Agentisk AI mot traditionellt RAN: Övergången till 6G

Agentic AI representerar ett fundamentalt skifte från traditionella RAN-styrenheter (Radio Access Network) genom att möjliggöra autonomt beslutsfattande i realtid via distribuerade agenter som fungerar utan konstant mänsklig intervention eller central tillsyn. Till skillnad från traditionella styrenheter, som ofta förlitar sig på stela, reaktiva regler och introducerar betydande latens genom manuella godkännandecykler, använder Agentic AI-system avancerad inlärning för att proaktivt anpassa sig till nätverksförhållanden. Denna utveckling mot en självstyrande infrastruktur ses alltmer som den nödvändiga ryggraden för de krav på hög kapacitet och låg latens som ställs på 6G-nätverk.

Beyond Black-Box Algorithms: The Rise of Agentic AI-RAN

Traditionell maskininlärning och modeller för förstärkningsinlärning (RL) fungerar ofta som "black boxes", vilket saknar den transparens som krävs för verksamhetskritisk telekommunikation. Även om standard-RL har visat potential för att optimera specifika nätverksparametrar, kämpar tekniken ofta med den långsiktiga planering och de mångdimensionella resonemang som krävs för moderna Open RAN (O-RAN)-miljöer. Forskare skiftar nu fokus mot agentiska system som prioriterar explicit planering och självstyrning för att övervinna dessa begränsningar.

Övergången från statiska algoritmer till långlivade, målorienterade AI-agenter möjliggör en mer robust hantering av nätverkskomplexitet. Dessa agenter utför inte bara en förprogrammerad funktion; de upprätthåller en kontinuerlig resonemangsloop som ligger i linje med nätoperatörens övergripande "avsikt" (intent). Genom att gå ifrån bräcklig, kortsiktig optimering kan Agentic AI hantera livscykeln för nätverksslicar och radioresurser med en nivå av framförhållning som traditionella styrenheter inte kan replikera.

Avsiktsdriven (intent-driven) infrastruktur erkänns alltmer som en absolut förutsättning för skalbarheten i 6G. När 6G-nätverk förbereder sig för att hantera en explosion av IoT-enheter och ultra-pålitlig kommunikation med låg latens (URLLC), blir manuell konfiguration av nätverksparametrar fysiskt omöjlig. Autonoma agenter tillhandahåller det nödvändiga abstraktionslagret, vilket gör det möjligt för mänskliga operatörer att definiera mål på hög nivå – såsom energieffektivitet eller latensmål – medan Agentic AI fastställer den optimala tekniska utförandevägen.

The Architecture of Open RAN (O-RAN) Intelligence

O-RAN-arkitekturen tillhandahåller det nödvändiga ramverket för att hysa intelligenta styrenheter genom Non-Real-Time (Non-RT) och Near-Real-Time (Near-RT) Radio Intelligent Controllers (RIC). I denna hierarki hanterar Non-RT RIC policyvägledning på hög nivå och långsiktig optimering, medan Near-RT RIC utför kontroll-loopar i millisekundområdet. Detta nivåbaserade tillvägagångssätt gör det möjligt för Agentic AI att verka över olika tidsskalor, vilket säkerställer både strategisk anpassning och taktisk lyhördhet.

Agentic AI interagerar direkt med omfattande telemetridata och distribuerade enheter för att skapa en helhetsbild av nätverkets tillstånd. Genom att använda de E2- och O1-gränssnitt som definieras av O-RAN-standarder kan dessa agenter ta in prestandamått i realtid och skicka kontrollåtgärder tillbaka till radiomaskinvaran. Detta dubbelriktade informationsflöde är vad som möjliggör faserna "Observe" (observera) och "Act" (agera) i den agentiska livscykeln, vilket omvandlar rådata till handlingsbar intelligens.

Att navigera i utmaningarna i miljöer med flera hyresgäster (multi-tenant) och flera mål kräver en sofistikerad koordineringsmekanism inom RIC. I ett modernt nätverk konkurrerar olika "hyresgäster" – såsom räddningstjänst, mobila konsumentanvändare och industriell automation – om samma spektrumresurser. Merouane Debbah, Rahim Tafazolli och Mohammad Shojafar har föreslagit att Agentic AI kan lösa dessa konflikter genom att behandla varje mål som ett villkor i ett flervariabelt optimeringsproblem, vilket säkerställer en rättvis och effektiv resursfördelning.

The Agentic Primitives: Plan, Act, Observe, Reflect

Den operativa kärnan i ett Agentic AI-system är Plan-Act-Observe-Reflect-cykeln, som strukturerar hur nätverket svarar på miljöförändringar. Till skillnad från en enkel återkopplingsloop inkluderar denna cykel en "Plan"-fas där agenten utvärderar flera strategier före utförande, och en "Reflect"-fas där den analyserar framgången av sina tidigare handlingar. Denna iterativa process gör det möjligt för systemet att lära av sina framgångar och misslyckanden, vilket leder till en självutvecklande nätverksarkitektur.

• Plan: Agenten bryter ner avsikter på hög nivå till specifika tekniska uppgifter med hjälp av explicit resonemang.
• Act: Agenten utför dessa uppgifter genom att interagera med O-RAN-styrenheter och distribuerade enheter.
• Observe: Kontinuerlig övervakning av telemetridata verifierar om åtgärden uppnådde det önskade tillståndet.
• Reflect: Agenten granskar sin egen prestation och uppdaterar sin interna kunskapsbas för att förbättra framtida beslutsfattande.

Användningen av "färdigheter" (skills) som modulära verktyg gör det möjligt för Agentic AI att utföra specialiserade uppgifter inom radioresurshantering (RRM) med hög precision. Istället för att vara ett monolitiskt program kan agenten anropa specifika "verktyg" – såsom optimering av lobformning (beamforming) eller handover-kontroll – vid behov. Denna modularitet säkerställer att AI:n kan uppdateras med nya funktioner utan att hela systemet behöver göras om, vilket stöder O-RAN-filosofin om disaggregering och leverantörsneutralitet.

Minnes- och evidensloggar skapar en permanent, granskningsbar historik över nätverksbeteende som ökar tillförlitligheten. Genom att föra register över miljötillstånd och motsvarande agentåtgärder kan Agentic AI utföra rotorsaksanalyser när prestandasvackor uppstår. Denna historiska kontext är avgörande för självstyrningsgrindar (self-management gates), som fungerar som säkerhetskontroller för att förhindra att agenten upprepar tidigare misstag eller vidtar åtgärder som kan destabilisera nätverket.

Why is explainable AI critical for the future of Open RAN?

Förklarbar AI (Explainable AI, XAI) är avgörande för Open RAN eftersom det säkerställer mänsklig ansvarsskyldighet, förtroende och regelefterlevnad i autonoma system där ogenomskinliga beslut kan leda till nätverksfel. I miljöer med flera leverantörer gör transparens det möjligt för operatörer att förstå agenters handlingar och verifiera beslut mot servicenivåavtal (SLA). Utan förklarbar AI riskerar införandet av autonoma styrenheter att skapa säkerhetsbrister och hindra den tillsyn som krävs för nationell telekommunikationsinfrastruktur.

Att gå bortom "black-box"-logik är nödvändigt för felsökning och optimering av komplexa 6G-system. När en nätverksslice misslyckas eller latensen spikar har operatörer inte råd att vänta på att en djupinlärningsmodell så småningom ska tränas om. Agentic AI tillhandahåller mänskligt läsbara resonemangsloggar som förklarar varför en specifik resurstilldelning gjordes. Denna transparens gör det möjligt för ingenjörer att ingripa effektivt och ger nödvändig dokumentation för efterlevnad av strikta regleringar inom telekom.

Säkring av nätverket i ett AI-styrt ekosystem kräver att varje beslut är spårbart och granskningsbart. Eftersom Agentic AI-system ges kontroll på hög nivå över radioresurser blir de potentiella mål för fientliga attacker (adversarial attacks). Genom att integrera principer för förklarbar AI kan O-RAN-ramverket implementera rimlighetskontroller ("sanity checks") som flaggar misstänkta eller ologiska resonemang hos agenten, vilket ger ett extra lager av säkerhet mot både programvarufel och externa hot.

Performance Benchmarks: Agentic vs. Conventional Controllers

Rigorösa simuleringsresultat i O-RAN-miljöer med flera celler visar att Agentic AI avsevärt överträffar traditionella xApps för maskininlärning. I direkta jämförelser visade agentiska styrenheter en överlägsen förmåga att hantera livscykeln för nätverksslicar, särskilt under fluktuerande trafikbelastning. Forskarna fann att "Reflect"-primitiven var särskilt effektiv för att minska oscillationer i resurstilldelning, ett vanligt problem i standardinstanser av förstärkningsinlärning.

Ett primärt resultat av forskningen är att det agentiska ramverket uppnådde en genomsnittlig minskning av resursanvändningen med 8,83 % i klassiska nätverksslicar. Denna effektivitetsvinst mättes mot konventionella referensvärden och "ablationsstudier", där specifika agentiska primitiver (som minne eller reflektion) togs bort. Data tyder på att hela sviten av agentiska funktioner är nödvändig för att uppnå den resurseffektivitet som krävs för 6G-nätverk, vilka syftar till att leverera mer data med mindre ström och spektrum.

Självstyrningsgrindar visade sig vara stabilare än traditionella xApps vid hantering av konflikter mellan flera mål. Traditionella xApps upplever ofta "policykonflikter" där två olika optimeringsalgoritmer slåss om samma radioresurs. Agentic AI undviker detta genom att använda sitt planeringslager för att lösa konflikter innan de når utförandestadiet. Detta resulterar i en jämnare och mer förutsägbar nätverksprestanda som är mindre benägen för de plötsliga krascher eller prestandaförsämringar som ses i mindre sofistikerade autonoma system.

Can Agentic AI-RAN reduce 6G resource consumption?

Ja, Agentic AI-RAN kan minska resursförbrukningen i 6G genom autonom optimering, dynamisk resursskalning och proaktiv hantering som minimerar operativt slöseri. Genom att intelligent dirigera om trafik och skala ner inaktiva resurser i realtid säkerställer dessa agenter att energi och beräkningskraft endast används där och när de behövs. Denna självutvecklande förmåga är avgörande för att bygga hållbara 6G-nätverk som uppfyller miljömål samtidigt som de bibehåller hög genomströmning.

Dynamisk resursskalning som hanteras av Agentic AI adresserar problemet med överdimensionering (over-provisioning) inom telekommunikation. Traditionellt dimensionerar nätoperatörer resurser för "toppbelastning", vilket leder till betydande energislöseri under tider med låg trafik. Agentic AI övervakar trafikmönster och förutsäger efterfrågan, vilket gör det möjligt för nätverket att dynamiskt "rättdimensionera" sin resurstilldelning. Detta proaktiva tillvägagångssätt sänker koldioxidavtrycket för RAN-infrastrukturen avsevärt.

Integreringen av energimedveten "intent" i planeringsfasen gör det möjligt för agenter att prioritera hållbarhet som ett centralt operativt mål. När en operatör ställer in en avsikt för "maximal energieffektivitet", kommer Agentic AI att utvärdera alla möjliga radiokonfigurationer – såsom vilolägen för små celler eller Massive MIMO-optimeringar – för att hitta den väg som förbrukar minst ström men ändå uppfyller minimikraven för tjänsten. Denna nivå av granulär kontroll är ett stort steg mot den "gröna" 6G-vision som främjas av forskare som Merouane Debbah.

Future Outlook: Resource Efficiency and 6G Standards

Arbetet från forskare som Merouane Debbah, Rahim Tafazolli och Mohammad Shojafar formar nästa generations O-RAN-standarder. Deras resultat betonar att intelligens inte bör vara ett "tillägg" till nätverket utan snarare ett grundläggande element i arkitekturen. Allteftersom 6G-standarder utarbetas kommer inkluderingen av agentiska primitiver såsom explicit planering och minnesloggar sannolikt att bli centrala i de tekniska specifikationerna för framtida Radio Intelligent Controllers.

Färdplanen mot ett helt självutvecklande nätverkslandskap kräver att man övervinner nuvarande utmaningar inom interoperabilitet mellan olika leverantörer. För att Agentic AI ska nå sin fulla potential måste agenter från olika utvecklare kunna kommunicera sina resonemang och avsikter med varandra. Framtida forskning kommer sannolikt att fokusera på att skapa standardiserade "avsiktsspråk" (intent languages) och "färdighets-API:er" (skill APIs) som gör det möjligt för olika AI-agenter att samarbeta sömlöst inom en enda O-RAN-driftsättning.

I slutändan lovar övergången till Agentic AI-RAN en framtid inom telekommunikation som är mer effektiv, mer tillförlitlig och mer transparent. Genom att röra sig bort från stela black-box-algoritmer mot förklarbara, avsiktsdrivna agenter, lägger branschen grunden för ett 6G-ekosystem som kan utvecklas i realtid för att möta behoven i en hyperuppkopplad värld. Den resursminskning på 8,83 % som redan observerats i simuleringar är bara början på vad Agentic AI kan uppnå i strävan efter det ultimata autonoma nätverket.