据、网络数据和 UE 侧 QoE 反馈能够在满足监管和用户授权的前提下被用于模型训练和实时优化。

• 关键流程

用户通过运营商网络发起语音或视频通话。通话开始后，UE 中部署的 AI 能力会实时监测通话条件和用户体验，分析抖动、丢包、背景噪声等因素。如果 UE 侧 AI 判断当前通话质量出现下降，或者存在明显劣化风险，UE 可以向 6G 网络请求进行调整。

6G 网络中的 AI Agent 会基于当前网络状态和通话质量数据生成优化方案。包括动态调整编解码方式、增加带宽分配、提升分组优先级等。网络 AI Agent 将调整响应发送给 UE，并对优化效果进行验证。文稿中提到，可以利用网络数字孪生等方式验证优化效果。因为 AI 生成的优化策略不能只停留在“提出建议”，还需要通过网络侧验证机制判断其是否真正改善了通话体验，避免盲目调参带来新的问题。

通话过程中 UE 继续收集用户体验相关数据。如果调整之后用户仍然感受到通话质量较差，UE 可以继续向网络 AI Agent 反馈。同时，网络 AI Agent 也会在网络层面持续分析与通话质量相关的数据。

通话结束后，UE 可以汇总本次通话过程中的 QoE 指标。如果整次通话质量持续较差，UE 可以通知网络 AI Agent。网络 AI Agent 根据 UE 反馈和全网监测结果，判断是否需要进一步分析，甚至更新相关 AI 模型。如果网络 AI Agent 发现某类问题正在影响多个用户，也可以触发更深入的分析和模型更新。

• 场景描述

对应研究报告中的6.60 AI trajectory prediction for emergency/rescue scenarios。场景关注的是 6G 网络如何利用 AI 轨迹预测能力增强位置服务，特别是面向紧急救援、老人看护、户外徒步等高风险场景。在传统位置服务中，网络通常依赖 UE 与网络之间的持续连接来获取位置信息。一旦终端进入弱覆盖区域、失去网络连接，或者设备因故障、电量耗尽等原因无法继续通信，救援中心就可能失去对目标用户的实时跟踪能力。

当用户授权救援中心访问其位置数据后，6G 网络可以在终端失联或定位失败时，基于最后已知位置、历史移动模式、速度、路线、地形、建筑物地图等信息，利用 AI 生成用户可能所在区域或潜在移动轨迹。例如，网络可以判断目标用户可能仍在最后已知位置附近 1 公里范围内，并沿某条山路继续移动。6G 网络不只是提供“最后一次定位结果”，而是进一步利用 AI 推理能力对用户后续位置进行预测，让位置服务从实时定位向连续推断的能力扩展。

• 先决条件

场景首先要求目标用户具备支持 6G 的终端设备，并且设备已经开启位置服务。其次，用户需要向救援中心或救援协调中心授权，使其能够访问用户的位置数据。这种授权可以被启用，也可以被关闭。该场景并不是无条件地采集和使用个人位置数据，而是需要建立在用户许可、监管要求和安全机制基础之上。

同时，6G 网络需要具备周期性接收和存储位置相关信息的能力。在终端仍处于网络覆盖范围内时，网络可以周期性接收来自设备的位置数据，为后续可能发生的应急预测提供基础输入。除了网络和 UE 自身信息之外，该场景还可能需要结合授权第三方信息，例如旅游区域地形、灾害区域数据、建筑物地下空间地图、徒步路线等，以提升轨迹预测的准确性。

先决条件可以概括为四点：

1. 目标用户携带具备 6G 能力的终端，并开启位置服务；

2. 用户向救援中心或救援协调中心授予位置数据访问权限；

3. 6G 网络能够在正常覆盖状态下周期性获取并维护用户位置数据；

4. 网络能够在授权范围内融合 UE 信息、网络信息和第三方环境信息，用于紧急场景下的 AI 轨迹预测。

• 关键流程

用户 E 在徒步过程中即将失温，手机也快要耗尽电量。此时，用户通过 UE 联系救援协调中心，并授权 6G 网络向救援协调中心共享其位置数据。

在终端仍处于网络覆盖范围内时，6G 网络会周期性接收来自设备的位置数据。这些数据可以构成用户近期移动轨迹，并为后续位置预测提供基础。终端突然失去网络连接，用户无法继续与救援协调中心通信。此时，救援队失去了对用户的实时位置跟踪能力。如果只依赖传统定位方式，系统可能只能提供最后一次已知位置，搜索范围仍然较大。

6G 网络基于最后存储的位置数据和 AI 轨迹预测能力，生成目标用户可能所在区域。预测过程可以结合用户速度、历史位置模式、徒步路线、地形信息、建筑物地下地图等因素。最后，救援协调中心或救援队利用网络生成的预测结果开展搜救。预测结果可以帮助救援人员缩小搜索范围、确定优先搜索路线。