AI预见6G：挑战、技术、与应用

人员

报告安排

1. 13:40–14:20

   AI-RAN视角下任务导向的多模型通信与协同

   陈子晗 · 新加坡科技设计大学

   简介

   随着大模型能力向无线接入网、边缘计算和终端智能持续延伸，6G网络正在从“AI赋能RAN”迈向“AI原生RAN”。在这一演进过程中，AI-RAN不再仅仅是利用AI优化无线资源管理，而是需要将通信、计算、数据与模型能力深度融合，支撑大模型与小模型、云端与边缘、网络与终端之间的高效协同。本报告将围绕“从比特到语义变量”的模型协同演进主线，分析AI-RAN中多模型协同对象由模型权重、梯度等，进一步演进为token和隐空间变量的技术趋势。与此同时，报告将从语义通信视角重新理解AI-RAN架构，探讨网络传输对象如何从传统比特流转向任务相关的语义变量，从而降低通信开销、提升推理效率，并增强边缘智能服务能力。最后，报告将进一步讨论任务导向的多模型通信与协同机制在具身智能、工业智能体等新型6G应用中的潜在价值与关键挑战。

2. 15:10–15:50

   面向下一代通信网络的 LLM：基础、关键技术与未来方向

   Xue (Steve) Liu · MBZUAI

   简介

   大语言模型（LLMs）正在深刻改变人工智能的发展格局，并有望在下一代（NextG）通信网络的演进中发挥关键作用。除了在自然语言理解与生成方面展现出的卓越能力之外，LLMs 也为网络智能化、网络自动化、网络优化以及自主决策带来了新的机遇。本报告将首先简要介绍 LLM 的基础知识及其部署中的实际考量。随后，报告将重点介绍若干关键技术与案例研究，包括用于网络流量预测的自我优化 LLM、用于传输功率优化的上下文学习方法，以及用于 6G 网络复杂任务规划的多 LLM 辩论框架。这些研究共同展示了 LLM 如何推动网络预测、网络优化和网络自动化规划的发展。最后，报告将展望实现智能化下一代通信网络的未来研究方向。

3. 15:55–16:35

   说出你的网络：基于多智能体编排的自动化网络仿真构建

   虞红芳 · 电子科技大学

   简介

   网络研究通常依赖于高保真仿真，但构建绿地（greenfield）环境仍需要大量人工操作。大语言模型智能体在意图与实现之间存在鸿沟：长上下文、弱验证以及单一模型的使用，使得将意图转化为可运行的仿真器状态变得困难。我们提出了NICE，一个从自然语言意图构建绿地仿真的闭环多智能体框架。NICE将分层的主管—工人架构与上下文隔离、用于状态接地和自我修复的闭环验证、双层经验记忆以及自适应LLM路由相结合。在包含30个任务的基准测试上，NICE将成功率从3.3%提升至90.0%，相比不带路由的变体，将每个任务的平均模型成本从0.045美元降低至0.034美元，并将首次通过率从46.7%提高至76.7%。

4. 14:25–15:05

   面向6G具身智能的通感算控一体化网络架构与闭环优化

   何欣欣 · 北京邮电大学

   简介

   具身智能体网络的规模化部署正面临资源异构、动态环境与实时性约束的挑战。本报告聚焦6G AI-RAN架构下多智能体系统的通感算控一体化协同问题，提出一种云边端分层协同网络架构与闭环优化方法。为解决高维认知语义与底层控制在时空尺度上的深层解耦需求，构建宏-微双时间尺度的大脑-小脑具身智能协同框架。云端作为认知大脑，负责理解用户高层意图并将其分解为结构化任务流程；边缘作为实时调度中枢，完成通信、感知、计算资源的联合编排；端侧具身智能体作为执行单元，将调度指令转化为连续的物理动作。三个层级实现认知一致，形成从意图解析到执行反馈的完整闭环，使系统能够在动态环境中自主完成复杂协同任务。针对动态网络状态与物理环境不确定性带来的优化问题，报告进一步介绍一种基于轻量化智能决策模型的资源管理方法。最后，本报告还将介绍一套面向6G AI-RAN具身智能体网络的原型实验系统平台搭建进展，涵盖云-边-端三层功能实体部署与典型多智能体协同场景的性能验证。

5. 16:40–17:20

   多智能体协作赋能的智能内生无线网络关键技术

   夏文超 · 南京邮电大学

   简介

   当前移动物联网人机物融合场景呈现终端异构、业务动态、环境复杂的特征，传统基于静态规则的接入管控机制难以适配泛在接入与差异化业务保障需求，亟须构建具备内生智能的新型网络管控体系。本报告围绕 “多智能体协作赋能的智能内生无线网络关键技术” 展开，立足大规模人机物交互场景，面向多终端差异化业务需求，提出以多智能体协作为核心路径，构建知识、编排、监管等多类智能体协同联动机制，将智能内生能力深度嵌入无线网络管控全流程。最后，报告结合AI-RAN、RIS智能管控等业务场景探索智能体应用潜力。