Агентный ИИ (Agentic AI) представляет собой фундаментальный сдвиг по сравнению с традиционными контроллерами сетей радиодоступа (RAN), обеспечивая автономное принятие решений в режиме реального времени с помощью распределенных агентов, которые функционируют без постоянного вмешательства человека или централизованного надзора. В отличие от традиционных контроллеров, которые часто полагаются на жесткие, реактивные правила и вносят значительные задержки из-за циклов ручного одобрения, системы агентного ИИ используют сложное обучение для упреждающей адаптации к условиям сети. Эта эволюция в сторону самоуправляемой инфраструктуры все чаще рассматривается как важнейшая основа для обеспечения высокой пропускной способности и низкой задержки, необходимых для сетей 6G.
Помимо алгоритмов «черного ящика»: рост Agentic AI-RAN
Традиционные модели машинного обучения и обучения с подкреплением (RL) часто работают как «черные ящики», которым не хватает прозрачности, необходимой для критически важных телекоммуникаций. Хотя стандартное RL показало многообещающие результаты в оптимизации конкретных параметров сети, оно часто сталкивается с трудностями при долгосрочном планировании и многоцелевом обосновании, необходимых для современных сред Open RAN (O-RAN). Исследователи теперь переориентируются на агентные системы, в которых приоритет отдается явному планированию и самоуправлению для преодоления этих ограничений.
Переход от статических алгоритмов к долгоживущим, целеориентированным ИИ-агентам позволяет более эффективно справляться со сложностями сети. Эти агенты не просто выполняют заранее запрограммированную функцию; они поддерживают непрерывный цикл рассуждений, который согласуется с общим «намерением» (intent) сетевого оператора. Отказываясь от хрупкой краткосрочной оптимизации, агентный ИИ может управлять жизненным циклом сетевых слайсов и радиоресурсов с таким уровнем предвидения, который традиционные контроллеры не способны воспроизвести.
Инфраструктура, управляемая намерениями, все чаще признается обязательным условием для масштабируемости 6G. Поскольку сети 6G готовятся к взрывному росту числа устройств IoT и сверхнадежных коммуникаций с низкой задержкой (URLLC), ручная настройка сетевых параметров становится физически невозможной. Автономные агенты обеспечивают необходимый уровень абстракции, позволяя операторам-людям определять цели высокого уровня — такие как энергоэффективность или целевые показатели задержки — в то время как агентный ИИ определяет оптимальный путь технического исполнения.
Архитектура интеллекта Open RAN (O-RAN)
Архитектура O-RAN предоставляет необходимую структуру для размещения интеллектуальных контроллеров через интеллектуальные контроллеры радиосети (RIC) не-реального времени (Non-RT) и близкого к реальному времени (Near-RT). В этой иерархии Non-RT RIC отвечает за высокоуровневое руководство политиками и долгосрочную оптимизацию, в то время как Near-RT RIC выполняет циклы управления в диапазоне миллисекунд. Этот многоуровневый подход позволяет агентному ИИ работать в разных временных масштабах, обеспечивая как стратегическую согласованность, так и тактическую оперативность.
Агентный ИИ напрямую взаимодействует с богатыми данными телеметрии и распределенными узлами для создания комплексного представления о состоянии сети. Используя интерфейсы E2 и O1, определенные стандартами O-RAN, эти агенты могут поглощать метрики производительности в реальном времени и передавать управляющие действия обратно на радиооборудование. Этот двунаправленный поток информации — то, что обеспечивает фазы «Наблюдения» и «Действия» в жизненном цикле агента, превращая необработанные данные в действенный интеллект.
Навигация в сложностях многоарендных и многоцелевых сред требует сложного механизма координации внутри RIC. В современной сети различные «арендаторы» — такие как экстренные службы, потребители мобильной связи и промышленная автоматизация — конкурируют за одни и те же ресурсы спектра. Merouane Debbah, Rahim Tafazolli и Mohammad Shojafar предложили концепцию, согласно которой агентный ИИ может разрешать эти конфликты, рассматривая каждую цель как ограничение в многофакторной задаче оптимизации, обеспечивая справедливое и эффективное распределение ресурсов.
Примитивы агента: Планирование, Действие, Наблюдение, Рефлексия
Операционным ядром системы агентного ИИ является цикл «Планирование — Действие — Наблюдение — Рефлексия», который структурирует реакцию сети на изменения среды. В отличие от простой петли обратной связи, этот цикл включает фазу «Планирования», где агент оценивает несколько стратегий перед выполнением, и фазу «Рефлексии», где он анализирует успех своих прошлых действий. Этот итеративный процесс позволяет системе учиться на своих успехах и неудачах, что ведет к созданию саморазвивающейся сетевой архитектуры.
- Планирование: Агент декомпозирует высокоуровневые намерения в конкретные технические задачи, используя логические рассуждения.
- Действие: Агент выполняет эти задачи, взаимодействуя с контроллерами O-RAN и распределенными узлами.
- Наблюдение: Непрерывный мониторинг данных телеметрии проверяет, привело ли действие к желаемому состоянию.
- Рефлексия: Агент проводит аудит собственной эффективности, обновляя внутреннюю базу знаний для улучшения будущих решений.
Использование «навыков» (skills) в качестве модульных инструментов позволяет агентному ИИ выполнять специализированные задачи управления радиоресурсами (RRM) с высокой точностью. Вместо того чтобы быть монолитной программой, агент может по мере необходимости обращаться к конкретным «инструментам» — например, для оптимизации диаграммы направленности (beamforming) или управления хендовером. Такая модульность гарантирует, что ИИ можно обновлять, добавляя новые возможности без полной переработки системы, что поддерживает философию дезагрегации и вендорной нейтральности O-RAN.
Память и журналы свидетельств создают постоянную, проверяемую историю поведения сети, что повышает надежность. Ведя учет состояний среды и соответствующих действий агента, агентный ИИ может выполнять «анализ первопричин» при падении производительности. Этот исторический контекст жизненно важен для шлюзов самоуправления, которые действуют как механизмы безопасности, предотвращая повторение агентом прошлых ошибок или совершение действий, способных дестабилизировать сеть.
Почему объяснимый ИИ критически важен для будущего Open RAN?
Объяснимый ИИ (XAI) имеет решающее значение для Open RAN, поскольку он обеспечивает подотчетность человека, доверие и соответствие нормативным требованиям в автономных системах, где непрозрачные решения могут привести к сбою сети. В средах с решениями от разных поставщиков прозрачность позволяет операторам понимать действия агентов и сверять решения с соглашениями об уровне обслуживания (SLA). Без объяснимого ИИ внедрение автономных контроллеров рискует создать уязвимости в безопасности и препятствует надзору, необходимому для национальной телекоммуникационной инфраструктуры.
Выход за рамки логики «черного ящика» необходим для отладки и оптимизации сложных систем 6G. Когда сетевой слайс выходит из строя или происходят скачки задержки, операторы не могут позволить себе ждать, пока модель глубокого обучения в конечном итоге переобучится. Агентный ИИ предоставляет удобочитаемые журналы рассуждений, объясняющие, почему было принято решение о конкретном распределении ресурсов. Эта прозрачность позволяет инженерам эффективно вмешиваться и обеспечивает необходимую документацию для соблюдения строгих телекоммуникационных правил.
Обеспечение безопасности сети в экосистеме под управлением ИИ требует, чтобы каждое решение было отслеживаемым и подлежало аудиту. Поскольку системам агентного ИИ предоставляется высокоуровневый контроль над радиоресурсами, они становятся потенциальными целями для враждебных атак. Внедряя примитивы объяснимого ИИ, платформа O-RAN может реализовать «проверки на адекватность», которые помечают подозрительные или нелогичные рассуждения агента, обеспечивая дополнительный уровень защиты как от программных ошибок, так и от внешних угроз.
Показатели эффективности: Агентные контроллеры против традиционных
Результаты тщательного моделирования в многосотовых средах O-RAN демонстрируют, что агентный ИИ значительно превосходит традиционные приложения машинного обучения (xApps). В прямых сравнениях агентные контроллеры показали превосходную способность управлять жизненным циклом сетевых слайсов, особенно в условиях колеблющейся нагрузки трафика. Исследователи обнаружили, что примитив «Рефлексия» был особенно эффективен в снижении осцилляций при распределении ресурсов — распространенной проблемы в стандартных развертываниях обучения с подкреплением.
Основным выводом исследования является то, что агентная архитектура позволила добиться среднего снижения использования ресурсов на 8,83% в классических сетевых слайсах. Этот прирост эффективности измерялся по сравнению с традиционными базовыми показателями и в ходе «абляционных» исследований, когда удалялись конкретные агентные примитивы (например, память или рефлексия). Данные свидетельствуют о том, что полный набор агентных возможностей необходим для достижения эффективности ресурсов, требуемой для сетей 6G, целью которых является передача большего объема данных при меньшем потреблении энергии и спектра.
Шлюзы самоуправления оказались более стабильными, чем традиционные xApps, при разрешении многоцелевых конфликтов. Традиционные xApps часто сталкиваются с «конфликтами политик», когда два разных алгоритма оптимизации борются за один и тот же радиоресурс. Агентный ИИ избегает этого, используя свой уровень планирования для разрешения конфликтов еще до того, как они достигнут стадии выполнения. Это приводит к более плавной и предсказуемой работе сети, менее склонной к внезапным сбоям или деградации производительности, наблюдаемым в менее совершенных автономных системах.
Может ли Agentic AI-RAN снизить потребление ресурсов в 6G?
Да, Agentic AI-RAN может снизить потребление ресурсов в 6G за счет автономной оптимизации, динамического масштабирования ресурсов и проактивного управления, сводящего к минимуму эксплуатационные потери. Рационально перенаправляя трафик и в реальном времени отключая неактивные ресурсы, эти агенты гарантируют, что энергия и вычислительные мощности используются только там и тогда, когда они необходимы. Эта способность к самоэволюции необходима для построения устойчивых сетей 6G, которые соответствуют экологическим целям при сохранении высокой пропускной способности.
Динамическое масштабирование ресурсов под управлением агентного ИИ решает проблему избыточного резервирования в телекоммуникациях. Традиционно сетевые операторы резервируют ресурсы под «пиковую нагрузку», что ведет к значительным потерям энергии в часы низкой активности. Агентный ИИ отслеживает паттерны трафика и предсказывает спрос, позволяя сети динамически подбирать оптимальный объем ресурсов. Этот проактивный подход существенно снижает углеродный след инфраструктуры RAN.
Интеграция энергоэффективных намерений в фазу планирования позволяет агентам приоритизировать устойчивое развитие как основную операционную цель. Когда оператор задает намерение «Максимальная энергоэффективность», агентный ИИ оценивает все возможные конфигурации радиосвязи — такие как спящие режимы для малых сот или оптимизация Massive MIMO — чтобы найти путь с минимальным энергопотреблением при соблюдении минимальных требований к обслуживанию. Этот уровень детализированного контроля является важным шагом на пути к концепции «зеленого» 6G, продвигаемой такими исследователями, как Merouane Debbah.
Перспективы на будущее: эффективность ресурсов и стандарты 6G
Работа таких исследователей, как Merouane Debbah, Rahim Tafazolli и Mohammad Shojafar, формирует следующее поколение стандартов O-RAN. Их выводы подчеркивают, что интеллект должен быть не «надстройкой» к сети, а фундаментальным элементом архитектуры. По мере разработки стандартов 6G включение агентных примитивов, таких как явное планирование и журналы памяти, вероятно, станет центральным элементом технических спецификаций будущих интеллектуальных контроллеров радиосети.
Дорожная карта к полностью саморазвивающемуся сетевому ландшафту требует преодоления текущих проблем в совместимости решений от разных вендоров. Чтобы агентный ИИ полностью раскрыл свой потенциал, агенты от разных разработчиков должны иметь возможность сообщать друг другу свои рассуждения и намерения. Будущие исследования, вероятно, будут сосредоточены на создании стандартизированных «языков намерений» и «API навыков», которые позволят различным ИИ-агентам беспрепятственно сотрудничать в рамках одного развертывания O-RAN.
В конечном счете, переход к Agentic AI-RAN обещает телекоммуникационное будущее, которое будет более эффективным, надежным и прозрачным. Отходя от жестких алгоритмов «черного ящика» в сторону объяснимых, управляемых намерениями агентов, отрасль закладывает основу для экосистемы 6G, способной эволюционировать в реальном времени для удовлетворения потребностей гиперподключенного мира. Сокращение потребления ресурсов на 8,83%, уже наблюдаемое в симуляциях, — это только начало того, чего может достичь агентный ИИ в стремлении к созданию совершенной автономной сети.
Comments
No comments yet. Be the first!