随着 5G 时代跨过蜂窝网络世代十年期的中点，6G 的研究和开发步伐正在加快。本文将重点介绍 NVIDIA 如何在新兴的 6G 领域发挥积极作用，推动创新并促进行业合作。

NVIDIA 不仅提供 AI 原生 6G 工具，还与合作伙伴和行业团体携手推动创新。如图 1 所示，6G 创新工程采用了 NVIDIA Aerial 平台的 AI 原生工具，包括 NVIDIA Aerial CUDA 加速 RAN、NVIDIA Aerial Omniverse 数字孪生以及 NVIDIA Aerial AI 无线电框架，同时结合了基于 GPU 的平台进行的高效计算。

同样，NVIDIA 正在与其合作伙伴和整个电信生态系统（包括 AI-RAN 联盟、3GPP 和 O-RAN）合作，推动 AI/ML 赋能的创新。这些创新将塑造 6G 时代的需求和机遇，并且被集成到各平台、工具和蓝图中，赋能 6G 的研究和开发。

图 1.  AI 和加速计算将定义 6G

无线接入网络（RAN）是蜂窝网络中计算最密集的部分。它将作为 6G 众多显著新特性和功能的中心，提高性能，并赋能新的用例和应用，这些用例和应用只能通过在 RAN 中以原生方式使用 AI/ML 才能实现。

事实证明，AI/ML 方法可有效解决 RAN 日益复杂的问题。国际电信联盟（ITU）在概述其对 IMT-2030 技术（例如 6G）的期望时，建议新的 6G 空中接口采用 AI 原生空中接口，并使用 AI/ML 提高符号检测/解码和信道估计等无线电接口功能的性能。

从标准化的角度来看，3GPP 正在将 ITU 关于 AI 原生空中接口的建议付诸实践（图 2）。在第 18 版中， 3GPP 首次针对 5G 新无线（NR）空中接口开展了 AI/ML 研究，以便调查 AI/ML 的总体框架以及选定的用例，包括信道状态信息（CSI）反馈、波束管理和定位等。第 19 版将至少在三个方面对其进行扩展。

第一，为解决第 18 版研究中发现的未解决问题，第 19 版关于 NR 空中接口 AI/ML 的工作内容中加入了若干研究目标。第二，第 19 版将通过指定与全生命周期管理（LCM）相关的信令和协议方面支持单侧 AI/ML 模型，其中的单侧模型可以是 UE 侧模型，也可以是网络侧模型。第三，在第 19 版中，3GPP 将对 NR 空中接口中的 AI/ML 的移动性进行专门研究，进一步考虑 UE 侧的可用信息。

具体而言，该研究将调查基于 AI/ML 的 UE 侧模型和网络侧模型无线资源管理预测，以及 UE 侧模型的事件预测（例如切换失败、无线链路故障和测量事件）。

NVIDIA 为 3GPP 完成第 18 版 5G NR 空中接口的 AI/ML 研究做出了贡献。NVIDIA 目前正在参与 3GPP 第 19 版 5G NR 空中接口 AI/ML 工作，为将 AI/ML 用于 5G-Advanced 向 6G 的过渡提供规范支持。

图 2.  3GPP 第 18 版中

关于将 AI 用于 5G-Advanced 的概述

O-RAN 联盟的下一代研究小组（nGRG）正在推动下一代开放式 RAN 的 AI 原生架构和功能研究工作。该研究工作还涵盖了处于 RAN 与其他物理网络域之间的跨域 AI，甚至涵盖了超出物理网络边界范围、处于物理网络域与数字孪生网络域之间的跨域 AI。

NVIDIA 作为 O-RAN 联盟 nGRG 的联合主席之一，正在领导 O-RAN 联盟 nGRG 并与主要的行业合作伙伴合作，从五个研究方向推进以开放式 RAN 为中心的 6G 研究工作：

• 用例和需求
  

• 架构
  

• 原生和跨域 AI
  

• 安全性
  

• 下一代研究平台
  

图 3. 在 O-RAN 中分阶段实现 AI 的方法

NVIDIA 正在与 AI-RAN 联盟中的行业领导者一同加速实现 AI 驱动的空中接口。与所有工作都集中在制定互通性规范文件的标准制定组织不同，AI-RAN 联盟的工作重点是为新的 AI 原生 RAN 创建实现蓝图，并对 AI/ML 算法的效率进行基准测试。

该社群可使用这些蓝图开发自己的算法版本，为同一功能或新功能提供支持，还可使用基准测试结果来评估算法和相关 AI/ML 框架的性能。该联盟还被授权制定多租户系统的实现蓝图，这种系统中的 RAN 和其他工作负载（如生成式 AI 推理工作负载）能够动态共享相同的基础设施资源，从而提高使用率（AI-and-RAN）。此外，该联盟还将制定在 RAN 基础设施上实现下一代 AI 驱动应用的蓝图（AI-on-RAN），并使用 AI/ML 驱动的算法提高频谱效率，以此增强 RAN 的功能（AI-for-RAN）。

NVIDIA 还与开发者社群直接合作，使用 NVIDIA  Aerial AI 无线电框架来创建和测试新的 AI/ML 算法。这些框架提供了全套 AI 增强功能，实现了在 RAN 中的训练和推理。pyAerial、NVIDIA Aerial 数据湖和 NVIDIA Sionna 等框架工具涵盖了从 AI/ML 算法探索到 AI/ML 模型训练和推理的所有研究领域，为探索 RAN 的不同 AI/ML 配置提供了蓝图。

pyAerial 是一个 Python 物理层组件库，可加入到将设计从仿真转换成实时运行的工作流中。图 4 展示了一个将其用于神经接收器的示例。Aerial 数据湖是一个数据捕获平台，该平台支持从基于 Aerial CUDA 加速 RAN 构建的虚拟 RAN（vRAN）网络中捕获空中（OTA）射频数据。

NVIDIA Sionna 是一个用于链路级仿真的 GPU 加速开源库。它实现了复杂通信系统架构的快速原型开发，并提供了将机器学习集成到 6G 信号处理的原生支持。这些 AI 无线电框架增强了 NVIDIA Aerial CUDA 加速 RAN 中的 AI。NVIDIA Aerial CUDA 加速 RAN 是一个用于构建商业级、软件定义和云原生的 5G RAN 和未来 6G RAN 的框架。

图 4. 使用 pyAerial 构建

神经接收器的 Aerial AI 无线电框架示例

在业界为 6G 设计 AI 原生空中接口的过程中，亟待解决的挑战有：需要一个基于光追的系统级确定性仿真器，该仿真器必须能够生成大量用于训练 AI/ML 模型的合成数据；以及在将这些模型部署到物理网络之前，需要对城市规模的网络进行高保真全系统仿真。数字孪生网络（DTN）有助于解决这些挑战，它可以完整模拟 5G/6G 物理网络并反映其特征、行为和配置，使开发者能够创建 AI/ML 模型，并在仿真环境中对其进行测试和微调。

ITU 希望通过物理网络和数字孪生网络之间的共生互动，使 DTN 能够高效、智能地实时验证、模拟、部署和管理 6G 时代的网络。在其关于“数字孪生网络要求和架构”的 Y.3090 建议中，该组织对 DTN 的功能和服务要求、安全考虑因素以及潜在的架构蓝图提出了基本设想。DTN 等技术将明确如何利用无线电频率流量特征来确定物体的距离、角度和速度等属性以及周围环境的特征，以此加强 6G 系统作为传感网络的作用。

3GPP 在 TS 22.137 中的综合传感与通信（ISAC）主题下定义了无线传感的服务要求。这些要求被分成三种用例：物体检测与追踪、环境监测和运动监测。ISAC 项目探究了将电信基础设施用作无线通信和传感网络的潜力。该项目为无人机（UAV）、智能家居、车对万物（V2X）、工厂、铁路和公共安全等各个行业提供数据资料，为电信公司开辟了新的收入来源。

为正确评估 ISAC 技术，无线信道建模必须保证一致性，最重要的是，必须正确表示环境中所有基站、设备和物体的频率、空间和时间相关性。如果不使用基于散射现象基本物理原理的传播模型来实现这一点，就会不自然且容易出现建模错误，并浪费业界的精力。出于这些考虑，需要在 DTN 中为无线传播（尤其是光线追踪）建立确定性的、基于物理学的模型。NVIDIA 一直致力于 3GPP 第 19 版中 ISAC 的信道建模工作，倡导为 ISAC 建立确定性/基于光追的信道模型。

在 AI-RAN 联盟中，NVIDIA 及其合作伙伴正在探索如何使用 DTN 对 AI-for-RAN 工作流进行全系统和特定站点优化。其中的一个关键用例是生成合成数据，并使用这些数据训练 AI/ML 模型，然后在物理 RAN 系统启用这些模型之前，将这些模型部署到数字孪生中进行性能验证。

在 O-RAN 联盟 nGRG，NVIDIA 正与其他合作伙伴联合制定一套有关数字孪生 RAN（DT-RAN）、其使能技术及其实现蓝图的行业指南。

NVIDIA 为开发者社群提供了一个帮助加快 6G 研究和开发的 DTN 工具。NVIDIA Aerial Omniverse 数字孪生（AODT）是一个下一代系统级仿真平台，适用于 5G 和 6G 无线系统的前沿 AI 原生空中接口研发。AODT 通过将光追信道应用于 RAN 的物理层（PHY）和介质访问控制层（MAC），帮助开发者在系统级仿真中的真实条件下对系统性能进行基准测试、生成合成数据，并探索基于 AI/ML 的无线通信算法。

借助模块化设计，研究人员和合作伙伴能够将任何模块替换成自己的创新设计，并加固各自的商业解决方案系统。例如 Ansys 在 2024 年国际微波技术展览会（IMS 2024）上展示了与 Perceive EM Solver 集成的 AODT，供客户探索 AI/ML 和虚拟 RAN。即将发布的版本将在 NVIDIA Omniverse 中加入更友好的用户界面、先进的地理空间功能和散射模型 64TRx，以及更先进的 AI 功能。

图 5.  NVIDIA Aerial Omniverse 数字孪生

空中（OTA）AI/ML 算法开发、验证和基准测试平台补充了 DTN 的 6G 开发仿真结果，为业界提供了一个用于 AI/ML 新算法学习和基准测试、蓝图发布、KPI 基准测试、特定误差测量和空中接口特定性能指标的全栈平台。这一点至关重要，尤其是对于定义 6G 所需的创新、对标准化进行基准测试和评估的能力，以及专门用于实现的 AI/ML 方法而言。

标准机构需要这样一个创新沙盒。在第 17 版中，3GPP 对 AI 赋能的 RAN 智能进行了研究，确定了一套指导标准工作的高层次原则，尤其指出 AI 算法和模型专门用于实现，因此预计不会被列入标准。

因此，3GPP 为 AI 赋能的 RAN 智能定义了一个包含数据采集、模型训练、模型推理等的参考功能框架。该框架覆盖了三种用例：网络节能、负载平衡和移动性优化。3GPP 第 18 版的重点是通过规范性工作，以指定数据采集增强功能和对用例的信令支持，而第 19 版将使用 AI/ML 加强对更多用例的支持。O-RAN 的 AI/ML 指导原则还要求在部署前对经过训练的 AI/ML 模型进行验证。

NVIDIA 为开发者社群开发了一个名为 Aerial RAN 空中联合实验室（ARC-OTA）的创新沙盒，该沙盒充分利用了分解和现成的软硬件组件。ARC-OTA 是一个符合  3GPP 第 15 版标准、可空中运行的 O-RAN 7.2x 分离式园区 5G SA 4T4R 无线全栈沙盒，包含 RAN 和 5G 核心网的所有网络元素。

NVIDIA Aerial CUDA 加速 RAN 第 1 层集成了 OpenAirInterface（OAI）分布单元（DU）、集中单元（CU）和 1 个 5G NR gNB 以及 5G 核心网网络元素。ARC-OTA 提供了全栈可编程性，并且具有完整的源代码访问权限，因此能够添加任何实验，实现验证和基准测试结果的快速周转。

ARC-OTA 是一个供开发者添加开发插件和扩展程序的多功能参考全栈网络沙盒。其早期示例包括美国东北大学的 OpenRANGym，该平台通过集成 O-RAN OSC RIC，获得了动态网络适应能力，不仅可以基于 KPM 进行监视，还可通过基于 DRL 的潜在 xApps 进行控制。

美国东北大学还在 nGRG 中开展了针对 O-RAN 实时推理和控制的分布式应用（dApps）研究。

另一个示例是 Sterling 的 K8 服务编排和监控开发者扩展程序。同样，其他开发者也可以通过贡献蓝图，加快 6G 的创新步伐。

ARC-OTA 补充了 AODT 缺少的物理 OTA 网络，使研究人员能够根据 6G 研究的需要，在具有相同模型和算法优化措施的全仿真网络和物理 OTA 网络之间进行选择。这些相互关联的工具与提供链路级仿真的 pyAerial 和 Sionna 以及提供训练数据的数据湖一起，为 6G 创新研究创造了一个极具吸引力的平台（图 6）。

图 6. 用于 6G 研究的 NVIDIA 工具和平台

随着标准化路径的日渐清晰和商业化部署的日益临近，将 AI/ML 应用于 6G 的步伐将继续加快。NVIDIA 正在与其合作伙伴和整个生态系统合作，开发应对 6G 机遇和挑战的新工具与方法。

NVIDIA 6G 开发者计划是推动当前和未来合作的一个重要平台。该计划的一千多名 6G 研究人员正在使用 NVIDIA Aerial 平台中的工具，尝试 AI/ML 蓝图、DTN 和创新沙盒。

与 NVIDIA 产品相关的图片或视频（完整或部分）的版权均归 NVIDIA Corporation 所有。