AI wchodzi do warstwy radiowej
Przez lata sztuczna inteligencja w telekomunikacji była wykorzystywana głównie do prognozowania awarii, analizy alarmów, optymalizacji energii oraz planowania infrastruktury. Obecnie modele AI zaczynają trafiać bezpośrednio do warstwy radiowej, w której w czasie liczonym w milisekundach przydzielane są ograniczone zasoby częstotliwości. Rozwijana przez Nokię koncepcja AI-RAN łączy oprogramowanie anyRAN z akcelerowanym przetwarzaniem Nvidii, aby zwiększyć przepustowość i poprawić wykorzystanie istniejącego widma. Nie oznacza to jednak powstania całkowicie autonomicznych stacji bazowych, lecz przejście w stronę infrastruktury, której zachowanie może być częściej modyfikowane przez oprogramowanie.
Radiowy fundament sieci komórkowej
RAN, czyli Radio Access Network, odpowiada za połączenie telefonów, modemów, pojazdów i czujników z siecią operatora. W tej części infrastruktury realizowane są między innymi przydział pasma i czasu transmisji, sterowanie mocą, obsługa MIMO, formowanie wiązek, kodowanie sygnału, reagowanie na zakłócenia oraz przełączanie urządzeń pomiędzy stacjami bazowymi. Tradycyjnie zadania te wykonują szybkie i przewidywalne algorytmy opracowane przez inżynierów. AI-RAN nie eliminuje klasycznych mechanizmów, lecz może wspomagać wybrane funkcje modelami uczonymi na danych radiowych i uruchamianymi na wydajnych akceleratorach.
Więcej danych w tym samym paśmie
Nokia zakłada osiągnięcie ponad 100-procentowego wzrostu efektywności widmowej do 2028 roku, co teoretycznie pozwoliłoby przesyłać około dwa razy więcej danych przy użyciu tych samych częstotliwości. Platforma ma przynosić korzyści już w sieciach 5G, a później zapewnić programową ścieżkę migracji do 6G. Deklaracji tej nie należy jednak traktować jako wyniku potwierdzonego w masowych wdrożeniach, ponieważ próby terenowe zaplanowano na koniec 2026 roku, a gotowość komercyjną na 2027 rok. Ostateczne rezultaty będą zależały od konfiguracji anten, obciążenia komórek, warunków propagacyjnych i przyjętego punktu odniesienia.
Optymalizacja ograniczonego zasobu
Widmo radiowe pozostaje jednym z najdroższych i najbardziej ograniczonych zasobów operatora, dlatego istotne znaczenie ma nie tylko maksymalna prędkość transmisji, lecz ilość informacji przesyłanych w danym paśmie i czasie. Model AI może jednocześnie analizować jakość kanału, poziom zakłóceń, ruch użytkowników, obciążenie sąsiednich komórek, możliwości terminali oraz dostępne strumienie MIMO. Na tej podstawie może być wybierana najkorzystniejsza kombinacja użytkowników, wiązek, mocy i zasobów radiowych. Największe korzyści są spodziewane w gęstych, przeciążonych lokalizacjach oraz w systemach TDD Massive MIMO, gdzie liczba możliwych konfiguracji jest szczególnie duża.
Modernizacja zamiast pełnej wymiany
Rozwiązanie Nokii przewiduje trzy główne warianty wdrożenia: kartę rozszerzającą dla AirScale, serwery COTS z akceleratorami GPU oraz samodzielny węzeł AI-RAN. Pierwszy wariant umożliwia modernizację istniejących stacji bez wymiany całej infrastruktury, drugi odpowiada potrzebom Cloud RAN i centralizacji przetwarzania, a trzeci zapewnia większą moc dla zaawansowanych funkcji AI oraz przyszłych zastosowań 6G. Szczególne znaczenie biznesowe ma możliwość dodania akceleratora do obecnych systemów i późniejszego wdrażania nowych funkcji programowo. anyRAN ma pełnić rolę warstwy niezależnej od jednej architektury procesora, chociaż pierwsza generacja rozwiązania wykorzystuje układy Nvidii.
Decyzje podejmowane z wyprzedzeniem
Współczesne sieci już dynamicznie dobierają modulację, kodowanie, liczbę warstw MIMO i zasoby czasowo-częstotliwościowe. AI może jednak rozszerzyć ten proces o historię zmian kanału, przewidywany kierunek ruchu urządzenia, zachowanie sąsiednich użytkowników oraz prognozowane zakłócenia. Podobny mechanizm może zostać zastosowany w formowaniu wiązek, dzięki czemu pozycja terminala i zmiana warunków radiowych byłyby przewidywane z wyprzedzeniem. Akceleratory GPU dobrze obsługują operacje macierzowe związane z Massive MIMO, precodingiem i wieloantenowym przetwarzaniem sygnału. Każda decyzja musi jednak mieścić się w rygorystycznych limitach opóźnień, stabilności i zgodności ze standardami, ponieważ spóźniona reakcja jest w warstwie radiowej praktycznie bezużyteczna.
Od transmisji mobilnej do satelitów
Mechanizmy optymalizacyjne rozwijane dla AI-RAN mogą w przyszłości wspierać również 5G Broadcast oraz Non-Terrestrial Networks. W usługach rozgłoszeniowych inteligentna orkiestracja mogłaby określać moment przejścia z unicastu na multicast lub broadcast, wybierać uczestniczące komórki i równoważyć transmisję masową z pozostałym ruchem. W sieciach NTN konieczne jest dodatkowo uwzględnianie ruchu satelitów, przesunięcia Dopplera, zmiennego opóźnienia, pogody, widoczności stacji naziemnych i przekazywania połączeń pomiędzy wiązkami. AI może pomagać w przydziale pasma, beam hoppingu, wykrywaniu zakłóceń, handoverze, routingu i zarządzaniu energią. Obecna platforma Nokii nie zarządza jednak wspólnie naziemnym 5G, 5G Broadcast i konstelacjami satelitarnymi, lecz może stanowić element przyszłej architektury tego rodzaju.
Automatyzacja pod ścisłą kontrolą
AI-RAN nie jest obecnie autonomiczną siecią zdolną samodzielnie rozpoznawać problemy, wdrażać zmiany i oceniać ich skutki bez udziału operatora. Bardziej realny model zakłada, że sieć zbiera telemetrię, model prognozuje warunki, algorytm wykonuje ograniczoną zmianę, a mechanizmy bezpieczeństwa kontrolują zgodność z politykami. W przypadku błędu sterowanie powinno zostać przejęte przez klasyczne funkcje. Operator nadal określa cele, granice i dopuszczalne zachowanie systemu. Najbardziej prawdopodobne pozostają rozwiązania hybrydowe, w których fizyka i teoria komunikacji wyznaczają bezpieczne ramy, a AI optymalizuje decyzje wewnątrz tych ograniczeń.
Wyzwania ważniejsze od obietnic
Największymi przeszkodami pozostają zużycie energii, chłodzenie, przewidywalność modeli, jakość danych treningowych, cyberbezpieczeństwo oraz ekonomika wdrożenia. Model wytrenowany w centrum miasta może zachowywać się inaczej w hali przemysłowej, na morzu lub w łączu satelitarnym. Przejęcie mechanizmu sterującego mocą, pasmem albo wiązkami mogłoby spowodować znacznie poważniejsze skutki niż błąd systemu rekomendacyjnego. Operatorzy będą również porównywać koszt akceleratorów, licencji i integracji z zakupem pasma, modernizacją anten lub zagęszczeniem sieci. AI może zarządzać widmem wyłącznie wewnątrz uprawnień ustalonych przez regulatorów, standardy i zasady bezpieczeństwa, dlatego nie otrzymuje pełnej swobody w wyborze częstotliwości ani mocy emisji.