6G网络AI场景用例业务应用需求详解白皮书-6GANA

6G网络AI场景用例业务应用需求详解白皮书未来，新一代6G移动新系统将具备原生的网络Al能力(简称NetwOrkAl)，它将进一步为千行百业下的不同场景用户和客户，提供Al业务、服务、应用和广义智觉方面的深度赋能。本TG1白皮书首先旨在澄清和构建6GANA技术体系下，关于“Al场景”、“Al用例”、“Al业务”、“Al应用”等基本概念内涵，再通过广泛的信息收集、梳理分析、凝练阐述6G网络Al在场景、用例、业务、应用方面的潜在技术能力需求和应用必要性。它涉及了TOC(普通消费者)/TOB(垂直行业用户)/TOH(家庭用户)/TOG(政府用户)等多个不同被服务主体对象，以及Al在不同发展阶段的不同QOS服务质量需求。此类结构化的技术分解再汇集式地分析，有利于推动未来6G时代下的各种“智能智觉类服务”在6G网络Al新体系下的逐步导入和最终的普惠应用，从而支撑和实现Al业务服务的科学良性发展和更大商业社会价值的落地兑现。移动，上海诺基亚贝尔，北京邮电大学，上海科技大学，北京科技大学，重庆邮电大学，维沃，oppo，大连海事大学，鹏城实验室，中国电信，中国联通，亚信，特斯联科技集团，爱立信，紫金山实验室，南京邮电大学，海能达等单位。谨此向各家贡献单位表达诚挚衷心的感谢和敬意！ڢࣹ摘要 3 4 72.Al部署应用体系现状 8 82.2核心网Al 92.3网络边缘Al 92.4网管本地Al 2.5终端本地Al 2.6无线空口Al 3.3新业务应用 4.6G网络Al需求分解式详解 4.1典型场景 工业智能制造............................................................................................................16 农林牧矿场................................................................................................................17 政务办公....................................................................................................................194.1.4场景4 交通治理....................................................................................................................20 灾害防控管理............................................................................................................21 生活家居....................................................................................................................22 教育文娱....................................................................................................................23 海洋治理开发............................................................................................................24 智慧医疗....................................................................................................................254.2典型用例 网络多域功能性能优化............................................................................................25 高水平运维自治........................................................................................................26 移动扩展现实XR......................................................................................................274.2.4用例4 视频图片语音分析....................................................................................................28 无人车/机驾驶..........................................................................................................29 内生安全....................................................................................................................30 终端AI计算卸载......................................................................................................31 智能意图交互............................................................................................................32 空口性能提升...........................................................................................................334.2.10用例10 动态环境感知预测..............................................................................................344.3典型业务 算力执行....................................................................................................................34 算力部署....................................................................................................................36 模型生成....................................................................................................................384.3.4业务4 模型训练....................................................................................................................39 模型推理....................................................................................................................40 模型优化....................................................................................................................41 模型压缩....................................................................................................................44 模型验证....................................................................................................................45 模型部署....................................................................................................................464.3.10业务10—模型安全 4.3.11业务11 数据业务...............................................................................................................484.3.12业务12 数字李生业务.......................................................................................................494.4典型应用 定义和缩写 511.前言和概念体系网络原生AI被业界认为是未来6G移动新系统的核心特征之一[1]，它主要包含:利用AI技术进行6G网络端到端的自我赋能增强优化、向终端用户提供AI业务服务和应用，和向第三方客户提供AI类的服务等方面。无论何时何地，对于任何一个单体网元，都会面临着有限的算力、智能和电量功耗等方面的约束和限制。6G网络AI就是基于强大的6G移动新系统平台基座，把泛在分布的各个网元节点中的AI三要素资源能力都高效地协同运转和利用起来，并且实现泛在的AI赋能服务。例如，对于某些计算资源少但通信资源丰富的节点，可实现所谓的“通信换计算/计算卸载”;反之对于某些计算资源多但通信资源医乏的节点，可实现“计算换通信/智简通信”。6G网络AI原生地深度融合了6G移动新系统和AI三要素(即算力、算法、数据)，可实现对内和对外更强大高效的AI赋能和应用，它的发展演进驱动力至少有如下几点:-抑制“移动基础设施管道化”和当前5GS系统技术方面的多个痛点，进一步提升未来6G新网络产品业务服务的品质和竞争力，加深和。DICT技术融合互惠;-开拓和高效支撑“智能智觉类AI业务服务应用”，助力各方实现更大的创利营收;-提升移动基础设施资源的综合利用率，实现6G平台资产价值更大的兑现;-更好地提供对用户和行业数据隐私保护，实现“通感算智”可信和安全性保障;-利用AI手段辅助6G新系统的降本节能，实现6G绿色低碳运维-增强跨行业生态协作升级，多方汇聚在6G平台环境下形成更高效的协作创新共赢;-实现未来泛在的智能普惠，赋能更多的弱势个体，推动社会公平和文明进步。6G网络AI的相关基本概念和技术需求，已在前期发布的若干白皮书中[2-3]，进行了初步的阐述涂释。为了更好契合本白皮书的内容阐述详解，且推动后续业界多方能在AI概念术语方面形成尽可能的统一共识，我们先针对AI术语中一些最基本概念给出如下的建议:“AI场景(AIScenario)”:利用或使用AI技术或AI三要素，发生效果作用的场合地方情境。注:“AI场景”内涵非常地宽泛，且可有不同的维度划分方式，例如:按照生效作用的地“AI用例(AIUseCase)”:利用或使用Al技术或Al三要素,可获得的收益增益价值意义方面。例如:利用Al技术可进行图片视频分析识别,提升频谱利用率,实现基站终端节能,网络自治等不同功效。”Al用例”通常和具体的“Al场景”之间无必然的绑定关系。“AI能力(AICaPabiIity)”:6G移动新系统内部所构建和实现Al方面的功能性能,用以支撑和保障各种Al业务服务应用。“AI业务(AIBusiness)”:利用或使用Al技术或Al三要素,做出服务于特定场景用例目的的系列行为操作。例如:Al模型生成/训练/验证/评估/优化,利用Al模型进行归类,推理,决策,预测,管理等。“Al业务”通常和具体的Al场景和用例之间也无必然的绑定关系。“AI服务(AIService)”:按需向被服务方提供Al技术、业务或Al三要素等内容。注:“Al服务”范畴通常要大于“Al业务”,Al服务可涉及到Al相关的基本资源,Al功能技术和Al业务等不同层面的内容。“AI应用(AIAPPIication)”:面向终端用户,网络运维人员,第三方客户等应用使用方,提供基于Al的用户可感受到的互动行为操作。注:“Al应用”通常是多个Al业务或Al服务的有机综合体,它和特定的Al场景用例也有着一定的对应关系。总体上,“Al场景”、“Al用例”和“Al业务”三者之间,有着相对独立解糯但又非常灵活的关联支撑关系。例如:某“Al场景”A下,可同时有着不同的“Al用例”B和c,它们都会基于“Al业务”D,E,F等执行实现。相同的“Al用例”B,会出现在不同的“Al场景”M,N下,但它们各自又具备不同的QOAlS性能需求。本白皮书将主要针对6G时代典型的“Al场景”、“Al用例”和“Al业务”需求方面,进行全面分解式的阐述和详解。2.AI部署应用体系现状当下,各种Al技术手段已被广泛地应用于各领域行业。下面我们先从Al典型的部署应用角度,简要综述几种Al体系形态,它们在未来6G新时代下仍将会继续存在和发展演进。以亚马逊网络服务AWS、微软Azure、谷歌云,阿里云、OpenAl等为代表的OTT公有云体系,已经为广大的互联网用户,提供了丰富多样的云计算和云端Al类服务,例如,大型数据库检索,数据深度挖掘,生物基因测序、大型cAD绘图成像、chatGPT智能对话等应用。OTT云中某个深度神经网络DNN，其模型可含有几百万个甚至千亿级的参数，因此OTT云AI通常适合去解决重量级的多元多维高复杂的问题。为了克服OTT云AI资源能力和操控过度集中化的弊端，OTT厂家也在积极探索和部署所谓的分布式云AI服务，使得计算存储和AI资源能力更贴近去解决全局类高复杂问题，可实现较高的AI模型泛化度和AI推理决策的准确可靠度。虽然OTT云AI能力很强大，但当它面临着海量AI用户并发的业务服务需求之时，也会出现拥塞和服务排队等待延时，甚至云AI服务不可用；另外也面临用户隐私数据被大量地暴露滥用的风险。Rel-16引入的网络数据分析功能NWDAF为代表的核心网AI，可用于对各类网络数据进行采集、分析推理，包括:NWDAF从5G各个网络功能NF实体收集网络运行数据、从网管OAM获取终端和网络相关运行统计数据、从第三方应用AF实例中获取用户应用数据等。NWDAF包含分析逻辑功能AnLF和模型训练逻辑功能MTLF两大部分，它们均可多实例化和分布式地部署在核心网域内。NWDAF生成的分析、判定、预测等结果信息，会输出到各个NF、OAM或AF上提供它们决策参考。当下，NWDAF可提供典型的网络数据分析和智能服务如:网络切片负载评估预测，用户业务体验MOS评估，AI预测的用户移动性和无线资源配置优化等方面。尽管NWDAF支持分布式多实例化的配置部署，但核心网AI总体上还是偏运营商“移动边缘计算MEC，已经在电信运营商网络中有着非常丰富的实践，提供着丰富多样的边缘计算和AI服务，例如，基于边缘计算的视频影像识别，终端用户特征行为提取，边缘辅助的自动驾驶等。网络边缘AI实际就是基于MEC计算平台，为MEC中的各个功能应用进行AI赋能。网络边缘AI重在解决计算智能类服务中的低延时，快速响应和用户数据隐私保护等问题，但网络中各个边缘AI节点，例如无线基站之间的有机协作性和其自身AI功能自生长演进性并不强大。网络边缘AI虽不具备像云AI那么巨大的计算存储数据资源能力，但也具备相当强的本地计算存储数据资源能力。网络边缘AI通常适合去解决中量级的较复杂问题。边缘节点中适用的AI算法模型，需考虑到MEC算力和数据资源受限约束，例如，边缘AI通常以中小规模AI模型，和有限小数据样本AI模型训练为主。为了能更好地匹配适应网络边缘侧的不同工作环境特征，边缘AI模型算法通常还需动态地进行本地化优化，例如，边缘AI利用实时感知采集到的本地数据进行AI模型优化。由于网络边缘AI专注于解决局部问题，强调实时短周期内执行，因此相关AI数据的可获得性较弱，边缘AI模型的泛化度、推理决策正确可靠度有时候也会受到挑战，这就需要网络边缘AI和云AI或计算超脑进行跨层的AI能力协同。网络边缘AI并不一定意味着要进行分布式AI协作，但当MEC节点中有富余的算力存储数据等资源，也可通过分布式协作方式，为当前，网络设备商和移动运营商多以“数智中台”的方式，去支撑赋能自己的网管。AM系统，进一步增强电信网络的智能运维管控能力。网管AI通常面向全网中公共类的应用场景和问题，例如，智能化网络切片管理，无线覆盖优化，用户流量预测等。当前网管本地AI更像一种“外挂的”部署方式，并没能深度内嵌融合到各个网元节点之中，未能与移动网络内的各种资源发生联动，无法实现网络的深度自治[3]。网管平台通过搜集汇聚网络运营中的各类数据，基于网管本地AI进行分析判断和预测，进一步生成网管新策略和系列管控动作。网管平台可利用自己相对充足的算力数据资源先进行泛化的“AI元模型”生成训练，再进一步分发加载给核心网网元和无线基站去利用。此外，网管本地AI“系统大闭环”的运行方式，导致AI分析判别推理和服务响应周期都较长，通常只能针对大时间和大地域尺度的网络问题。未来的6G网络AI，则有望通过“本地小闭环”的方式去实现更短的AI分析推理响应周期，从而灵活应对各类时间地域尺度的网络问题。相比网络侧，智能终端本地具备非常有限的算力，数据资源和电量，因此终端对可执行的AI模型算法有着较高的约束和限制。由于AI模型训练需要消耗大量的算力，内存和功率资源，因此通常终端不本地执行AI模型训练，或仅进行轻量级的训练优化，例如:终端可基于AI元模型和少量数据样本进行AI模型更新适配。终端通常申请从网络应用侧的AI模型库中，下载所需的AI模型，或将所需的AI训练任务委托交付给网络应用侧，但AI模型推理对终端算力和内存资源要求相对并不高，因此为了实现更小的分析推理决策延时，通导致终端的耗电过高，内存占用过大，因此终端如果能将推理计算一部分任务从空口上传卸载到网络侧节点，这可显著地降低终端功耗和本地硬件资源的占用。AI技术在过去十年中取得了长足的应用和发展。近年来，AI涉及使能无线系统的应用案例已大量地涌现。首先，在追求更卓越的通信连接性能指标或更低的通信运算复杂度方面，AI有望在空口层1、层2、层3协议的某些处理算法上，突破传统的模块化系统建模和知识模型近似方式所导致的性能瓶颈，例如:无线信道估计、导频检测、信号均衡以及多用户资源调度等。其次，AI被寄予厚望以隐式的学习方式，去解决空口小区部署优化问题，典型用例包括:小区流量模式识别、空口自动化配置和波束优化以提高无线网络覆盖等。考虑到实际空口部署中极复杂的优化目标、约束限制条件和多变量参数等，AI在某些空口性能优化方面，是传统的知识模型方法所无法达到的，特别在复杂无线环境下的空口自优化自诊断方面。无线空口AI技术还可和现有其它网络技术结合，带来一系列的应用突破，例如:利用AI提高终端用户的定位准确度和精度。通信感知一体化被认为是未来6G移动新系统的重要特征之一，而无线空口AI也是支持空口深度感知的关键技术之一。未来，6G网络AI将不同于上述章节2中枚举的几种AI典型部署应用方式，其中AI资源和能力将与未来6G移动新系统(包含网络侧和终端群)深度地原生内生融合，AI将作用于6G新系统内的各个地方，各个方面和各个层级，例如:功能级AI，网元级AI，系统级AI，服务级AI等。6G网络AI在AI功能性能和AI业务应用现6G时代万物智联和智能普惠之愿景。6G网络AI的新功能主要体现在:新算力，新算法，新数据和新工作范式方面。-异构算力管控，6G网络AI支持面向网络内生的各种异构算力/存储资源的灵活编排管控功能。6G移动新系统中的各种异构算力资源不一定会和AI操作强绑定，且它们具备异构化、分布式、动态性等基本特征。面向6G新业务应用典型的算力用例有:AI模型训练推理(例如:图像影像视频的分析识别)，大数据类处理(例如:数据压缩、特征提取、深度搜索、根因挖掘等)，语音视频快速编解码，动态多数据流合成(例如:全息通信3D成像演染等)。6G移动新系统需对上述不同的算力用例及其资源进行高效地管控。-算法模型管理,6G新系统中的各级网元将具备Al模型自生成训练,模型自评估验证优化,模型压缩部署,模型推理等Al基本业务功能。面向6G的分布式Al模型训练方式方法已多种多样,例如:以“联邦学习”为代表的分布式送代训练,以“Al元模型继承学习”、“元学习”和“迁移学习”为代表的小样本学习训练,它们有利于增强Al算法模型的本地适配度和情境定制化,以快速适应本地应用不同的多任务环境等。针对某些结构复杂且参数量巨大的Al模型,6G新网络网元还可通过模型压缩技术(例如,模型参数量化、模型稀疏化、知识蒸馏等)获得较小的压缩Al模型,从而减轻各个网元待处理的数据量和6G新系统硬件平台负担,同时还可加速Al模型的推理决策。总体上,6G移动新系统将实现对丰富的Al算法模型的全生命周期管理。-海量数据治理,6G新系统将支持海量数据采集,数据预处理,数据分布式存储,数据高速传输等基本数据类业务。随着未来6G时代数据量的膨胀式增长,海量大数据资源既是“6G网络Al”不断发展演进的动力燃料,同时也蕴藏着巨大的数据价值。当下在数据采集框架标准化方面,业界已有一些成功的实践,例如:prometheus已成为云原生Telemetry数据采集框架标准,它可实现网络边缘节点从硬件、操作系统、容器编排、到微服务每一层的数据采集与管理[4]。鉴于此,未来6G移动新系统有望进一步统一数据业务和服务的标准,包括:统一6G无线网络相关的数据格式、参数定义、计算方式等。如此,未来海量的无线数据资源,可实现在6G新系统内的快速流转共享应用,实现以数据为中心的智能计算。-“以任务为中心”AI工作流编管控,6G新系统各个网元将进一步提升各自的业务任务环境感知能力,并主动地实时触发各种类型的Al任务。在6G网络Al新体系下,Al三要素资源能力和Al任务都可承载在6G网络内部,即某网元内部或不同网元之间都可紧密地通过协作,去完成特定的Al任务,而无需人工干预或上游集中式锚点网元的集中管控,从而本地高效地实现Al任务全生命周期的自管理自执行。例如:面向以“联邦学习”为代表的分布式Al学习任务,6G新网络需能支持多个节点之间的协同Al学习和任务工作流编排；面向“分割推理”为代表的分布式Al推理任务,6G新网络需能支持高效合理的跨网元分割推理模式和任务分割点选取等。“以任务为中心”Al工作流编管控,将成为6G网络Al的新工作范式。未来,来自终端用户、网络内部和第三方客户的各种Al业务服务需求,将会变得更加多样、泛在和密集,因此6G网络Al在系统性能层面需有足够的应对支撑能力。首先,6G网络Al的架构设计将会是实现高性能的关键方面。射频和算力资源的分布既要适度地集中化,又要适度地分布化,例如:基于分布式算力和天线技术,cell-less组网等,需要在分布式与集中式之间寻求折中权衡。其次，未来6G新系统所包含的计算类型将会更加多元化，既有传统的代数计算，还有各类AI算法模型等其他各类复杂计算，下沉到网络边缘与基站共享算力的应用计算。6G新系统需要将各类异构算力，尽可能地适配上层的各类计算类型；同时AI算法模型也需要适度地解构，在满足计算性能约束的前提下实现能效最优化。异构计算研究结果表明:无论是机器学习这类计算数据密集型算法，还是通信基带处理这类实时性要求较高的算法，卸载处理，都能针对特定算法进行更高能效的处理。总体上，在正确的时间用正确的计算处理器去做正确的计算类型任务是异构计算的核心要义。通过适当的计算资源编排调度，根据不同计算类型任务，去选择最适当的计算处理器，从而充分发挥出不同类型计算处理器单元的长处。异构计算资源的共享与虚拟化，一直是值得更深入探讨的问题。-网络连接性能，6G新系统无论在空口还是网元之间的连接方面，传输吞吐率相比5G系统都需要至少提高10倍，例如，为了更实时地支撑同步联邦学习梯度和模型信息的交互等操作。由于6G新网络具备更强的无线自感知和数据发现搜集能力，6G新网络的上行流量、上行传输吞吐率和实时性的要求也将随之增大。伴随着相邻多基站之间，或基站和多终端之间进行广泛的分布式AI协作(垂直或水平联邦学习、分割学习、DNN分割推理等)，基站和终端之间的各种“垂直连接”和“水平连接”之中的数据流量和传输吞吐率也将会较大地变大，同时它们对空口无线链路的时延、同步精度和可靠鲁棒性的性能要求也将大幅度地提升，以避免AI模型送代训练或推理过程中受阻而滞后。-网络算力性能，随着6G时代更先进的智能终端和无线边缘设备的增多，基站算力(非)云化拓展，边缘侧的算力资源将会越来越丰富且强大。随着智能终端和边缘设备的计算硬件配置不断地提升(例如GPU，DPU，TPU，IPU等)，过去某些中大型的AI算法模型，将也可能在智能终端侧或边缘侧被加载执行。6G新系统中各级网元设备中的算力，并不一定只用于AI相关操作，例如:XR业务高速编解码并不需要基于AI模型执行，但需大量算力去支撑大量的多媒体图形拟音成像等计算操作。总体上，6G网络AI中的算力性能将至少有几倍的拓展和提升。-网络AI模型性能，这主要考虑AI模型的推理成功率/正确率，推理延时等关键性能指标。对于某些AI应用，例如，自动驾驶和人脸认证，它们需要极高的推理成功率/正确率，否则后果极其严重。对于某些AI应用，例如，AI互动游戏和人机交互等，它们需要极低的推理延时如10ms到~100ms，否则导致用户体验的糟糕不畅。AI模型性能主要受到AI模型质量，部署方式，节点计算资源，网络传输资源等多因素的影响，一直是值得更深入探讨的问题。-网络AI能效表现,中国计划于2030年实现碳达峰,这对于届时已商用部署的6G移动新网络来说,能效的指标尤其重要。5GNR网络相对于4GLTE在能效方面已实现了大幅提升,而6G新网络将需支撑更高的能效指标需求,而能效表现也将成为在系统满足基本性能需求前提下衡量6G网络AI的重要KPI指标。未来6G网络AI的能效综合表现,将进一步依赖于多方面技术手段融合与创新,例如:通感一体化技术,基于AI深度节能,基于AI智简网络等。通过诸多更先进的AI模型压缩技术(模型参数量化、稀疏化、知识蒸馏等),在一定的性能损失容忍限度内,可获得逼近本尊的AI小模型,较大地降低AI模型执行能耗。通过分布式并行异构计算,可将较重的AI任务卸载分担到高计算能效的节点上去执行完成。在6G整体能效继续提升的大目标下,6G网络AI将会使得6G移动新系统成为一个高能效的分布式通感算智信的超融合平台,其综合能效表现相比5G将至少提高2-5未来,6G移动新系统将会支撑和提供诸多6G的新业务应用,而它们将会和6G网络AI之间发生密切联系和相互影响。1.面向终端用户,以全息通信和移动XR为代表的6G新业务应用,将极大提升用户移动应用的沉浸感。全息通信成像和移动XR对空口传输吞吐量的要求可达Gbps甚至Tbps级,对系统端到端传输时延要求可达亚ms级,不同信息流之间的时间同步精度要求可达几十ns级。如何实现全息通信和移动XR终端设备的轻质化与便携性,是其在未来商用成功应用之路上不可绕过的问题。受限于智能终端自身的算力、存储、智能和功耗等因素,全息通信和移动XR这类高端业务应用,通常需依赖于6G网络AI的强力支撑赋能,如此从终端的角度实现“通信换计算”增益。2.面向网管运维,以“L5等级网络高自治”为代表的6G新业务应用,可极大提升6G新系统运维管理的效率性能,而它通常也需依赖于6G网络AI的强力支撑。目前网络运维水平低、运维成本过高,如何提升网络运维自治水平,打造自修复、自优化、自治愈的通信网络,是下一代无线网络重需突破的关键技术问题。6G网络的高水平自治需要依赖于数字李生网络技术。当前网元内部的大量数据并未对运营商开放,导致运营商对于网络真实状态无法做到全面、实时和精细的感知,对网络的管控只能停留在各类长周期统计数据所能支持的范畴；基于软硬采、路测、MDT、MR和网管数据提取等方式虽已能获得大量数据,但存在数据质量差、价值密度低、获取效率低、时效性差等问题；传统网络智能化实践中采用人工发现问题并使用AI解决问题的方式,始终受到专家认知的局限性；同时,依赖人工的、烟囱式解决问题的方式,往往在不同网络运维优化用例之间产生效果的冲突；现有网络中的运维优化决策在实施之前通常会由专家进行评估论证，新功能的引入一般需要先进行长时间的内外场测试，决策实施后的效果主要通过统计或路测相关网络性能指标获知，送代优化周期长、成本高。针对上述挑战，6G新网络需要通过数字李生网络，去解决数据的深度开放共享问题、提升数据价值密度、自动生成网络自治需求并支持低成探索出尚未部署到现网的新业务需求并在李生的数字化网络中验证效果，从而实现网络的自演进。数字李生网络与网络智能的融合设计体现在两个方面:一是网络智能将利用数字李生网络进行AI工作流、模型或决策的效果预验证；二是数字李生网络将利用网络智能获得数字李生体模型，优化数据采集、处理和预验证性能，或分析各级网络数字李生体表征的网络实时状态生成新的网络3.面向第三方客户和广泛的TOB用户，6G网络AI还可通过AIaas的方式，精准按需地对外提供各种AI三要素资源和服务等。对于TOB领域，业、学校、研究机构等，利用6G新网络更高效地提供AI服务，为各垂直行业提供赋能降本增效的能力，并进一步促进其产业升级，有极大的应用价值。TOB客户可从自身的生产数据中挖掘出有用的AI模型，帮助自身优化生产，方便复制当前的生产模式，或者通过分享AI模型获得收益。运营商构建AI平台获得平台收益。例如，某工厂在生产过程中产生了大量数据，用这些数据在AI平台上训练了一个AI生产模型或者平台根据这个模型对工厂的生产调度进行优化，生成一个新模型。当企业在AI平台上将这个模型设置为私有服务，这些模型会被用在这个工厂本身或者被这个企业作为模板复用在新的连锁工厂方便扩大生产。当企业将这个模型设置为公有服务，就可以将这个模型开放交易给合作伙伴，用于赋能同类型工厂的生产。在这个例子中，运营商需要运营一个AI平台(提供算力训练模型，提供模型存放空间，提供服务开放接口，作为模型中间商参与多方的合作)，收取平台服务费。工厂提供数据，得到模型，并且分享卖模型的收益，同时也方便未来，6G网络AI新范式可应用的场景非常广阔，并且在各个行业领域的大应用场景下，还可包含诸多的子场景。最典型的大场景领域门类诸如:工业智能制造，农林牧矿场，政务办公，交通治理，灾害管理，生活家居，娱乐游戏等。以备受业界期待的“工业智能制造”应用大场景为例，其相关的细分子场景又可包含:“工业园区内的动态环境监测”、“厂区内开放式多智能体任务协作“、”车间室内的产品生产线机器视觉“、”物流仓储内的AGV管控协同“等；而上述每个应用子场景对6G网络AI的能力性能需求又不尽相同,甚至差异很大。以此逻辑类推,从某大场景到子场景再到子子场景等,6G网络AI其实有着很多的应用场景实例。随着工业互联网应用的深入发展,工业园区可视化运维、智能柔性制造、可编排产品生产流水线、移动仓储物流等技术已逐渐地被应用,它们可充分利用AI等先进技术手段,去替代或辅助传统的人工操控和专家经验,从而大大缩短工业产品的智能设计制造周期和降低企业生产运营成本等。例如,基于6G网络AI服务器平台的园区可视化运维应用系统,可通过广泛的传感器部署和信息采集、实时监控全园区内各种生产、辅助和环境配套设备的运行状态,实现全园区整体的可视化安全监控运维(如图4.1.1-1所示),从而预防杜绝设备故障和生产人员的隐患灾害等。针对此类应用,6G网络AI可充分地发挥无线覆盖广、多无线传感终端服务能力强、系统AI服务响应及时、监测的数据本地可快速协同等技术优势。工业智能生产通常有着较高的传输和处理时延/鲁棒性/可靠性要求,由于工业智能制造相对地本地局域化部署执行的特点,6G网络AI中的基站侧传输、算力、算法资源和能力的拓展非常重要,它能比传统的云AI方案,提供更低的计算传输延时和抖动,从而实现更鲁棒可靠的工业级信号处理的确定性保障。此外在6G网络AI体系下,工业智能生产线上的任何智能终端,都可能具备本地更强大的无线感知和数据分析推理决策能力等,如此能灵活地去胜任复杂工业生产线上的各类复杂编排作业任务(例如:探测,分类,装配,焊接,质检等)。为了进一步增强工业制造的自动化和智能化度,通过生产多智能体之间的群体学习、联邦学习,工业机器人群和工业智能终端还有望在线学习、联合开发、聚合产生新的生产操作模型,不断送代提升各自的生产操作动作的策略和精准度,从而提升工业智能生产效率和体系安全性。图4.1.1-1:工业园区的安全监控农林牧矿场是指农场、林场、牧场和矿山矿场等场景,其特点是场区经营和运维管理规模大,且各地的自然条件、资源基础、经济与社会发展水平差异较大。随着未来农林牧矿场的规模化专业化水平不断地提高,它们对于行业可持续、高效率、高质量发展的需求愈加迫切,因此加快推进数字化智能化转型已成为农林牧矿场发展经营的重要目标。6G网络AI将为农林牧矿场的数字化智能化转型,提供必要的网络基础设施和高效智能化支持。下面将以智慧农场、智慧牧场和智慧矿山为例,给出一些典型子场景示例。1)智慧农场智慧农场指运用物联网、大数据、人工智能等新一代信息通信技术,实现农业生产的全流程自动化,并通过智能化控制精准地管理农场的生产规划与执行。与传统手工或机械化农场相比,智慧农场将采用基于AI新型的农场生产作业模式,如通过传感器采集农场片区的各类数据,基于海量感知数据及人工智能技术,智能调控农作物的生长环境,使其更好地满足作物生长需要,并将各类型农业机器人应用到耕地、播种、喷药、收割、采摘、包装等农业作业环节中,如图4.1.2-1所示,为通过6G网络AI管控下的无人机实现智能喷药。未来6G网络AI赋能将进一步提高农场作业质量及效率,减少人工投入,实现降本增产提质增效。图4.1.2-1:无人机喷药6G网络AI将能为智慧农场提供各种AI业务支持,包括:基于农场内广泛部署的多类传感器的感知数据精准获取与传输、基于海量数据的分布式智能AI模型训练、模型参数的高效传输与聚合、无人机喷洒作业路线的精准规划和飞行控制、农机自动驾驶路线规划等。在整个农场全流程自动化实现过程中，无论是对作物的全生命周期管控，还是本地各个环节的精细化智能操作，6G网络AI都将发挥作用。再以农场智能采摘为例，如图4.1.2-2所示，通过机器人进行小番茄的智能采摘，小番茄体小果实密集且易破损，因此机器人要确保采摘的位置和力度的精准。这一方面需要对机器人提供更高精度的定位信息，让采摘机器人获得动态厘米级和静态毫米级的高精度定位；另一方面还需要在回传视频图像的辅助下，为机器人提供高精度动作和力度控制。6G网络提供的高精度定位和网络AI的高精度控制模型将联合支撑该类操作。图4.1.2-2:机器人精准采摘2)智慧牧场智慧牧场也是利用新一代信息通信技术，实现对牧场内动物家畜的育种、放牧、饲喂、挤奶、宰杀等全生命周期自动管理和智能决策。智能决策的前提是传感器的广泛部署和数据的自动收集，在准确性、及时性、全面性数据收集的基础上，可构建起牧场智能管理系统，而6G网络AI将在其中发挥积极作用。以奶牛饲养为例，在奶牛身上可以广泛安装可穿戴设备(传感器)，基于可穿戴设备可获得奶牛的各类行为数据，包括采食、饮水、休息、站立、行走、反乌和各类身体指标等，也可以基于牧场内部署的高清摄像头获得奶牛位置、运动轨迹、运动行为等数据，或可基于6G通感一体技术在通信的同时实现对奶牛特征数据的采集；上述各类感知数据可以通过分布式的6G网络AI进行本地处理，也可传输到智能管理系统后进行集中式处理；基于AI推理结果可控制挤奶机器人进行挤奶操作，包括挤奶位置、挤奶时间、持续时间、奶流量等，而挤奶机器人上的传感器可获得牛奶指标和牛奶分析数据，如温度、乳脂肪、乳蛋白、孕兩、兩体、体细胞和尿素水平等数据，并基于对上述数据的智能分析推理对奶牛的身体质量进行评分和预警等。6G网络AI可高效精准地实现上述功能,包括:针对大面积牧场的多维感知数据采集、数据传输、模型训练、分布式或集中式智能处理、触觉控制等,从而实现牧场工作效率提升和人工成本节省。3)智慧矿山智慧矿山是以矿山数字化、信息化为前提基础,进一步对矿山生产、职业健康与安全、技术支持与后勤保障等方面进行主动感知、自动分析、快速处理的完整智能体系。移动通信网络特点十分适用于智慧矿山的建设运维管理。首先矿山地理位置大都比较偏僻,网络覆盖较差,通常需要单独定制化建网；其次大部分矿山工程机械在施工操作时都处于移动的状态,这对于移动性管理的需求比较高；且矿山内部时常要进行高强度爆破作业,采用光纤等有线网络不切实际。因此,智慧矿山建设运维管理一般会以移动通信系统为基础设施。智慧矿山包括:安全矿山、清洁矿山、高效矿山等,尤其以安全矿山为重中之重。安全矿山是集数据采集传输、模型训练、算法分析、风险推送为一体的综合智能体系。具体场景包括:传感数据和图像数据的实时采集传输、移动终端高清图像回传、边缘分布式计算与智能识别、集中式大数据分析、风险预测预警、无人矿车自动驾驶与智能调度等。目前在5G网络的支持下,安全矿山已取得一定的成效；但风险预警发布和妥善处置,要求极高的推理精准性、极低时延和极高可靠性,未来在6G网络AI的助力下,安全矿山将有望迎来技术突破和应用升级。综上所述,农林牧矿领域的6G网络AI场景应用,相比于工业智能制造、自动驾驶等领域,对数据采集传输和处理的时延敏感性方面要求稍弱一些,但对传感器的部署规模、远程操控的灵活性和精准性、AI解决方案的综合成本、以及安全性可靠性等方面也有较高的要求。在现代化城市综合治理中,政务办公正在从数字化、网联化走向智能化。在各级政府报告中频繁出现的“一站式”、“跨省通办”、“一网统管”等高频热词,正是当前智慧政务办公的主要发展目标和表现形式。6G时代的新型智慧政务办公将会基于更先进高效且智能的“数字政府”形式,而6G网络AI是支撑和实现“数字政府”的重要途径手段。下面举例说明。(1)虚拟政务大厅政务大厅是公民们集中办理各类大小政务事件的主要场所。随着AR/XR虚拟现实技术的发展,以及6G移动新网络提供的更高速可靠的连接和边缘算力服务,虚拟政务大厅应用将在未来成为现实,公民将实现足不出户即可通办所需的政务业务。基于6G网络AI,分析和引导每个公民的政务业务需求,实现以用户为中心的定制化政务服务体验。面向多场景、跨部门政务业务审批流程，可基于6G网络Al的本地分析实现快速地评估流事中、事后的全数字化监察体系，使得政府权力始终在阳光下透明公正地运行。(2)智能决策辅劣政务决策通常需要大量可信数据的支撑，以及对海量数据的分析评估推理。由于各级政府各部门“数据孤岛”问题始终存在，政务数据量巨大且敏感，往往牵一发而动全身。未来基于6G网络Al，实现跨不同部门的大数据智能化整合分析，为各级政策的决策提供更全面、及时、深入的辅助分析，且能对未来发展提供更精准的预测展望。例如:在公共资源调配方面，基于6G网交通治理场景是指对公共交通系统的监控、管理和维护，目标是为社会提供更高效便捷的公共交通服务。基于6G网络Al的公共交通治理追求的目标是:公共利益最大化，包括提高公民满意率，提升行政效率降低行政成本。在推动交通治理现代化进程中，数字化和智能化逐渐扮演越来越重要的角色。随着大数据、人工智能以及通信等技术的快速发展，它们在城市交通智能化管理与服务、公众出行智能化服务、公路智能化等领域都得到了广泛应用。6G新系统将从万物互联拓展到万物智连。在传统通信基础设施之上，进一步融合数据、算法、算力等要素，通过内生的网络Al形式为各行各业提供智能普惠服务。6G网络Al将会给城市交通的治理带来全新升级，例如在自动驾驶、无人机快递，无人出租车、车路协同等方向上推动着城市交通体系的持续变革。交通治理经过几十年的发展，目前已走到人工智能+大数据+算力的新发展阶段，面临着下面关键服务场景需要首先，是面向整个交通网的感知方面。在进行路网级的交通信号控制协同时，针对各种公路网的感知是极其关键的。目前对于公路网的感知主要是依靠城市卡口、微波雷达、以及基于手机的导航、基于GPS定位等数据源，来实现对公路网的感知，交通数据采集设备的部署总体来说还比较稀疏，在时空张量的环境下有价值的信息依然有限。6G网络Al将融合了内生感知和数据处理能力，有望通过广域覆盖提供更全方位更多维度第二是进行城市道路交通流量的预测和管控。交通流的预测精度和时效性对于交通的主动管控非常关键。如何实现面向超大规模网络交通状态的准确估计和快速预测，一直是交通治理面临的问题。6G网络Al更容易通过内生Al环境，相比于传统云端精准短时延的预测结果。第三是需要大规模、多尺度的交通仿真优化技术。对于一些尚无足够历史数据积淀的交通场景，或是有待于借助仿真工具来进行交通态势演化推演的一些场景，它们需要多分辨率的、多尺合，通过虚实映射以及实时计算，形成基于仿真的交通管控优化技术，能够实现在线的、实时的、快速的计算优化。在灾难预防，保护，缓解，响应和灾后恢复等所有的灾难管理场景中，最紧迫的应用需求是快速建立和恢复通信网络以实时收集数据，尤其是在救援人员、指挥人员、受灾人员之间保障进行可靠实时的信息交换。通常当发生危机灾难之时，先前部署的通信网络可能都将不可用，并且不同的涉事相关人员具有异构的通信设备。由于态势的紧急性和巨大影响，6G网络AI需要根据网络状态、相关人员设备状态等，实时规划制定出网络的恢复方案，并快速部署可靠鲁棒，易于配置，可互操作，低成本的安全网络。如何向需要者及时有效地提供信息是灾害管理中的关键环节。根据ITU-D建议，灾害管理的信息类型涉及非常广泛，包括:灾害感应和报警、损毁评估、庇护所位置、后勤和供应链协调、应急医疗支持、确定家庭和朋友安全无悲以及人员搜寻救助。因此公民、政府公共安全官员、救灾工作者、企业和其他机构等，都对未来6G新网络有着极高的需求，安防防灾和灾害管理将会是6G网络AI的重要应用场景。灾害管理包括:灾前灾中灾后不同管理阶段的多个步骤，它们对灾害发生概率、地点和持续时间等数据，从而做好相应的积极预备;2.基于6G网络AI的灾害探测，包括对3.基于6G网络AI的气候变化预测，包括面向不同粒度大小地理区域的气候和天气预测;4.基于6G网络AI的地震、海啸、應风、森林草原火灾、石油天然气泄漏等灾害的探测和跟踪、警告/预警信息提供和相关损害评估；鉴于6G新网络对于灾害管理的重要性，网络连续性可用可达是灾害通信管理的重要前提。基于6G新网络的灾害管理系统，应当是基于多种网络技术的异构系统，可相互提供连接备份，从而终端可在不同网络(例如公共蜂窝网和卫星网络)上使用系统，保障人们能在灾害中正常通信。多异构网络的系统管理需要6G网络Al增强独立运行的网络能力(由不同组织采用不同政策拥有并/或操作)集成能力和管理效率。灾中和灾后,受害者或许需要实时联系位置不明或不熟悉的医院以及临时庇护所。此外,因道路毁坏,受害者可能需要及时了解不熟悉的新路线,此时受害者可能仅持有计算能力和接入能力极为有限的终端设备。救灾指导系统可通过6G网络Al提供的分析能力和网内Al计算能力,通过多种方式(智能语音、短信、短报文、救灾机器人等)向受害者提供具有关键位置和可用线路的指导。普通消费者有大量的时间是在家庭生活中,生活家居类应用也在不断地向便利性、舒适性、安全性、隐私性等方向发展。随着智能设备越来越多地渗透到生活家居,6G网络Al在生活家居场景中有非常广阔的应用场景。6G网络Al将可能用于家居控制、安防监控、行为监控、健康监测等；通过Al能分析人们行为、了解人们意图,从而创造更多的智能生活家居应用。由于不需要购买和部署专用的家居Al设备,6G网络Al可充分利用既有的6G网络设施,在家居环境中高效4.1.6.1家居控制通过6G网络Al感知和分析人的行为、手势和位置等信息,并结合历史数据刻画出住户习惯、意图描述和家居环境,从而实现对各类家居设备(如电源开关,电视冰箱,窗户/帘等)的最优控制。例如:利用6G网络Al感知分析,实现人走到哪里,室内灯光会相应打开,离开也会自动熄灭；可根据人的数量多少和当前行为,自动调节灯光亮度；小孩爬到窗口阳台上,自动开窗器自动关好窗户,防止孩子坠落；通过用户不同手势,可切换电视频道和控制电器等。6G网络Al能提供最便捷的方式让人和家居设备交流。4.1.6.2安防监控当住户离家或是熟睡的时候,若有人非法入侵,感知安防系统会自动发出报警信息,以呵阻入侵者动作,避免家庭财产受到损失。6G网络Al能本地快速地分析并鉴别哪些行为是非法入侵,基于家庭成员画像能区别是家庭成员的正常移动还是非法入侵,6G网络Al还能进一步评估入侵动作的危险等级,自动触发对应报警等动作。4.1.6.3行为监控网络Al可分析:各个家庭成员看电脑、看电视、睡觉、走动等活动的时间比例，活动区间以及睡4.1.6.4健康监测在生活家居健康监测方面，6G网络Al能带来一场颠覆性的革命。基于传感数据进行网络Al识别分析，可实现对人或动物的健康监测管理。如下图4.1.6-1所示，基于网络Al提取和分析无线信道的波动信息，可远程测量人体的呼吸心率等指标。当6G新网络发现呼吸心率异常时，能及时进行预警和治疗。图4.1.6-1:健康无线监测应用场景随着可穿戴类设备和XR类全息技术应用的发展，未来基于各种类型用户终端的教育、培训、娱乐、休闲活动将会变得更丰富多彩，且更富于用户沉浸式特色。为了支撑保障沉浸式类业务应用的体验(例如:低延时，高互动，高保真，强演染等)，6G新网络需要在基站前端具备更强的空口感知，深度边缘计算和智能推理决策的能力。以多路感知多业务流的协同传输为例，特定XR应用下属的不同业务流不仅自己需要有更强力的QoS传输质量保证，它们之间的协同互动和传输同步也非常重要。传统5G网络偏集中式的QoS控制保障机制不够动态灵活，无法动态适应空口环境和用户态势变化，导致XR建、训练、推理和保障机制，有望使得6G基站前端具备更强的空口环境和用户态势适配能力，用户XR应用更强力的资源支持，不断送代优化各类用户多种娱乐休闲业务的体验。虚拟数字人已出现在大量的娱乐游戏场景中，真实物理用户可以和虚拟数字人实时互动，为了增强互动效果，虚拟数字人需要在面部、姿态、语言动作反应等方面构建丰富的AI模型，经历大量训练和效果演染之后，这些虚拟数字人模型才能呈现出更好的拟真效果。海洋约占地球表面覆盖面积的70%，其蕴含了丰富的海洋矿物资源、海水化学资源、海洋生物（水产)资源和海洋动力资源等。如何利用AI技术帮助人类，去进一步探索挖掘和利用丰富的海洋资源，已成为业界热点和未来必然发展趋势。过去，海洋环境下的无线网络构建非常复杂，部署运行难度也更高，网络连接计算性能不稳定，这些都造成难以向海洋中的目标对象提供较优的通信计算和AI类服务。未来，基于6G移动新网络的海洋治理场景可包含:智慧海港运营，海产养殖监测，近海资源探索，海况检测预警，油气泄露探测，潮沙洋流发电，远海事故搜救等。如图4.1.8-1所示，海洋网络可由众多的异构网元节点组成，由于海洋环境的特点，它更强调智能物联和动态自治运维方面能力。通过借助海面浮动基站，高空平台，天基卫星等的通信计算能力，可提高海洋网络的连接处理效率和监测探测范围。未来6G网络AI有望进一步赋能海洋网络，提升海洋网络的物联智能性(如节点感知定位，传感节点节能，提升数据采集上报效率等)和网络动态自治性能(如动态自组网，传输链路优化，多智能体路由路径规划，水声网络拓扑分簇、节点功率分配等)，从而人类将获得对广裹海洋的更好治理利用。图4.1.8-1海洋网络部署应用实例未来，智慧医疗在时间维度上，涉及到人类和动植物各类疾病的预防、预判、诊治、推理、监控、临床手术、病患护理和疫苗药物研制等全生命周期的诸多环节。智慧医疗在地域维度上，涉及到集中式各级医院、分布式各级社区和家庭医疗场景。智慧医疗在专业维度上，涉及到跨不同的医疗学科之间的知识经验信息的融合利用。智慧医疗总体愿景是:使得个体能够以更低成本、更便捷高效方式获得对自身健康平安的更好呵护、治愈和保障。6G新系统不仅能够更好地支撑智慧医疗相关的海量信息传输和同步，更能直接为医疗信息的处理医疗关乎个体的生命健康安全，因此预判、诊疗动作结果的准确性、可靠性显得很重要。传统基于单体AI的预判诊疗执行方式，由于受到AI模型算法成熟度和病例数据样本的限制，预判诊疗动作结果的准确性、可靠性、实时性等指标还不是很理想。通过基于6G网络AI，各个地理分散的医疗机构个体医者，能够更广泛地互联，汇聚利用更多的AI模型算法和病例数据样本，高速传输同步医生和患者的相关信息，加深联邦学习和群体学习，从而不断送代提升预判诊疗动作结果的准确性、可靠性、实时性，增强个体对智慧医疗前景的信赖。智慧医疗还能够基于6G网络AI，实现对各种医疗资源的更合理规划和优化分配使用，极大减轻医患的体力心理压力，避免“看病难”“排队难”“过度医疗”等弊端问题。此外，对某些疾病预判和诊疗结果的隐私保护，也是非常重要的；通过6G网络AI分布式技术，可以更好地保护个体医疗信息隐私。未来，6G网络AI的用例也非常广阔，并且各个大用例类型下，还可包含诸多的子用例。典型的大用例门类诸如:网络功能性能优化，系统智能运维自治，终端优化，自动控制，无人驾驶，安全内生，多媒体视频语音识别，智能意图交互，动态环境感知等。注:AI场景和AI用例之间可能有交叉的多对多的关联匹配关系，即某个特定的AI场景下可涉及到多个不同的例；而某个特定的AI用例，在不同AI场景下可能有不同的具体呈现和QoS性能指标需求。从某大用例到子用例再到子子用例等，6G网络AI其实有着很多的用例方面实例。4.2.1用例1--网络多域功能性能优化在当下5GS系统和未来的6G移动新系统中，利用网络AI手段去赋能和增强优化系统功能和性能的多个方面，都将会有更丰富的用例和更大的增益，且必定会涉及到系统不同层面和功能域 (例如“无线接入网域”、“边缘节点域”、“承载网域”、“核心网域”和“网管域”等)。在产品非标实现方面，无线基站已可基于AI推理实现:动态开关节能、MIMO多天线权值寻优和基站故障快速定位预警等优化；边缘节点已可基于AI实现智能CDN内容分发和云边协同等；IP承载已可基于AI实现云化超强管控和力实现智能的网络性能优化和用户体验提升，如智能精准寻呼、用户业务SLA保障；核心网网管已可基于AI实现智能化容量预测、故障根因分析、KPI指标劣化分析等。上述丰富实践已充分证明了AI在网络多域功能方面的不同优化用例。在标准化方面，3GPPSA2和SA5已针对5GS系统如何利用AI/ML实现网络维，标准定义了NWDAF和MDAF功能和相关流程。例如NWDAF辅助实现用户面智能选择、智能选频、异常终端行为检测与防护等场景。MDAF实现SLA分析、故障告警分析等场景。RAN3和RAN1也针对各自识别的关键功能性能优化用例，尝试定义和引入可标准化的AI操作范式流程。例如，作为SON技术延伸，RAN3尝试利用基站AI推理去实现“移动性优化”、“网元节能”和“负载均衡”等用例，RAN1尝试利用物理层AI内嵌手段去压缩减少CSI信息反债，实现波束优化管理和定位精度提升等用例。SA2尝试利用AI去实现无线接入制式的优优化，辅助app检测，URSP优化等用例。总体上，通过在6G网络AI体系下各个网元协议中部署特定的AI/ML，可增强和优化相关的策略功能、资源工作效率和参数精准度，可有效地提升各种资源的利用率，改善用户业务体验等。未来6G移动新网络面向任何特定的目标服务场景，需具备从“场景用例识别”，“服务环一系列全生命周期的自治能力，提供“零等待、零故障、零接触”的新型网络自治服务。从未来无线网络优质高效、绿色节能的目标出发，如何实现业务感知、基于SLA的服务保障、业务驱动的自治网络，特别是动态自适应地满足“网络资源的精准编织供给”是6G网络AI研究的重要方向。全生命周期包含业务实例从初始实例化到最终结束的全过程。其中，我们可以通过使用智能和自动化系统来保障端到端的SLA。这里的“网络资源”主要指:空口时频资源，信号功率资源，天线射频资源，基带算力资源和AI算法资源等方面，对应于时频域，功率能量域，空间域和用户业务域等方面系统能力和操作。这里的“精准编织供给”主要指:无线网络能够实时感知和预测目标服务场景态势，按需动态地精准匹配，预备编排，调用使用上述各种(非)云化的“网络资源”。通过基于6G网络AI全生命周期管理(特别是基站边缘内更贴近空口的)，实现6G下面具体举例说明:某港区集装箱码头场景下，存在着多种不同类型的用户和子业务作业群(指挥，运输，监控等)，且不同类型用户的物理分布和移动性特征也较动态。此外，由于码头上众多集装箱的堆形和数量密度每天都在动态地变化，港区内6G无线信号受到集装箱遮挡或反射折射的情形也随之改变，造成港区内6G小区覆盖以及小区间干扰也随之变化。面向如此复杂且高动态变化的目标服务场景，传统的网络规划治理方案很难实现全生命周期的无线网络资源精准编织供给，带来诸如:无线覆盖欠佳，无线切片资源预留过度，差异化定制化程度弱，终端基站能耗较高，算力资源闲置流失，用户业务综合体验不佳等弊端。站(和边缘节点)能够实时动态感知港区集装箱码头的场景态势，无线空口环境和用户分布移动性业务动态特征等，通过6G基站(和边缘节点)本地的或集中AI智能训练推理预测等操作，快速制定出最佳的终端基站侧资源配置、功能资源调用动作决策，并且和全局策略精准协同，不断优化网络部署运维不同环节阶段的相关参数，实现全生命周期的“网络资源的精准编织供给”和网络传输及计算能力的增强对于游戏和演染业务非常有帮助。AI与XR技术一直密XR本身就是AI技术的一个分支，XR对于对象位置、运动追踪，处理反应都依赖于AI的能力。所以6G网络AI能力对于未来XR业务非常重要，同时也密不可分。如图4.2.3-1所示，移动扩展现实XR将提供诸如:XR沉浸式云游戏;XR沉浸式旅游;XR沉浸式医疗和教育等酷炫应用。由于受限于终端的体积功耗成本，XR终端将较大地依赖于6G网络AI超能力，去实现3D环境重构和互动情境的立体呈现，背景强化效果演染等。例如，在教育培训领域，高度沉浸式的XR应用可提高学生们的注意力和兴趣，更好地为学生涂释抽象晦涩的理论定义等;在医学方面，XR技术可广泛地应用于远程医学诊断和会诊等;在工程、建筑和地理信息科学领域，可以借助XR技术简化复杂结构的建模，进行可视化全景分析。6G网络AI将提供更为丰富的AI算力算法资源，将能更实时高效地保证上述各种XR业务应用的执行和用户卓图4.2.3-1移动扩展现实XR应用实例除了AR、VR业务以外,需要面向未来6G网络和计算继续打造网络图形的业务能力。从技术线说,希望把图形图像业务和6G网络相融合,通过6G网络把视频流传输到本地,控制本地的灯光和屏幕。面向未来,网络图形图像能力不仅仅包括cloudXR,还有云游戏、智慧城市、数字李生城市、数字可视化。之后通过流化方式部署业务,从而针对不同垂直领域,在不同时间点可以生成出不同的业务。类似于AR、VR,网络图形图像能力也需要不同的图像处理AI算法,以及其需求的计算平台和硬件。同时,图形图像处理过程中存在大量的数据传输,这也需要AI对网络传输进行调优,保证网络的通畅和业务的时效性。4.2.4用例4--视频图片语音分析随着未来社会信息化和智能化各类需求的快速增长,各行各业对前端摄像头所采集的视频图片信息的实时处理,和即时服务响应的应用需求也随之快速地爆发。例如,基于摄像头视频信息,实时检测并做出告警等响应的应用场景层出不穷。在公共安全卫生方面,例如对目标人群口罩佩戴的识别,包括对视频中正脸侧脸等多种人像角度识别,在广场、车站、医院、酒店、餐厨等业务场景有着强烈的需求。在智慧工地、智慧工厂、智慧电力等业务场景下,监管方通常需要安全帽佩戴和工作服的识别模型,用于支持不同颜色、不同类别安全帽工作服的佩戴识别,用于提升对中高危作业区域的监管效率和安全防护。在居民小区、校园楼宇等安防监控场景下,通常需要职业服饰的识别模型,例如支持美团、京东、顺丰、饿了么等多种不同颜色服饰,用于对人体职业厂家属性的增强。对于园区小区的扶梯/楼梯、老幼活动区等场所,冲撞和摔倒识别的模型,结合目标检测与图像分类技术,自动识别扶梯/楼梯、老幼活动区等场所人员冲撞和摔倒危险行为。通过基于6G网络AI赋能,可实现快速精准的视频识别服务,及时实施安全防护和救援,从而大大地提高人工监管效果，保障生命财产安全。在机场、车站、商场、展会、景区等人群超密集场所，需要高效率的静态人流量识别模型，适用于中远距离俯拍，以人群头部为识别目标，快速统计出视频图片中的瞬时人数。在商场、办公楼、矿洞等入口场景，需要恰当的动态人流量识别模型，通过目标检测与目标跟踪技术，分析目标轨迹和进出区域方向，实现动态人流量的统计和趋势判定。在病人监护、人机交互、虚拟现实、人体动画、运动员辅助训练等场景，需要人体关键点识别模型，采用自上而下的识别方法，精准检测人体的关节、五官等关键位置。通过基于6G网络AI赋能，上述各类面向视频图片的识别和处理反债，能够变得更加高效实时且精准。无人驾驶机理是:车辆依靠对各类传感器收集到的数据和/或从车联网中获得的定位、道路情况、周边环境信息进行动态信息综合处理，从而进行合理的路径车道策略规划、状态预测及驾驶指令的下发。6G无人驾驶用例的总体愿景是:使得无人驾驶车辆以更低的成本为用户提供更安全、高效、舒适的乘车体验。过去大部分智能车辆基于车载GPS，惯性测量装置、毫米波/激光雷达、摄像头收集获得感知数据，再利用车载计算资源处理感知到的数据，基于本地AI算法识别出环境和车道信息，交通灯信息，以及周围物体类型相对位置运动等信息。在6G网络AI中，一方面6G网络可直接从基站传感器或路边站采集交通数据，再基于网络侧AI模型推理，提供额外的智能感知信息，提升车辆感知完整度。另一方面，车辆感知采集的数据可传输到网络侧，进行感知结果计算推理，从而降低车辆本地的计算需求。无人驾驶感知用例中的感知结果