0 引言
AI技术的成熟与发展，为全社会全行业提供了新的技术手段，包括移动通信中使用AI技术提升网络性能和服务质量[1-3]。而全社会AI技术的广泛应用，也产生更多的数据、算力等资源需求。6G移动通信网络在研究之初即提出了智能内生、算网融合等研究思路[4-7]，且移动通信网络本身具备海量数据和算力资源。进一步地，6G网络中将可以提供完整的分布式AI环境，包括AI基础设施、AI工作流逻辑、数据和模型服务等，通过封装开放AI服务的方式，提供AI服务，加速全社会全行业智能普惠[8-9]。
本文介绍了3GPP和6G AI研究现状，此后聚焦在6G AI支持大模型应用方面，主要分析了大模型应用可能的发展历程，此类应用的大模型（后文简称应用大模型）部署对网络的潜在影响，以及基于6G AI部署的优势。
1 移动通信AI研究标准化进展
移动通信网络的主要标准化组织3GPP，其SA和RAN工作组均已开展AI技术在通信网络中应用的的标准研究。
SA工作组在R15阶段引入了网络数据分析功能（NWDAF, Network Data Analytics Function），在R16阶段设立了“Study of enablers for Network Automation for 5G（eNA）”项目，为网络智能化提供功能支撑。R16阶段主要研究设计了更多的用例。R17阶段对NWDAF功能进行了进一步增强，支持多NWDAF交互与协作的分布式网络数据分析架构，将其分为模型训练逻辑功能（MTLF, Model Training Logical Function）与分析逻辑功能（AnLF, Analytics Logical Function），并引入了数据采集协调功能（DCCF, Data Collection Coordination Function）和分析数据存储库功能（ADRF, Analytics Data Repository Function），提高了网络中的数据收集效率。R18阶段，NWDAF能力和性能进一步增强，新增联邦学习、模型共享等新的用例、网络对AI应用的支持等。Rel-19阶段NWDAF进一步增强以支持纵向联邦学习、策略控制和网络异常解决等。此外，在系统管理方面，引入了管理数据分析（MDA, Management Data Analytics），用于支持网络管理的智能化和自动化[12-15]。
RAN工作组Rel-17阶段在RAN3启动了AI/ML的首个研究项目，主要研究RAN侧AI的功能框架以及网络节能、负载均衡、移动性优化三个用例的解决方案和潜在标准化影响[10]。Rel-18阶段，RAN3基于Rel-17的研究结论，在NG-RAN接口和架构中增强数据收集和信令以支持上述三个用例。同期，RAN1主导了基于AI的空口研究项目，该项目研究了空口AI的通用框架并聚焦基于AI的CSI反馈、波束管理和定位三个用例，讨论各用例的仿真假设、评估指标、评估了各用例的性能。同时，基于该框架研究了上述用例的AI生命周期管理各流程的潜在标准化影响。该项目中，RAN2研究了数据收集、模型传输的潜在方案，RAN4研究了AI生命周期管理相关流程的核心要求及AI功能或AI模型的测试框架[11]。Rel-19阶段，RAN1主导了对R18研究中基于AI的波束管理和基于AI的定位用例进行标准化，并继续研究CSI压缩、CSI预测用例及部分有争议的生命周期管理流程。RAN2主导了基于AI/ML的移动性增强研究，包括对相关用例的仿真验证及标准化影响研究。RAN3除了对已有用例的完善工作，还将探索基于AI的容量覆盖增强和基于AI的切片资源分配两个新用例。
2 AI与6G网络融合的方式与研究现状
2.1 AI与6G网络融合的方式
在6G网络研究之初，业界就提出智能内生的目标，网络智能内生的定义为：在架构层面通过内生设计模式来支持AI，而不是叠加或外挂的设计模式[16-17]。6G网络架构内部能够提供数据采集、数据预处理、模型训练、模型推理、模型评估等AI工作流全生命周期的完整运行环境，将AI服务所需的算力、数据、算法、连接与网络功能、协议和流程进行深度融合设计[6]。
在6G AI研究过程中，将AI与6G网络融合的方式分为了三类：AI For Network、Network For AI、AI as a Service。AI For Network方面通过在网络中使用AI技术提升网络自身的性能、效率和用户体验，包括基于AI用例和基于大模型与网络融合两种方式。Network For AI方面通过在网络中构建AI环节和能力，为AI包括大模型提供连接、数据、算力、算法等多种支撑能力。AIaaS方面通过在网络中构建分布式的高效、节能、安全的AI服务，为网络自身和第三方提供AI服务[6, 9]。
目前的AI应用中，AI在云上执行，即采用云AI方式，网络负责传输数据。未来6G AI可以独立于云AI发展，也可以与云AI互为补充，共同为全社会全行业的智能普惠发展提供支撑。6G AI与云AI的逻辑关系如图1所示。大模型技术是当前最热门的，随着大模型技术和应用的快速发展，支持部署应用大模型将是Network For AI未来需要面对的重要场景之一。
2.2 AI与6G网络融合研究现状
目前学术界和产业界均对AI与6G网络融合进行了研究。国内外的运营商、设备厂商、终端、芯片以及各6G研究组织发表过众多AI与6G网络融合的架构及关键技术白皮书和研究报告。各单位对网络提供算力、数据、算法等基础资源，架构方面新增算力、AI、数据等功能，向网络和用户提供AI服务已经基本形成共识。不过在网络架构功能面的设计中目前各有差别[6, 17-20]。
学术界同样如此，在AI与6G网络融合领域，无线空口AI的研究包括基于AI优化空口参数、基于AI替代物理层功能模块及AI使能的端到端系统设计等[21]。面向AI用例、算法、算力、数据等研究方向，学界从智能内生网络架构、网络对AI要素管理、意图驱动、数据面架构、边缘计算、支持模型训练部署（包括大模型）等方面开展了研究，对AI与6G网络的融合提供了理论技术支撑。
在当前研究的热点大模型方面，6G AI研究中一方面是将大模型应用到网络中赋能网络；另一方面，6G AI如何支持各种应用的大模型也是研究重点，包括支持用户与应用大模型之间的数据传输，以及应用大模型基于6G网络进行部署等。
3 大模型应用与6G AI发展分析
面向2030年代，6G AI需要支撑全社会的AI业务需求。当前，大模型技术的发展可能将较大改变未来AI应用。面向未来，按照技术与应用发展规律，大模型应用的发展历程如何分析，以及在此过程中未来6G AI在大模型应用发展过程中面临的挑战与机遇，需要进行进一步分析。
3.1 大模型应用发展历程浅析
大模型应用发展历程值得借鉴的是互联网技术与产业发展历程。就我国互联网而言，30年的发展过程中阶段分明，发展迅速而深入。发展阶段可以分为学术牵引期、探索成长期、快速发展期、成熟繁荣期，以及后来基于移动通信网络发展的移动互联网时期[22]。根据技术与应用发展规律，大模型应用预期也会经历这个过程，只不过每个时间阶段无法确切预估。根据我们的技术理解，对大模型应用的发展历程做了以下分析判断。
学术牵引期（2000年代）：机器学习领域深度学习的突破性进展，特别是卷积神经网络（CNN）在图像识别领域的成功应用，为大模型的发展提供了新的可能性。
探索成长期（2010年代）：2012年，AlexNet神经网络模型在ImageNet竞赛中实现图像识别和分类，成为新一轮人工智能发展的起点。这类系统可以处理大量数据，发现人类通常无法发现的关系和模式。2016年人工智能机器人AlphaGo战胜韩国职业围棋棋手李世石，这是深度学习的经典范例。
快速发展期（2018～2026）：2018年，BERT模型的发布成为自然语言处理领域的一个里程碑。OpenAI实现从GPT-1到GPT-4的迭代、Sora大模型文生视频、AI Agent快速发展、全球掀起大模型浪潮。
成熟繁荣期（2027～2035）：根据发展规律，大模型应用成熟所需时间将大大少于以往的技术，包括互联网技术，预计2027年将进入成熟繁荣期，并且随着2030年6G网络的商用，6G AI服务将催生大模型应用进入黄金发展阶段。未来应用的大模型可能的部署位置及与终端交互方式在6G AI研究中需要高度关注。
3.2 应用的大模型部署对网络的影响分析
大模型目前向通用方向发展，未来激烈竞争后大模型的模型和应用数量会是个位数量级，还是几十或上百的较大量级，取决于未来大模型应用是“赢者通吃”的超级APP，还是“多点开花”的较多APP，这也将对未来网络的流量入口产生较大影响。
目前通信行业看，终端厂商基本都在自研应用大模型，应用厂商也在自研应用大模型（百度、阿里、腾讯等）。根据应用大模型部署位置，以及大模型间的交互方式，可以分为如下两种情况。
（1）网络中不部署应用大模型
此种情况为当前大模型应用的使用方式。应用大模型主要部署在云侧，只有部分能力较强的类型终端（简称A型终端）可以部署轻量化的应用大模型，大部分类型终端（简称B型终端）不具备部署应用大模型的能力。此时B型终端通过网络访问云侧应用大模型，网络功能仍局限于传输数据。云侧应用大模型之间目前没有交互，而未来则存在交互的可能，此时交互并非通过移动通信网络。A型终端所部署的应用大模型一部分任务在本地处理，即通过轻量化应用大模型进行处理，其他任务则与B终端类似网络访问云侧应用大模型。另外，端侧轻量化应用大模型与云侧对应的应用大模型存在交互可能。如图2所示。
挑战分析：1）基于云侧部署的方式，多轮次云与云之间的交互方式在等待时间、可靠性等方面存在挑战；2）云侧集中部署，用户集中访问对访问拥塞和模型资源具有挑战；3）考虑到终端芯片性能的限制，普通终端部署应用大模型比较困难。
（2）网络中部署应用大模型
此种情况与情况（1）的主要区别在于应用大模型将可以在6G网络中进行部署，如图3所示，此时，部分类型终端仍可部署轻量化应用大模型，云侧同样具备部署应用大模型的能力。由于在6G网络的分布式网络节点和中央网络节点可以部署不同量级的应用大模型，可以将轻量化应用大模型在分布式网络节点部署，将大幅改变B型终端的劣势，且成为分布式节点潜在高价值场景。网络内部署的应用大模型通过移动通信网络交互，数据传输具有QoS保障，时延较低。
挑战分析：1）分布式节点的部署位置需要进一步研究；2）分布式网络节点、中央网络节点的资源数量需要评估；3）网络中部署的大模型应用之间的高效交互机制需研究。
应用大模型正在快速发展，且是未来的重要发展趋势。而基于6G AI技术，应用大模型在6G网络中央网络节点和分布式网络节点部署方式下，将具有下述优势：
1）模型间的交互效率大幅提升，多模型交互传输具有保障；
2）模型的推理时间和传输时间可能有较大提升；
3）在网络中部署应用大模型可以降低终端成本。
因此，6G AI将可以为后续大模型应用的发展起到重要支撑作用。
4 结束语
AI与6G网络融合已成为6G研究中的普遍共识，AI与6G网络的融合不仅使能6G智能化，更进一步，6G网络将具备AI生命周期运行的能力。随着大模型技术发展，应用大模型将成为6G网络的重要场景。大模型应用的发展趋势和部署方式，潜在地都将对6G网络提出新的要求，将对6G AI在2030年代的商业化产生重要影响，因此需要在6G AI研究中高度关注。
