随着 5G 时代跨过长达十年的蜂窝通信时间框架的中点，6G 研发的步伐正在加快。在这篇博客文章中，我们重点介绍了 NVIDIA 如何在新兴的 6G 领域发挥积极作用，推动行业创新并促进行业协作。
NVIDIA 不仅提供 AI 原生 6G 工具，还与合作伙伴和行业团体合作，以加速创新。如图 1 所示，6G 创新工作利用基于 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 和 NVIDIA Aerial AI 无线电框架，以及在基于 GPU-based 平台上的加速计算。
同样，NVIDIA 正在与合作伙伴和更广泛的电信生态系统（包括 AI-RAN 联盟、3GPP 和 O-RAN）合作，推动由人工智能/机器学习支持的创新，这些创新将改变 6G 时代的需求和机遇。这些创新集成到平台、工具和蓝图中，支持 6G 研究和开发。
无线电接入网的 AI 蓝图
无线电接入网（RAN）是蜂窝网络中计算密集程度最高的部分。它将成为 6G 的许多实际新特性和功能的重点，以提高性能，并启用只有在 RAN 中使用原生人工智能/机器学习才能够完成的新用例和应用程序。
事实证明，AI/ML 方法在解决 RAN 日益复杂的问题方面是有效的。在概述其对 IMT-2030 技术 (例如 6G) 的期望时，国际电信联盟 (ITU) 提出了新的 6G 空中接口是 AI 原生的，并使用 AI/ML 来增强符号检测/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 正在实施 ITU 关于 AI 原生空气接口的提案（图 2）。在第 18 版中，3GPP 对 5G 新无线电（NR）空气接口进行了首次关于 AI/ML 的研究，以调查 AI/ML 的一般框架以及包括通道状态信息（CSI）反馈、波束管理和定位在内的选定用例。第 19 版将在至少三个方面扩展这些内容。
首先，适用于 NR 空中接口的 AI/ML 版本 19 工作项目包括多个研究目标，以解决在版本 18 研究期间发现的突出问题。其次，版本 19 将通过指定与生命周期管理相关的信号和协议方面来支持单侧 AI/ML 模型，其中单侧模型可以是用户设备侧或网络侧。第三，在版本 19 中，3GPP 将针对 NR 空中接口的移动性开展专门的 AI/ML 研究，并进一步考虑用户设备侧的可用信息。
具体来说，该研究将研究基于人工智能/机器学习的用户设备侧模型和网络侧模型的无线电资源管理预测，以及用户设备侧模型的事件预测（例如切换失败、无线电链路故障和测量事件）。
NVIDIA 帮助完成了 3GPP 关于 5G NR 空气接口的 AI/ML 研究在 Release 18 中。NVIDIA 目前正在为 3GPP Release 19 工作项目做出贡献，为 5G NR 空气接口的 AI/ML 引入规范支持，以支持 5G-Advanced 向 6G 的发展。
O-RAN 联盟还在进行以人工智能为中心的转型，以打造原生智能的开放和可互操作架构。通过使用基于人工智能/机器学习的技术，O-RAN 旨在将智能集成到开放式 RAN 架构的每一层中。在 O-RAN 架构中引入 RAN 智能控制器（RIC）是重要的一步发展，使得将基于人工智能/机器学习的解决方案引入各种用例成为可能。
O-RAN 联盟的下一代研究组（nGRG）正在推动启用 AI 本地架构和功能的研究工作，以便实现新一代开放 RAN。这还包括 RAN 与物理网络的其他领域之间的跨域 AI，甚至是物理网络边界之外的物理和数字孪生网络领域之间的跨域 AI。
NVIDIA 是 O-RAN 联盟 nGRG 的联合主席之一，并与主要行业合作伙伴合作，在五个研究流中推进以 RAN 为中心的开放式 6G 研究计划。
- 用例和要求
- 架构
- 原生和跨域 AI
- 安全性
- 新一代研究平台。
NVIDIA 正在与 AI-RAN 联盟中的行业领导者合作，加速实现 AI 驱动的空中接口。不同于制定标准的组织，这些组织的所有工作都专注于开发互操作性的规范文档，而 AI-RAN 联盟的重点是创建实施蓝图，并对新的 AI 原生 RAN 中的 AI/ML 算法的效率进行基准测试。
社区可以使用这些蓝图开发自己的算法版本，以支持相同或新的功能。社区将使用基准测试结果来评估算法和相关人工智能/机器学习框架的性能。该联盟还旨在为实现多租户系统定义蓝图，其中无线接入网（RAN）和其他工作负载（例如生成式人工智能推理工作负载）可以动态共享相同的基础设施资源以提高利用率（人工智能和 RAN）。此外，它旨在为在 RAN 基础设施上实现新一代人工智能驱动应用程序定义蓝图，同时通过利用人工智能/机器学习驱动的算法提高频谱效率（人工智能为 RAN）来提升 RAN 功能。
NVIDIA 还直接与开发者社区合作，使用 NVIDIA Aerial AI 无线电框架 创建和测试新的 AI/ML 算法。这些框架提供了一系列 AI 增强功能，以便在 RAN 中进行训练和推理。框架工具—pyAerial、NVIDIA Aerial Data Lake 和 NVIDIA Sionna，涵盖了从 AI/ML 算法探索到 AI/ML 模型训练和推理的研究领域，为探索 RAN 不同 AI/ML 配置提供了蓝图。
pyAerial 是一个物理层组件 Python 库，可作为工作流程的一部分，将设计从模拟变为实时操作。图 4 展示了其用于神经接收器的示例。Aerial Data Lake 是一个数据捕获平台，支持从基于 Aerial CUDA-Accelerated RAN 的虚拟 RAN（vRAN）网络中捕获无线（OTA）RF 数据。
NVIDIA Sionna 是一个 GPU 加速的开源库，用于链路级模拟。它支持复杂通信系统架构的快速原型设计，并为在 6G 信号处理中集成 机器学习 提供原生支持。这些 AI 无线电框架支持对 NVIDIA Aerial CUDA 加速 RAN 进行 AI 增强，后者是用于构建商业级、软件定义的云原生 5G 和未来 6G RAN 的框架。
数字孪生网络
随着该行业为 6G 设计 AI 原生空气接口，需要一种系统级确定性光线追踪模拟器，可以生成大量合成数据以训练 AI/ML 模型，以及在将城市规模网络部署到物理网络中之前对其进行高保真全系统仿真。这都是需要解决的挑战。数字孪生网络 (DTN) 是应对这些挑战的工具，因为它提供了物理 5G/6G 网络的完整仿真，并反映了其特性、行为和配置，使开发者能够创建 AI/ML 模型，并在模拟环境中测试和微调这些模型。
ITU 希望物理和数字孪生网络之间能够进行共生交互，以便 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，ITU 为 DTN 的功能和服务要求、其安全注意事项以及潜在的架构蓝图奠定了基础性考虑因素。DTN 等技术将明确如何使用射频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，从而增强 6G 系统作为感知网络的使用。
在 TS 22.137 中，3GPP 在其集成感知和通信（ISAC）主题领域下，将无线感知的服务要求分为三个用例类别：物体检测和跟踪、环境监测和运动监控。ISAC 项目探索了将电信基础设施用作无线通信和感知网络的潜力，为无人驾驶飞行器（UAV）、智能家居、车联网（V2X）、工厂、铁路和公共安全等行业提供输入。这为电信公司开辟了新的收入来源。
为了正确评估 ISAC 技术，无线信道建模必须提供一致性，并且最重要的是正确表示环境中基站、设备和物体之间的频率、空间和时间相关性。实现这一点如果没有基于散射现象基础物理性质的传播模型是不自然的，容易发生建模错误，并且会浪费行业的精力。这些考虑因素要求在 DTN 中对无线传播（尤其是光线追踪）进行基于物理性质的确定性建模。NVIDIA 一直在 3GPP Release 19 中为 ISAC 贡献信道建模，支持 ISAC 的确定性/基于光线追踪的信道模型的想法。
在 AI-RAN 联盟上，NVIDIA 及其合作伙伴正在探索如何使用 DTN 针对 AI-for-RAN 工作流进行系统级和站点特定的优化。其中一个关键用例是能够生成合成数据来训练 AI/ML 模型，然后在数字孪生中部署这些模型，以验证它们在实际环境中的性能，然后再在物理 RAN 系统中启用这些模型。
在 O-RAN 联盟 nGRG 上，NVIDIA 正与其他合作伙伴合作，共同制定一套关于数字孪生 RAN（DT-RAN）、其支持技术及其实施蓝图的行业指南。
NVIDIA 为开发者社区提供了一个 DTN 工具，以帮助加速 6G 研发。NVIDIA Aerial Omniverse 数字孪生 (AODT) 是新一代系统级仿真平台，用于在 5G 和 6G 无线系统上执行先进的 AI 原生空中接口研发。NVIDIA Aerial Omniverse 数字孪生 (AODT) 是一个工具，用于在系统级仿真中对系统性能进行基准测试，生成合成数据，并在真实情况下探索基于 AI/ML 的无线通信算法。
该模块化设计使研究人员和合作伙伴能够用自己的创新设计替换任何模块，并分别为商业解决方案强化系统。例如，Ansys 在 IMS 2024 大会和展览上展示了 AODT 与 Perceive EM Solver 集成，让客户可以探索 AI/ML 和虚拟 RAN。即将发布的版本将在 NVIDIA Omniverse 中引入更友好的用户界面、高级地理空间功能和散射模型、64TRx 以及更先进的 AI 功能。
通过 Over the Air 3GPP 兼容网络作为创新沙盒
用于 AI/ML 算法的无线（OTA）开发、验证和基准测试平台是对用于 6G 开发的 DTN 模拟结果的补充。这为行业提供了一个全栈平台，用于学习和 benchmark 新的 AI/ML 算法，发布蓝图、基准 KPI、特定的误差测量结果和特定于空中接口的性能指标。这一点至关重要，尤其是对于定义 6G 所需的创新、能够对标准化进行 benchmark 和评估，以及实现特定的 AI/ML 方法而言。
标准机构认识到需要这样一个创新沙盒。在第 17 版中，3GPP 对支持人工智能的 RAN 智能进行了研究，以确定一套指导标准工作的高级原则，并特别指出人工智能算法和模型是特定于实现的，因此预计不会标准化。
因此，3GPP 使用数据收集、模型训练和模型推理等常用术语为支持 AI 的 RAN 智能定义了参考功能框架，以解决三种用例——网络节能、负载均衡和移动优化。3GPP 版本 18 专注于规范工作，为用例指定数据收集增强功能和信号支持，而版本 19 将增强对使用 AI/ML 的更多用例的支持。O-RAN 的 AI/ML 指导原则还要求在部署前验证经过训练的 AI/ML 模型。
NVIDIA 为开发者社区开发了一个创新沙盒 Aerial RAN CoLab Over-The Air（ARC-OTA），该沙盒利用了分离和现成的硬件和软件组件。ARC-OTA 是一个符合 3GPP Release 15 标准、OTA 操作的 O-RAN 7.2x 分体式校园 5G SA 4T4R 无线全栈，包含来自 RAN 和 5G 核心的所有网络元素。
NVIDIA Aerial CUDA 加速 RAN 第 1 层与 OpenAirInterface（OAI）分布式单元（DU）、集中式单元（CU）、5G NR gNB 和 5G 核心网络元素集成。ARC-OTA 提供全栈可编程性，拥有对源代码的完整访问权限，可以用于启动任何实验，并提供快速周转验证和基准测试结果。
ARC-OTA 是一个通用的参考全栈网络沙盒，供开发者加载开发者插件和扩展程序。一些早期示例包括 Northeastern 的 OpenRANGym，它集成了 O-RAN OSC RIC，可实现动态网络适应性，不仅可以基于 KPM 进行监控，还可以通过潜在的基于 DRL 的 xApp 进行控制。
此外，东北大学还一直在研究用于在 nGRG 中的 O-RAN 中进行实时推理和控制的分布式应用（dApps）。
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，其他开发者也可以提供蓝图，以加快 6G 的创新步伐。
ARC-OTA 是 AODT 的物理 OTA 补充，使研究人员能够在完全模拟网络和具有相同模型和算法优化的物理 OTA 网络之间切换，以进行 6G 研究。与提供链路级模拟的 pyAerial 和 Sionna 以及提供训练数据的 Data Lake 相结合，这些互联工具为创新的 6G 研究提供了一个引人入胜的平台（图 6）。
提升 6G 的 AI/ML 性能
随着实现标准的途径越来越清晰，商业部署也越来越接近，AI/ML 在 6G 中的采用速度将继续加快。NVIDIA 正在与合作伙伴和更广泛的生态系统合作，开发新的工具和方法，以应对 6G 机遇和挑战。
NVIDIA 6G 开发者计划是当前和未来合作的一个重要平台，其中有 1000 多名 6G 研究人员正在使用 NVIDIA Aerial 平台中的工具，对人工智能/机器学习蓝图、数据网络和创新沙盒进行实验。
我们邀请所有积极从事 6G 相关项目的研究人员加入 NVIDIA 6G 开发者计划。
