夜雨聆风
“AI 赋能 6G 网络优化”是3GPP 研究报告TR 22.870 中的第二类典型场景。这类场景关注 AI 如何嵌入网络功能、管理和服务保障流程，使网络能够基于终端行为、业务状态、网络负载和环境变化进行分析判断，从而增强网络的状态感知、趋势预测和策略调整能力。本文将结合三个代表性 use case，介绍场景设计、先决条件和关键流程，并进一步分析其面临的关键挑战。
在从3GPP Release 20看6G与AI融合场景新趋势中，我们基于 3GPP Release 20 研究报告 TR 22.870，对其中与 AI 相关的 use case 进行分类与介绍3GPP 6G与AI融合场景介绍：网络为 AI 应用提供算力与服务。本文继续沿着这一分类框架展开，关注第二类典型场景——“AI 赋能 6G 网络优化”。这类场景关注 AI 如何进入 6G 网络内部，参与网络功能、网络管理、服务保障和终端协同，进而提升系统运行效率、资源使用效率和业务体验稳定性。
面向 6G，网络需要处理的对象会更加复杂。终端形态将扩展到车辆、机器人、可穿戴设备、XR 终端和各类行业设备；业务需求也会从连接和速率扩展到时延、可靠性、连续性、能耗、位置、感知、上下文和用户体验等多维目标。与此同时，用户行为、网络负载和业务状态都具有更强的不确定性。传统依靠固定规则、人工配置和事后调优的方式，很难在复杂动态环境下持续保持较优状态。
因此，TR 22.870 中的这类 use case 强调利用 AI 能力增强网络自身的判断和调节能力。网络可以基于历史数据和实时状态预测终端行为，提前调整移动性管理和资源分配策略；也可以结合终端侧 AI 能力，共同选择更合适的通信参数；还可以利用 AI 对服务质量和用户体验进行持续分析，在问题明显影响业务体验之前完成识别和优化。
图1：AI赋能6G网络系统优化
这类场景将AI 嵌入注册管理、移动性管理、资源规划、参数协商和服务保障等流程之中，使网络具备基于状态感知和趋势预测进行自适应优化的能力。下面选取三个较有代表性的 use case 进行介绍。
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。
关键流程
首先，AI-enabled 网络功能会分析已注册 UE 的历史行为数据。如果系统判断该用户长期处于某一固定区域，例如居家办公，网络就可以认为其短时间内发生大范围移动的概率较低。网络基于分析结果调整通信参数。对于低移动性 UE，网络可以降低周期性位置更新频率，减少不必要的注册和位置管理信令。
当终端侧 AI 发现未来移动状态与历史规律不一致时，可以主动向网络提供辅助信息。例如，用户当天有一个市中心会议，需要从家中移动到地铁站，再进入市区。UE 可以识别这一异常行程，并通知网络。网络收到这一信息后，可以提前调整位置跟踪参数，使移动性管理策略更符合用户当天的实际状态。
在某些隐私敏感场景下，UE 可能不能直接向网络共享具体位置或日程信息。可以通过更间接的方式完成协同：UE 向网络推荐参数设置，或者网络提供一组可选参数范围，由 UE 根据自身 AI 能力和用户上下文选择更合适的选项。
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。
1. AI 判断结果如何进入网络控制流程
移动通信网络是强约束系统，很多流程都有明确的状态机、协议过程和策略规则。AI 可以给出预测结果或优化建议，但这些结果不能直接、无限制地改变网络参数。AI 结果需要与现有策略控制、移动性管理、QoS 管理和安全机制协同。
2. 用户体验指标需要被网络真正理解
在智能通话辅助等场景中，网络优化的目标已经不只是丢包率、时延、抖动等传统 KPI，而是用户真实感受到的 QoE。然而，QoE 并不总是可以被简单量化。相同的网络指标变化，在语音通话、视频会议、XR 交互和应急通信中的影响完全不同；同样的时延或抖动，不同用户的主观感受也可能不同。因此，网络需要建立从底层网络指标到业务体验指标的映射关系，并且能够结合终端反馈、业务类型和用户上下文进行判断。
3. 数据使用与隐私保护
数据越丰富，AI 判断可能越准确，但隐私和合规风险也越高。特别是位置轨迹、用户日程、通话体验、健康或救援相关信息，都属于高度敏感的数据。6G 系统需要在用户授权、最小必要、用途限定和安全保护的基础上使用这些数据，避免为了提升智能化水平而过度采集、过度暴露用户信息。
4. AI 能力的责任边界需要明确
当 AI 用于网络自身优化时，它的输出可能直接影响通信服务质量。比如，AI 判断某个用户低移动，从而降低位置更新频率；AI 判断某个通话需要优化，从而调整资源分配。这些决策背后都涉及责任问题：AI 给出的结果是建议还是控制指令？最终执行由哪个网络功能决定？出现错误时如何追溯？哪些场景必须保留人工确认？这些问题如果不解决，AI 很难从辅助分析真正进入关键网络流程。
这里是6G智能计算网络LAB～
欢迎关注、点赞和分享！
本公众号致力于从多元视角出发，探讨6G智算网络关键技术、前沿成果与未来演进趋势，为相关领域的研究人员提供有富有启发性的思考与有价值的参考。
