随着电信行业向更智能、更高效的系统迈进，将 AI 集成到 RAN 中已不再是可有可无，而是至关重要。

随着 6G 时代的到来，人工智能 (AI) 有望降低运营成本，并带来更大的盈利机会。AI-RAN 正处于这一变革的前沿，在 RAN 环境中引领 AI/ML 算法的测试和基准测试。

RAN性能优化：

示例包括：

• 适用于超大 MIMO （X-MIMO，即256 – 1024 个天线元件）和400MHz 及以上占用带宽（OBW） （例如FR3 ）的新型信号处理技术
• 减少RAN延迟，特别是对于大量设备同时进行信道接入，以实现大规模mMTC部署。
• 分布式 MIMO （D-MIMO）的联合调度和mMIMO系统的MIMO层到用户映射。
• 通过 AI/ML 增强上行链路性能。
• 超可靠无线接入（uRLLC ）的移动性管理
• 实现高频谱效率的波束成形转向
• 高精度UE定位​
• 更高安全级别和更低延迟的准入控制
• 创新的 C通道编码和解码
• 使用 AI/ML 学习的站点特定调制技术
• 信道随机接入的改进

用户体验增强：

利用人工智能优化和个性化用户体验，并预测用户行为，从而更好地为现有和新应用提供服务。提案旨在展示新颖的人工智能/机器学习技术，以便在现有5G RAN上为这些应用提供更佳的用户体验，同时展现即将到来的 6G RAN 中增强体验的未来发展方向。以下是一些示例：

• 通过分割计算实现 AI 支持的 XR
• 人工智能助力医疗保健的关键应用
• 人工智能安全应用程序，用于空中或地面入侵检测
• 人工智能支持工业无人机/无人驾驶飞机/AGV 的远程控制
• 人工智能驱动的自动驾驶汽车
• 人工智能赋能沉浸式通信和游戏
• AI 和GenAI实现跨团队协作
• AI/ GenAI赋能触觉互联网应用
• 人工智能全息通信​​

使用AI或GenAI进行超越香农通信：

• 目标导向的沟通：传达意义而不仅仅是准确地传递符号或数据。
• 语义沟通：通过沟通实现特定目标。

感知辅助通信：

利用人工智能和射频感知（例如 ISAC）以及多模态感知（混合射频和非射频感知模式，例如激光雷达、雷达、摄像头）执行射频资源管理任务，从而显著提高频谱效率。

预测性维护和网络自动化：

利用机器学习算法预测潜在的网络中断和维护需求。这可以基于实时网络数字孪生以及任何 SON/OSS/RIC 平台。

安全与隐私：

支持人工智能的解决方案，用于保护 RAN 免受网络威胁并确保数据隐私。

人工智能和 RAN 工作流的联合编排：

针对人工智能-RAN 环境中高级工作流平衡和编排机制的提案。特别令人感兴趣的是人工智能驱动的解决方案，这些解决方案能够动态、实时地分配计算和通信资源，最大限度地提高基础设施利用率，并通过统一的编排平台支持多租户、并发的 RAN 和人工智能工作负载。

无线接口增强：

旨在开发新的无线接口或增强现有无线接口的提案，以便在消费者、企业、政府部门以及其他潜在垂直领域部署人工智能和生成式人工智能 (GenAI) 应用。这些增强功能可能包括需要在第三方人工智能应用和 RAN 之间共享的新信息元素，以实现实时或近实时推理。例如，如果某个应用依赖于实时访问无线环境信息来实现联合感知和通信类型的应用，则提案可以研究该应用需要接收哪些类型的信息，以及所需的相关无线接口​​增强功能。API

和集成推动因素：

公开或使用与 AI-RAN 用例相关的 API 的贡献。这包括（但不限于）设计新的 API 原型、演示 API 驱动的工作流程、启用即插即用组件（例如推理模块、RAN 功能、编排）、使用 API 将第三方模型集成到模拟器中、使数字孪生环境可通过 API 访问，或展示跨生态系统参与者的集成。重点应放在开放的界面、易于实验以及实现更快的创新。