摘要：6G无线系统智能内生已从1.0阶段发展到2.0阶段，旨在借助通信大模型的深度AI能力，把AI资源能力和6G无线系统更深度无缝地融合和双向耦合赋能。业界对6G智能内生技术需求多重多样且轻重迫切程度不同，会导向不同的网络AA产品形态和技术演进路线，因此亟待体系化梳
2025
谢峰1,2，杨立1,2，陈琳1,2，孙文文1,2，王菲1,2（1.移动网络和移动多媒体技术国家重点实验室，广东 深圳 518057；
2.中兴通讯股份有限公司，广东 深圳 518057）
【摘 要】6G无线系统智能内生已从1.0阶段发展到2.0阶段，旨在借助通信大模型的深度AI能力，把AI资源能力和6G无线系统更深度无缝地融合和双向耦合赋能。业界对6G智能内生技术需求多重多样且轻重迫切程度不同，会导向不同的网络AA产品形态和技术演进路线，因此亟待体系化梳理及统一认知，从而促进6G产业标准化落地和健康发展。从6G智能内生技术概念和发展愿景切入，梳理和研讨智能内生2.0阶段的多重新需求，进而探讨基于大模型的网络智能体AI Agent（AA），如何应对6G无线系统设计和体系架构带来诸多潜在的影响和待解决的关键问题，例如：场景需求、系统架构和接口影响。最后，再探讨围绕网络AA内生应用的若干开放性问题。
【关键词】6G无线系统；智能内生；智能体；系统架构；智能面
doi:10.3969/j.issn.1006-1010.20241111-0001
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2025)01-0009-07
引用格式：谢峰,杨立,陈琳,等. 6G智能内生2.0新需求与基于智能体的网络架构设计[J]. 移动通信, 2025,49(1): 9-15.
XIE Feng, YANG Li, CHEN Lin, et al. New Requirements of 6G Intelligent Endogenous 2.0 and Agent-Based Network Architecture Design[J]. Mobile Communications, 2025,49(1): 9-15.
0 引言
伴随AI大模型技术的发展，各种移动AI新应用已在众多领域开花结果，未来6G无线系统和AI大模型的深度融合和智能内生设计已是必然趋势。如果在AI大模型成熟普及之前，无线系统和AI间的深度融合称为“智能内生1.0阶段”，那么在AI大模型成熟普及阶段，就可称为“智能内生2.0阶段”。当下，业界正在积极探索，朝着6G智能内生2.0新阶段发展，期望借助AI大模型的技术产业红利，进一步促进6G和AI双边业态的互惠互利和共进共赢。2019~2023年，6G智能内生话题在业界引发了广泛的热议和联合探讨，并发布了若干技术研究成果[1-6]。随着2023年ChatGPT应用掀起热潮，6G智能内生2.0新阶段俨然而至，继续朝着“大算力”、“大模型”、“大数据”和“大连接”四大要素更紧密协同融合的纵深发展。同时，伴随着终端用户在“泛在，实时，隐私，智简，节能”等方面新需求的提升，移动AI应用也继续朝着“终端本地化”、“边缘式”、“分布式”和“语义式”等新特征范式演进。6G智能内生概念开放，内涵丰富，涉及很多技术方面。过去，业界各方从各自的理念视角和技术利益角度阐述，观点发散，导致6G智能内生一直没有统一的定义内涵。这可能会对6G AI未来产业融合互惠、标准化规范和相关产品推广应用带来一定的障碍。本文将先从6G智能内生的概念内涵切入，进一步分析其2.0阶段的新需求，再引申到基于智能体的6G网络架构设计话题。
6G无线系统将天然地具备“大算力”+“强感知”+“分布式”+“边缘化”等特征能力条件，因此，6G智能内生具备坚实的条件基础和发展必然性。基于业界代表性文献的解读，尝试统一6G智能内生的概念内涵。
6GANA发布的白皮书中，6G智能内生内涵如下：“内生AI的内涵：6G网络内生AI为网络高水平自治、行业用户智能普惠、用户极致业务体验、网络内生安全等提供所需的实时、高效的智能化服务和能力。是在6G网络架构内部提供数据采集、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。”
IMT-2030推进组发布的白皮书[2]中，6G智能内生内涵如下：“6G智能内生是指：在架构层面将网络连接与人工智能要素（算力、算法、数据）深度融合，构建网络内完整的智能体系。通过智能的分布式部署和协同，按需对内对外提供AIaaS服务，实现智能服务的高效和高质量保障，助力网络实现智能自治，促进智能生态的协同与融合。”
综合以上观点，6G智能内生至少要包含3大方面：（1）目标领域场景；（2）技术体系架构；（3）行为能力特征。
目标领域场景：围绕6G网络运行/运维/运营下的内用自用，和6G网络对外提供的各种新业务服务，6G智能内生可应用的领域场景非常宽泛。但由于业界各家重点关注场景不同，且研发应用的节奏不一致，不需要有统一的共识。
技术体系架构：6G智能内生是基于6G网络的智能新技术体系，它涉及到通信和AI三要素（算力、算法、数据）在体系架构层面的融合设计和资源能力的高效内生治理和协同利用。对此业界已有一定的共识，但在融合内生架构方案的细节又有分歧。因此，只阐述体系框架层面的共识即可。
行为能力特征：随着6G智能内化分布式内置于6G各技术域的不同网元节点内，更贴近AI目标任务和被服务对象，可以在能效性、实时性、隐私性、成本开销等方面具有更好的性能表现。业界对此已有一定的共识，但在各种维度性能的量化方面，性能评估方式方法各有差异。因此，只需在逻辑上阐述潜在的能力增益和优点即可。
基于上述分析，建议统一“6G智能内生”概念内涵如下：
6G智能内生是基于6G网络的智能新技术体系，涉及到通信和AI三要素（算力、算法、数据）在体系架构层面的融合设计和资源能力的内生治理和协同利用，旨在实现更高效、实时、隐私的无线系统性能效率。
基于上述概念内涵，“6G智能内生”系统设计的技术愿景主要体现在图1所示的5个方面：
作为智能新技术体系，“6G智能内生”无线系统能够和“云端集中式AI”、“终端单体AI”形成有效地协作和互补应用，它们既能进一步提升无线通信效能，又能各自独立承担或联合协作完成胜任的AI目标任务，以满足移动AI用户不同的服务质量诉求。
在AI算力平台资源能力方面，“6G智能内生”系统能够池化和共享复用内部的异构算力资源，按需灵活高效地支撑系统内外各种AI应用任务的需求，实现泛在的算力感知和编排协同利用等。
在AI模型业务能力方面，“6G智能内生”系统能够原生地支持“AI模型全生命周期管理”和内生的AI多业务能力，例如：基于规范化流程实现各种AI模型的构建、（预）训练、测试验证、推理优化等AI业务能力。
在AI数据业务能力方面，“6G智能内生”系统能够原生地高效高质量地支持AI应用任务所需的数据采集、获取、流转和治理，例如：基于泛在感知的数据采集、存储复用、随路处理和信息特征提取，为AI贡献更高质量数据集。
在系统架构和接口交互方面，面向各种不同的AI任务应用，“6G智能内生”能够合理地利用“边缘式”、“分布式”、“云边端协同式”和“语义式”等不同AI手段以及它们间的灵活组合。AI算力类、模型类和数据类的相关业务流程，能和通信连接流程形成更深度的关联耦合。
2 6G智能内生2.0阶段新需求分析
基于前述“6G智能内生”概念内涵和技术愿景，本节进一步细化阐述不同层面（特别是2.0阶段）的技术新需求，首先阐述一些指导原则性的需求。
（1）3GPP在5G-A阶段，已陆续标准化了若干AI赋能5G系统用例（即AI4Net），并正在研究如何使5G系统能够更高效地支撑AI部署应用（即Net4AI）。3GPP更多以可验证可变现的价值用例为先导，并不盲目夸大泛化AI价值（即“AI/ML可包打天下”）。因此，“6G智能内生2.0”也应遵从“可验证可变现价值”的指导原则。
（2）6G无线系统以通信业务服务为主，6G系统设计要以提升通信服务的品质效能为首要目标。因此，6G基础逻辑架构和接口协议流程等，要优先适配通信网络类服务。同时，通过叠加AI功能模块和资源，可增添拓展AI业务服务能力，共享利用富余的无线系统资源，实现更大的价值解锁。
（3）当前AI/ML机制行为性能在其过程的可视化、结果的可解释性可信度鲁棒性方面仍然存在重大局限，因此6G需提供更可解释、更可信、更鲁棒的AI服务能力，这就需其具备内生的孪生仿真（预）验证能力，以在线实时地测试验证AI性能。这也意味着6G无线系统需要支持在线强化学习和快速AI模型适配和调优能力等。
尽管算力要素和具体实现方式不是3GPP所要考虑的，但算力资源的合理配置和高效利用是6G系统设计必须要考虑的。面向传统通信业务控制面和用户面功能的处理，过去较大依赖于ASIC、CPU和DPU等类型算力，随着其性价比和安全保障不断提升，此类算力将继续被维护和大规模应用。未来，更多的AI/ML融入6G，以GPU、NPU、TPU为代表的新算力类型，配比也将会不断提升，形成6G系统内算力异构化高速集成化应用。异构算力模块间的大规模集成和高速互联，也会带来跨厂家的规范标准化需求[8]。下文再细化阐述6G智能内生2.0具体技术功能的新需求。
2.1 空口物理层
3GPP Rel-18已开展了基于AI/ML的CSI预测和压缩反馈、波束智能管理优化和定位准确性增强等方面的用例研究，并在Rel-19分别进行规范。面向6G空口物理层，最核心的问题挑战是如何克服“频谱资源相对固化的小区级静态划分”，如何更高效地实现“多频资源间的融合利用”，即所谓“频谱资源池化”。中兴通讯为此提出了Meta-cell元小区模型的解决方案[9]，该方案按需灵活启用不同频段资源，以提升资源利用率。然而，目标频段资源的精准选择是复杂的过程，涉及到用户信道质量、干扰水平、丢包率、业务特征等多维因素。频谱资源的灵活编排需要依靠AI辅助，编排方案的真实性能评估也需依靠数字孪生网络技术进行验证。依托于智能体AA进行多频段资源编排，可支持高中低频段资源的智能编排组合。RAN侧的智能体AA实时收集和处理频谱信息，结合大模型分析和智能学习算法，可解决多频资源融合中的多维动态复杂问题。RAN侧的数字孪生子系统可通过内置的专家经验和知识库，全自动化地在RAN本地对多种频谱融合方案进行性能预验证，评估每种融合方案的能耗、成本、收益，从而按需精准优选和实施。2.2 空口高层
3GPP Rel-18陆续开展了基于AI的网络节能、基站负载均衡、终端移动性优化、用户业务体验增强等方面研究。无线基站系统正在研究AI/ML如何使能网络切片、网络覆盖增强和容量优化等。面向未来6G空口高层，最为核心的问题挑战是：如何实现RRM控制策略和用户面传输配置的自治优化，即RAN基站能够动态适应不同的环境场景用例，做到本地策略参数的最佳定制化调整适配。考虑到未来6G基站具备更强大的算力存储资源，基站可针对动态环境的变化进行AI模型在线（重）训练，并将本地训练好的AI模型用于基站管控。除了基站单体智能，基站间还可以进行联邦学习或分布式学习，充分考虑跨基站环境的影响，更好地进行终端移动性控制和策略任务协同。除此之外，RAN侧的智能体AA可从核心网或外部第三方应用，主动获取相关信息进行跨层AI模型（重）训练及推理，实现跨层感知的AI控制。进一步地，RAN侧的智能体AA还可以与网管/核心网/相邻基站的智能体AA交互协作，理解对方的意图状态，进行AI复杂任务分解，自动适配进行基站策略配置更新，实现RAN基站的高阶自治优化管理。中兴通讯为此提出“RAN内生感知和用户面Stack Free”[10]和“RAN功能组件化”[11]等新设计理念解决方案，这背后精准驱动依然需要依靠AI或智能体AA。2.3 核心网侧
3GPP Rel-18对5G核心网智能网元NWDAF进一步增强，包括支持NWDAF实体间的水平联邦学习、已训练的AI模型共享、增强AI相关训练数据的收集存储等。Rel-19进一步增强包括支持NWDAF实体间、NWDAF和AF实体间的垂直联邦学习，支持基于AI定位、NWDAF辅助的策略控制和QoS增强和网络异常行为（如信令风暴）减灾防灾等。面向未来6G核心网，最为核心的问题挑战是：如何基于云化的算力平台实现通感算智信等多业务能力有机协同融合，即如何推进服务化架构SBA的多能力维度再扩展和NF功能间更高效协作。此外，NWDAF当前仍不具备和RAN侧智能功能单元的无缝协同和数据开放共享流转，传统NWDAF实体虽能支持较丰富的智能化操作，但并不具备环境自感知、任务自驱动、资源自编排、业务自管理等方面高阶智能。随着未来6G核心网和基站侧逐步内嵌具备智能体AA能力（相当于本地有了大脑），它们将具备更强的自主分析决策能力和跨节点/跨NF协作能力，如：任务自规划、性能自寻优、运行自排障等。各个AA间的交互协作不必遵循过去固化的协议流程形式，而是可以采取更意图化语义式的沟通方式。
2.4 跨域一致性
3GPP Rel-18/19阶段，RAN、SA、CT各个工作组各自都进行了AI/ML相关研究和标准化，很多AI问题和定义存在着交织和重叠。为此，3GPP SA全会新立项的“3GPP AI/ML一致性对齐研究”[12]，旨在识别AI/ML相关术语和功能在不同组间的不一致，并反馈给各工作组，从而实现3GPP系统内AI术语功能的一致性对齐。该研究很好反映了5G-A网络智能非原生设计的缺陷和给3GPP标准工作带来的困扰和冗余，这也是要导入6G智能内生设计的重要原因。面向未来6G系统将会内嵌各种智能体AA，同样也存在各个技术域AA间的术语和行为一致性对齐需求。3 基于智能体AA的网络架构设计
“AI Agent”（AA）智能体是一种能够基于其角色设定，主动地感知环境、理解意图、知识生成、任务规划、寻优决策、工具利用、执行相应动作的高阶智能实体。AA相比于普通AI（小）模型，通常具备任务自主性、环境自适应性、规划前瞻性和优化自演进性等行为特征。AA通常基于特定的大模型（如通用应用类、ToB专业类、通信网络类等）完成特定类型的目标任务，并在此过程中不断地自我适应和改进完善。当下业界基本认为：AA是各种大模型技术落地应用的主流形式，其表现形式多样，涵盖从虚拟数字人的生成到具身智能机器人的部署，再到智能体在用户终端与网络节点的应用等多个方面。“网络智能体”（NEA, NW Embedded AI Agent）是内嵌部署在网络侧的智能体（相对于终端智能体），它既可集成在各种6G网元节点内部，又可以独立的智能节点形式存在。NEA不仅能智能地服务于它所在的网元节点，还能和其它的NEA保持密切的协同协作关系，联合完成跨域跨节点更复杂的目标任务。
AA尤其是NEA的应用将极大提升网络的智能化水平和效率。例如，在资源管理方面，NEA能够实现频谱资源的动态调度与优化，通过实时分析网络流量模式和用户需求变化，智能调整频谱分配策略；在网络维护方面，NEA支持预测性维护机制，通过监控网络状态和设备性能数据，提前识别潜在故障点并采取预防措施；在用户体验优化方面，NEA能够根据个体用户的行为模式和偏好，动态调整服务质量（QoS）参数，提供定制化的网络服务。基于NEA的6G智能内生2.0新网络架构设计当前还处于初级开放待研究的阶段，值得业界进一步联合探索和验证。
3.1 典型场景需求分析
Agent的应用场景可以分为：“AA to ALL（A2X）”、“AA for ALL（A4X）”、“ALL for AA（X4A）”三个归类维度。
（1）在A2X维度下，智能体交互的对象广泛，主要包括：
A2O：AA-to-Others即AA和非智能体的交互，智能体为非智能体赋智赋能；非智能体可以是NF、网元、UE、APP等；
A2A：AA-to-AA即智能体到智能体的一对一交互，实现智能体之间的简单（一对一）协作；智能体可以是网络智能体NEA、UE的智能体、APP的智能体、监管的智能体等；
AXA：多智能体群组间交互，支持多智能体之间的组网级复杂协作，实现群体智能。
（2）A4X聚焦智能体为不同场景提供的服务，具体分为：
A4N：AA for Net即智能体为网络服务，提升网络的智能化等级，从而减少人工、提升性能、优化能耗能效、赋能行业等；
A4U：AA for User即智能体为终端用户服务，提升终端用户的智能化等级，从而优化个人体验，支持新业务模式等；
A4S：AA for Service即智能体即服务，例如支持跨模态自生成自转换、数字人、智能监管等。
（3）X4A强调外界为智能体提供的必要服务
N4A：Net for AA即网络为智能体服务，为智能体提供连接、算力、存储、数据、模型、可信安全等功能服务；
U4A：User for AA即用户为智能体服务，为智能体提供身份背书、授权、设备、数据等；
G4A：Governance for AA即监管为智能体服务，为智能体提供法规、政策、道德伦理等可信安全方面的约束。
3.2 架构设计考虑
如图2所示，基于AA的无线系统架构可分为四大层：基础设施层、平台能力层、编排管控层和AA层。
基础设施层：支持算力、存储、连接、设备、云等基础硬件和虚拟化平台资源；
平台能力层：支持通信、感知、数据、算法、安全可信等平台内部能力以及智能面、控制面、数据面内外交互能力等；
编排管控层：支持AI全生命周期管理（LCM）、多面协同、端到端协同、多要素协同以及QoS保障能力等；
AA层：支持基于大模型的角色（profile）设定、规划、决策和执行能力，其中包括记忆（知识库）功能、工具使用功能、任务目标设定功能、综合执行功能（包括对环境感知，调用自身的编排管控层、平台能力层、基础设施层的各项功能和资源，以及通过智能面、控制面、数据面对外交互等）。
由于NEA技术仍在发展逐步成熟中，且其对网络架构的影响也有一个逐渐深化的过程，可将NEA对架构设计影响分为三个层次：
第一层次：AA用于解决单域智能的问题，例如：UE自身的、RAN自身的或者CN自身的智能化编排、规划、优化等问题；这个层次主要涉及智能体功能的引入及其与非智能体（如传统的控制面、用户面功能）之间的交互问题，例如基于智能体的IMS（多媒体服务），基于智能体的跨模态通信（音文转换，图文转换等），或者智能体为非智能体提供监控、预测、优化等能力。这个层次可称为：智能体单域自智的网络架构层次。
第二层次：AA用于解决跨域多方协作的问题，例如：UE智能体和RAN智能体之间的共享和协作任务，RAN智能体和网管智能体之间的协作，CN智能体对外的基于意图的能力开放等，这类的协作用于资源共享（例如算力、存储的共享）、QoS优化、节能等；另一方面，AA还用于跨域智能体和非智能体之间的交互问题，例如：RAN智能体为非智能体UE提供预测、优化等服务。这个层次可称为：智能体跨域协作的网络架构层次。
第三层次：AA用于解决跨域组网级多方复杂协作的问题，例如：多个UE智能体和多个RAN智能体之间的协作任务，其中还可以有多个非智能体的协同参与，这类的协作用于组网、重大事件保障等复杂任务。由于这个层次中，智能体在综合性、整体性的组网和网络保障任务中起到中心作用，因此这个层次可称为：以智能体为中心的网络架构层次（ACA, AA-Centric Architecture）。
此外，由于AA本身基于大模型技术且其自主意识思维能力强大，在用于解决无限域各种问题的同时，容易带来不确定性和违规等风险，因此6G网络架构层面必须对智能体的可信安全操作进行保障和监管：
在第一层次：由于智能体主要用于单域智能体，不跨域或对外提供服务，因此该层次的智能体的可信安全可以由其提供方和运营方保障，不涉及对架构的影响。这个层次可称为基于自治可信安全的智能体单域自智的网络架构。
在第二层次：由于智能体已经开始用于提供跨域或对外服务，该层次的智能体的提供方或授权方至少需要通过线下或线上备案许可的方式，以承诺其可信安全。这个层次可称为基于备案许可可信安全的智能体跨域协作的网络架构。
在第三层次：由于智能体已经用于组网级多方复杂协作，而且网络也支持多智能体之间的协作，因此，监管也可以作为一种智能体引入到网络中，并且在线实时地负责对各方智能体及其任务的全生命周期监管。这个层次即为内生可信安全的智能体为中心的网络架构。
如图3所示，对于基于AA的网络架构的接口设计也可以按照三个层次来考虑：
第一层次：以核心网单域为例，AA的引入可以NWDAF为基础，构建AA能力，并且相应升级AA化的NWDAF和其它NF间的接口，类似地，还可以升级NEF以支持AA化的NEF；在RAN侧，尽管5G考虑了AI相关框架，但并没有引入相应的AA功能，因此可以直接引入RAN-AA功能，并支持和CU-CP/CU-UP/DU间的交互；UE侧也可以引入UE-AA并支持和UE的CP/UP功能间的接口。
第二层次：这个层次重点关注跨域的交互协作。UE-AA和RAN-AA间支持直接的逻辑接口，实现跨域AA间的握手、鉴权以及各类简单协作；类似地，RAN-AA和CN-AA间、UE-AA和CN-AA间、CN-AA和APP-AA间、UE-AA和APP-AA间也支持AA间的握手、鉴权以及各类简单协作任务。
第三层次：这个层次重点关注组网级多方多智能体间的复杂协作。多个UE-AA和RAN-AA间组成接入群组，再有政府或行业监管类AA的加入，支持多方参与见证并达成共识的智能体身份创建和认证、授权、任务和群组创建和执行，完成复杂的任务级协作和涉及权益类的交易过程。基于多方共识的群组交互可以采用高可信度和高性能的分布式账本（DLT）技术，例如支持多层级多分区的DAG（有向无环图）技术。类似地，多个RAN-AA和多个CN-AA间、多个CN-AA和多个APP-AA间也可以组成汇聚群组、应用群组；不同群组之间可以进一步组成协调群组，例如接入汇聚协调群组、汇聚应用协调群组等。无论哪种群组，都需要确保高可信度的AA身份、授权和任务可监管，例如不可篡改、可追溯、奖惩权益绑定等。
上述三个层次的架构和接口并不是相互取代关系，而是可根据不同的目标任务需求进行灵活的组合，所以在未来6G基于智能体的网络架构中，上述三个层次的接口可以共存。因此，需要对其并行研究，确保互相之间的衔接性、可集成性。
4 网络智能体NEA相关问题探讨
4.1 为何NEA强于普通通信AI（小）模型
5G-A无线系统网元节点内虽已集成了一些AI功能模块，但不具备智能体能力。通信AI（小）模型旨在解决单个通信目标问题或任务（有针对性、有限域），它们的构建、训练、验证和推理等环节，较大依赖于人类专家的指导设计和部署应用，呈现出相对被动、静态且局部的行为特征。6G无线系统会面对非常多的通感算智信多能力多维度组网等多目标复杂问题或任务，这些不是通信AI（小）模型所能轻易高效解决的[13-14]。NEA可面向更泛化无限域的综合性复杂问题任务而设计，可主动数据采集驱动，深度感知分析规划决策，不直接依赖于外部人类专家的指导调整，呈现出相对主动、动态且全局的行为特征。除此之外，结合自己存储的专家知识经验和各种IT/DT工具，NEA做出的判定决策通常比通信AI（小）模型更具可解释性、鲁棒性和可信度。4.2“网络智能体NEA”和“智能体通信网络ACN”关系
“智能体通信网络”（ACN, AI-agent Communication Network）聚焦在未来移动网络如何能更高效地服务于各种“智能体终端”[15]，即面向各种新的智能体终端，如何提供新交互方式、赋能需求、任务协作、可信管控等。“网络智能体”NEA聚焦在如何在网络侧（主要是RAN和CN）引入内嵌智能体功能，实现智能内生2.0能力。ACN和NEA两者有密切关系，但ACN并非一定要基于NEA，例如：基于一般性的网络侧增强优化也可支持ACN功能，或各种智能体终端对位的智能服务更多部署在DN云端。NEA可更高效地赋能支撑ACN，因为与各种智能体终端对位的智能服务更多部署在6G网络内部。总体上，NEA是ACN设计演进的更高阶目标，它将成为6G网络在线计算、内生AI能力和多维感知能力等价值变现的关键途径。4.3 NEA和网络高性能运行演进关系
首先，面向特定的网络目标任务，NEA需要进行大量的无线/网络感知、数据存储、任务规划、寻优决策、评估验证等操作，其中很大部分会涉及到从UE、RAN到CN的跨域跨节点协作，这就需要6G无线系统运行态下的“连接传输能力”、“感知采集能力”、“计算存储能力”和“业务管控能力”能为NEA操作提供足够的能力支持保障。其次，面对来自智能体终端和网络内部各种AI任务需求，NEA需能够高效应对，并提供相应的智能服务响应（例如：业务工作流编排、服务策略参数设置、多维资源分配调度等）[16-18]。由于NEA在网络运行态下，具备在线自学习演进优化的能力，因此NEA能够不断地优化其智能服务能力，即不断地在线提升特定网络目标任务的执行效能。4.4 NEA和网络高阶运维自治（智）关系
6G无线系统旨在实现高阶的网络运维自治，即从网络“外挂式自治”迈向“内生自智”。NEA能力在规划组网方面目标至少有：环境态势感知自发现、按需动态地灵活自组网、承载传输方式自适配、可信泛在的联盟式接入等[19-22]。NEA在网络维保方面目标至少有：智能策略按需生成和效能预验证、目标任务编排协作、智能高并发会话管控、演进优化目标自寻优等。在NEA能力加持下，未来网络运维态任务将逐渐和运行态相互融合（不再在时间上分离），6G无线系统将能够更快速精准地识别适配被服务环境和各种诉求，并会主动地朝着更优化的方向（如网络资源开销更少更节能）去引导演进。5 结束语
本文阐述了6G智能内生2.0阶段的核心概念与技术愿景，并分析了设计指导原则性需求和具体技术功能需求，强调了遵循价值驱动原则、提升通信服务品质、增强AI性能可视化与可信度以及优化算力资源分配的重要性。结合智能体在空口物理层、高层、核心网侧及跨域一致性上的应用，提出了基于AA的无线系统架构设计，并将其分为解决单域智能、跨域协作与组网级复杂任务的三个层次，并深入探讨了NEA对网络架构的影响和其接口设计考量。此外，对NEA相对于普通通信AI模型的优势、与智能体通信网络（ACN）的关系进行了深入考察，明确了其在促进网络高性能运行和实现高阶运维自治中的关键作用。AA多层次应用会给行行业业的用户在智能化体验方面带来质的飞跃，而基于AA的网络设计会为未来6G无线系统注入新设计思路和革新趋势，为ODICT产业注入新的创新活力和动能。
参考文献：（上下滑动浏览）
[1] 6GANA. 6G内生AI网络架构十问[R]. 2022.
[2] IMT-2030（6G）网络技术工作组. 面向6G网络的智能内生体系架构研究[R]. 2022.
[3] 刘光毅,邓娟,郑青碧,等. 6G智慧内生:技术挑战、架构和关键特征[J]. 移动通信, 2021,45(4): 11.
[4] 段向阳,杨立,夏树强,等. 通感算智一体化技术发展模式[J]. 电信科学, 2022,38(3): 37-48.
[5] 李文璟,喻鹏,张平. 6G智能内生网络架构及关键技术分析[J]. 中兴通讯技术, 2023,29(5): 2-8.
[6] 王梦涵,杨立,朱进国. 6G智能内生系统架构关键技术探究和展望[J]. 信息通信技术, 2023,17(2): 50-57.
[7] 6GANA. 网络AI概念术语白皮书[R]. 2022.
[8] 中国移动6G产业合作大会. 6G网络内生AI技术白皮书1.0[R]. 2024
[9] 谢峰,王菲,刘汉超. 面向6G的多频段智能融合组网[J]. 中兴通讯技术, 2022,28(4): 25-30.
[10] 薛妍,谢峰,杨立,等. 面向6G时代新通信系统的内生感知[J]. 移动通信, 2021,45(4): 79-84.
[11] 赵喆,王菲,杨立,等. 未来无线接入网组件化探究和实践[J]. 无线电通信技术, 2022,48(5): 885-890.
[12] Deutsche Telekom, AT&T, BT, et al. New WID: Study on AI/ML E2E framework[EB/OL]. (2024-06)[2024-11-11]. https://www.3gpp.org/ftp/tsg_sa/TSG_SA/TSGS_104_Shanghai_2024-06/Docs/SP-240970.zip.
[13] 薛妍,杨立,谢峰. 6G时代新用户面设计和关键技术[J]. 移动通信, 2022,46(6): 2-7.
[14] 中国移动通信有限公司研究院. 6G无线内生AI架构与技术白皮书[R]. 2022.
[15] 中国移动6G产业合作大会. 智能体通信网络(ACN)白皮书1.0[R]. 2024.
[16] 杨立,谢峰,戚涛. 解耦设计在移动通信系统中的应用和趋势[C]//5G网络创新研讨会(2020). TD产业联盟,中国电子科技集团公司第七研究所《移动通信》杂志社, 2020: 6.
[17] 6GANA. 面向任务的智慧内生RAN架构白皮书[R]. 2023.
[18] 韩志强,杨立,夏树强. 多模式多频段协作感知应用探究和实践[J]. 无线电通信技术, 2022,48(3): 499-505.
[19] 杨立,韩志强,夏树强,等. 面向6G通感一体化融合能力和特征评估框架之探究[J]. 信息通信技术, 2024,18(2): 52-58+78.
[20] 牟林,杨立,李志军,等. 6G无线侧相关新承载和新传输的愿景需求分析[J]. 信息通信技术, 2021,15(3): 62-68.
[21] 黄峰鹤,张康杰,杨立,等. 6G网络构想与实践[J]. 邮电设计技术, 2023,567(5): 12-18.
[22] 曲至诚,杨立,黄峥. 区块链与6G时代未来网络融合的愿景与挑战[J]. 信息通信技术, 2022,16(5): 62-68. ★
中图分类号：TN929.5 文献标志码：A
谢 峰：博士，中兴通讯6G接入网架构负责人，无线架构首席专家，移动网络和移动多媒体技术国家重点实验室学术带头人，本科毕业于北京大学，博士毕业于新加坡南洋理工大学，之后在英国电信创新中心和香港大学做过短期研究，加入中兴通讯后，历任WiMAX/LTE标准预研子项目经理、5G接入网架构预研负责人、5G RAN原型和产品协议设计总负责人等职。杨 立：（研究员级）正高级工程师，中兴通讯6G技术预研总工，算法部-南京团队负责人（资深专家），具备20年的无线技术预研和标准化经验。个人曾主撰发表通信领域技术论文、白皮书报告、技术专著30多篇（部），主要研究方向为ODICT业态发展战略规划和系统设计，未来无线网络智能化&数字孪生应用、通感算智信一体化和垂直行业应用等。陈 琳：博士，中兴通讯6G技术预研总工，从事空口接入层及网络架构的标准研究设计，先后进行家庭基站、移动中继、设备直通通信、车联网、多播广播、AI等相关标准研究，参加国际标准会议并向3GPP 标准组织提交提案数百篇。截至目前申请国内发明专利以及国际发明专利数百篇，获得多项国家专利授权。孙文文：中兴通讯无线技术预研工程师，硕士毕业于东南大学，主要研究方向为6G原生智能和新业务服务（数字孪生、数据面等）。王 菲：中兴通讯无线技术预研工程师，主要研究方向为6G原生空口智能和空口协议栈等。《移动通信》★往期推荐★《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。
来源：移动通信编辑部
