蝉鸣报告（原爱报告知识星球）
电信管理论坛（TM Forum）近日发布了名为《Assessing the opportunities and challenges for AI-RAN strategies》的行业研究报告。这份报告详细探讨了人工智能（AI）在无线电接入网络（RAN）中的全面整合所带来的机遇与挑战，以及这对移动网络运营商（CSPs）在网络资源利用、频谱效率和性能提升方面的潜在影响。报告指出，AI-RAN不仅能够提高现有网络的效率，还能开启新的AI服务和货币化机会，是通往6G和下一代RAN的重要路径。报告内容丰富，提供了深刻的行业洞察和实用的建议，对于理解AI-RAN的发展趋势和潜在价值具有重要意义。
人工智能（AI）正在深刻改变我们的世界，特别是在移动通信领域。AI-RAN战略，即人工智能与无线接入网络（RAN）的全面融合，为通信服务提供商（CSPs）带来了巨大的潜力。这种融合不仅能提高网络资源利用效率，还能增强频谱效率和性能，同时开启新的AI服务和货币化机会。
在美国，T-Mobile已经与Nvidia合作，启动了一个AI-RAN创新中心。T-Mobile的首席执行官Mike Sievert表示，AI-RAN有潜力彻底改变移动网络的未来，但实现起来并不容易。确实，AI-RAN面临的挑战包括高昂的前期成本、尚未证明的投资回报、高能耗以及安全和隐私问题。
从基础设施角度看，AI-RAN使用统一的、加速的计算平台，无需RAN硬件组件，这意味着它能够同时运行移动网络和AI工作负载，并保证确定性的性能。这对于时间敏感的应用和数据流来说，提供了可预测性，并且容器化的工作负载提高了云环境中工作应用的灵活性，无论底层基础设施如何。AI-RAN完全基于软件定义，使用AI原生原则来加速AI和RAN工作负载。
AI-RAN是两个互利技术趋势的体现：AI用于网络和网络用于AI。利用AI增强网络性能，确保网络性能支持AI服务。AI-RAN为CSPs提供了一个计算基础，使RAN变得更加自动化和自优化/自愈，智能到可以根据实时模式、上下文和意图协调无线资源。有了软件定义的、加速的平台，CSPs可以从同一基础设施中为RAN和AI提供动力，这意味着他们可以支持今天的基于AI的服务，同时为6G做好准备。
AI-RAN的潜在好处是显而易见的：提高效率、降低成本、增强网络性能、创造新的AI服务和收入，以及为未来做好准备的、以AI为原生的基础设施，以及通往6G/下一代RAN的路径。然而，这些好处并不是没有代价的。AI-RAN的高初始投资要求是许多CSPs在短期到中期采用的障碍。关于增加支持AI-RAN实施所需处理能力的投资模型，仍然存在疑问。
AI-RAN可以帮助CSPs将移动网络从自动化发展到自主决策，从静态无线电规划发展到动态基于意图的协调。但这需要的不仅仅是嵌入AI加速器的心态。AI-RAN代表了战略和投资的转变，而不仅仅是技术的转变。
AI-RAN是通往更广泛的Open RAN采用和6G的潜在路径。但在不同的RAN环境中部署AI——传统的、虚拟化的、Open RAN和私有网络——面临着技术、运营、监管和战略挑战。
AI-RAN对Open RAN的价值在于，它不仅可以像Open RAN一样以开放和容器化的方式构建，而且通过添加GPU来处理未来的网络处理工作负载，从而增强了Open RAN架构。AI被整合到RAN智能控制器（RIC）中，这是一个关键的Open RAN组件。由于它是AI驱动的，RIC实现了闭环、自动化的网络控制，减少了延迟，增加了吞吐量，并支持对网络条件的动态调整。展望未来，RIC预计将成为6G移动架构的基础。
AI-RAN面临的挑战是多方面的。成本/投资回报（ROI）是AI和RAN以及AI在RAN上的最大挑战。实施AI-RAN基础设施需要在高性能计算硬件上进行大量投资，例如GPU和用于第1层RAN处理的AI加速器。传统的RAN架构使用专门针对实时处理优化的硬件，而基于云的AI架构要求处理发生在接近基站的地方。在每个基站（或基站群）部署AI驱动的RAN基带处理，增加了超出传统RAN部署的投资成本——对于拥有数万个基站的CSP来说，成本可能过高。在采用范围超出早期采用AI-RAN的先锋小圈子之前，需要更好地了解运营和能源成本节省，以及GPU的成本降低。
数据收集和处理也是AI-RAN面临的挑战。AI模型依赖于大量高质量的数据，这些数据已经被标记和识别。可以在AI模型中使用的RAN数据包括网络KPI（延迟、吞吐量、切换成功）、无线电测量数据以及硬件和环境遥测数据。数据收集的挑战包括：数据在多个供应商平台和网络域之间分散，导致RAN活动的画面不完整；数据不完整或“不干净”；如果所需的数据不可用或被损坏，AI模型将不准确；数据标记/上下文化耗时，需要领域专业知识。
AI模型的适用性也是一个问题。在一个网络区域训练的AI模型——例如，由室内小型蜂窝覆盖的区域——可能在其他区域，如城市宏蜂窝或农村地区，效果不佳，限制了预训练模型的可扩展性。模型需要在整个网络中适用的持续再训练和学习方法，否则可能需要多个AI模型，增加成本和复杂性。
处理限制也是一个挑战。RAN功能（如波束选择和干扰管理）的延迟敏感性要求毫秒级响应，实时AI推理需要低延迟的边缘计算能力。这需要能够在有限的CPU/GPU资源下运行的AI模型，以及在AI模型失败时RAN仍能运行的回退机制。
运营理由也是一个挑战。基于AI的RAN决策，特别是在关键任务网络中，必须是透明的、可解释的、在理由和审计方面可接受的。可解释的AI框架仍在发展中，并不一定适用于某些用例，如公共安全网络或关键基础设施。
安全和隐私是AI-RAN面临的另一个挑战。基于AI的RAN可能容易受到网络攻击，特别是当引入新软件或数据管道暴露敏感信息时。还存在AI特有的威胁风险，如数据投毒或对抗性模型攻击，因此，对于CSPs来说，安全模型训练、推理环境和隐私保护分析等举措至关重要，以减轻安全和隐私风险。
业务影响也必须在设计和实施AI模型时考虑。这尤其适用于成本考虑和投资回报、管理操作流程向自动化的转变（以及这对效率和生产力的影响）以及治理模型。
尽管这些挑战并非不可克服，但并非所有人都相信AI-RAN目前足够具有成本效益，值得投资。在最近的一次采访中，Orange集团的首席技术官兼执行副总裁Laurent Leboucher表示，AI RAN仍然“有点未来主义”。他补充说：“我想了解背后的商业案例，因为在每个无线电站点上放置GPU是昂贵的。”
这篇文章的灵感来自于《Assessing the opportunities and challenges for AI-RAN strategies》这份报告。除了这份报告，还有一些同类型的报告也非常有价值，推荐阅读，这些报告我们都收录在同名星球，可以自行获取。
以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。
【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。
