当AI遇见基站：AI-RAN怎样重塑移动网络？

AI是新时代的电力。 ——吴恩达 (Andrew Ng)

近年来，AI在各行各业掀起变革的浪潮。正如AI领域的先驱吴恩达所言，AI将像电力一样，重塑每一个行业，移动通信行业也不例外。

AI和无线接入网（主要是基站）深度融合的AI-RAN技术，被普遍认为是移动通信网络演进的确定性方向，也是6G的基石之一。

为什么无线网络迫切需要AI？AI又将如何重塑无线网络乃至移动通信行业？下文将尝试回答这个问题。

混沌的信道，理想的模型

无线通信是一个高度混沌的系统。信号在空间传播的过程中，并不像理想实验室那样线性可控，而是受多种外部因素干扰，呈现十分复杂的非线性与动态性。

比如，信号在大气中传播，不可避免地会受到天气变化的影响。雨水、雾气以及空气中的悬浮颗粒物会导致信号衰减和散射，形成非线性路径。

信号也并非畅通无阻，环境中总是充满了各种各样的障碍物。城市中的高楼大厦会反射信号产生多径效应，让信号分裂成通过不同路径到达接收端，造成干扰叠加。

信号还要面临移动带来的影响。高速列车或者城市人群的移动，会使信道状态信息在毫秒级内剧变，导致多普勒频移和时间选择性衰落。

并且，上述这些因素并非孤立存在，而是相互耦合的：一个移动用户在雨天乘车穿过高楼区时，信号路径可能同时涉及反射、散射和速度引起的频移。

这种动态性使无线信道呈现出强烈的非线性特征，即环境的微小变化可能引发信号接收质量的指数级波动。

然而，传统的算法在信号处理时，高度依赖于“模型”和“假设”。

所谓模型和假设，就是指既然实际情况太复杂难以建模，为了使问题可解，我们就必须基于一些理想化的假设，抓住主要矛盾，构建确定可解的公式，结果尽可能逼近真实就好。

这些简化假设的代价显而易见：牺牲了精度和适应性。

传统算法试图用基于香农定理的容量公式（假设线性信道和高斯噪声）等模型来描述信道。但现实中，噪声分布往往是非高斯的，信道模型也远非线性，这导致模型与实际有不少偏差。

例如，在噪声分布上，经典模型往往假设噪声是线性且服从高斯分布，便于应用线性滤波器估计信道。

但现实噪声远非如此：它可能包括非线性功率放大器失真、脉冲干扰或多用户干扰，这些都不符合线性假设，导致模型在高信噪比区失效。

在信道建模中，传统方法常假设信道是各向同性的、静态或弱相关性的，以简化矩阵运算。比如，在MIMO系统中，假设噪声独立于信号，从而避免复杂协方差计算。但在动态环境中，用户移动会引入相关性，天气反射会使噪声非独立，导致模型精度锐减。

比如，在毫米波频段，传统建模假设信号路径线性传播，但实际上树叶或人体的阻挡会引起突发非线性衰落，需频繁进行信道状态估计，而这会消耗大量资源，最终拉低了频谱效率。

并且，在适应性上，传统算法是静态的，一旦环境超出假设范围，系统就无法自适应，只能通过人工干预或保守设置来弥补，这增加了运维成本并降低了效率。

在5G时代，随着Massive MIMO和毫米波的引入，系统的复杂性指数级上升：天线阵列的收发通道数从个位数扩展到数百个，传统算法在实时处理这些变量时计算负载爆炸式增长。

展望6G，更高阶MIMO将进一步推高天线数量，复杂度瓶颈愈发凸显。

自此，AI的引入，在业界已成共识。

摒弃规则藩篱，释放AI潜力

传统的基于规则的算法是“演绎法”，高度依赖于人类专家预设的模型和精确的数学表达式。然而要用一个物理公式把这大量变量之间的关系完美地写出来，在数学上几乎是不可能的，这叫“建模缺陷”。

AI则采用“归纳法”，它无需人工输入明确的公式，而是通过海量数据训练来调整其中万亿级别的参数权重，就能找到一个函数来逼近现实，描述人类尚未掌握或无法表达的“隐秘”逻辑。

在高度复杂、非线性、动态时变的无线通信信道中，存在大量个性化的、难以用确定模型表达的隐藏规律，这就是规则算法的性能提升困难，AI（特别是机器学习和深度学习）崛起的原因。

AI擅长应对高复杂度问题。无线信道涉及高维变量（比如数百天线间的相关性），传统算法计算复杂度呈指数级。AI通过神经网络（CNN或Transformer）自动特征提取和降维，从海量数据中挖掘关联，复杂度接近线性，可高效处理Massive MIMO 的多用户并发问题。

AI能化解非线性难题。AI 的神经网络本质上是“通用函数逼近器”，能拟合任意连续非线性函数，而无需线性假设。通过激活函数和多层结构，AI 能够捕捉复杂映射。据诺基亚贝尔实验室研究，在功率放大器非线性失真中，用AI替代传统数字预失真（DPD）算法，可提升 2-3 dB 链路预算。

AI可以解决时变性问题。信道瞬息万变，传统算法需频繁重估信道状态，导致开销大。AI 使用序列模型（如LSTM）学习时间相关性，实现预测性控制：基于过去几秒数据预判未来毫秒级变化，减少导频信号需求。

并且，AI还具有高度的泛化能力，即可以适应多种不同的场景。训练于多样数据集的 AI 模型具有泛化能力，即使遇新环境（如从城市到乡村），也能通过在线微调或迁移学习适应。这解决了传统算法一遇未知问题就“歇菜”的脆性问题。

有这么大的优势，AI-RAN自然前途可期。

各路玩家入局，AI-RAN势不可当

在2024年在巴塞罗那移动通信展期间 ，由英伟达牵头，联合软银爱立信、诺基亚、微软、三星、T-Mobile等巨头 成立了AI-RAN 联盟 。这标志着 AI-RAN 正式成为行业共识。

2024年11月，日本软银宣布其开发AI-RAN系统“AITRAS”，并在进行了外场测试。这标志着AI-RAN已不仅仅是概念，正走向商用落地。

在2025年巴塞罗那移动通信展期间，AI-RAN 联盟发布了十个AI-RAN能力演示，展示了AI如何优化RAN性能、提升能效和支持新应用。同时，联盟成员已超100家，并与Linux基金会合作，推动开源生态建设。

2025年10月，英伟达向诺基亚注资10亿美元，共同推动AI-RAN创新。因两家公司名称均以N开头，该事件被业界称为“NN合作”。据悉，美国T-Mobile将在2026年进行AI-RAN试点。

在英伟达这条鲇鱼的强势入局下，传统通信设备商和全球运营商纷纷投资AI-RAN。3GPP等标准组织也在推进无线网络AI化：Release 18引入AI/ML框架，用于信道预测和定位增强；Release 19扩展到网络节能和移动性优化。

尽 管不同组织的生态位和利益考量导致投入差异，但AI-RAN的势头不可阻挡。这一技术将如何重塑未来 的移动通信产业生态， 让我们拭目以待。