0 引言

    面对交互式无线虚拟/增强现实、人机协同作业、全景高清视频直播等新型应用以及沙漠、海洋等多样场景下的通信需求，第六代(The Sixth Generation，6G)移动通信将呈现“空天地”融合通信^[1]、全频谱接入^[2]、异构超密集组网^[3]、云边协同^[4]等特征，但也将导致网络优化和管理难度急剧增大。此外，为了便于移动通信专网与生产制造、交通运输、能源电力等垂直行业深度融合，网络配置和运维方式亟需简化。在此背景下，业界提出引入人工智能(Artificial Intelligence，AI)，利用其强大的预测、决策能力构建智能内生的6G网络^[5]。

    文献[6]针对数据驱动的深度学习(Deep Learning，DL)导致的计算密集以及训练时间长等问题，总结了模型驱动的DL方法在物理层通信中的应用和优势；文献[7]将AI视作实现网络资源优化的关键技术，介绍了AI技术在移动宽带、触觉网络以及无人机网络等多个场景下的应用；文献[8]回顾了深度强化学习(Deep Reinforcement Learning，DRL)方法，深入调研了DRL在通信和组网中的应用，涉及无线缓存、网络接入等；文献[9]按照MAC层、网络层以及应用层对有关研究进行了梳理总结，提炼了AI应用于无线网络的动机和面临的挑战。

    针对AI与无线通信结合的细分领域，本课题组也进行了一些初步探索。为克服基站端配置大规模天线导致信道估计开销过大的问题，文献[10]提出了基于循环神经网络的信道估计方法，利用神经网络强大的学习能力提取信道间的隐藏特征，仿真结果表明所提方法相比传统方法可实现更高的估计精度和鲁棒性。在基于AI的组网技术方面，文献[11]针对蜂窝车联网集中式资源调度时延高以及城区环境遮挡导致车车通信可靠性下降的问题，基于联邦学习和DRL，设计了将车辆终端作为智能载体，根据局部信道、干扰和业务感知状态进行分布式决策的无线资源优化框架，仿真结果证实了所提方法对高动态环境具有良好适应性。在基于AI的智能网络运维方面，课题组在文献[12]中提出了基于深度迁移学习的网络故障诊断方法，可在少量标签数据下实现弱覆盖、强干扰问题的精准探测。

    前述文献均侧重基于AI的网络性能增强方法，但如何从架构设计角度使能网内AI能力，从而更好地支持AI机制的实施仍有待进一步探索。为此，本文接下来将对目前标准化组织、公司和学术界所提智能内生网络架构进行梳理总结，基于此给出一般性的架构特征，接着将探讨智能内生6G架构的典型用例，最后给出相关挑战并总结全文。

本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003400

作者信息:

孙耀华，王则予，袁  硕，彭木根

(北京邮电大学 网络与交换技术国家重点实验室，北京100876)