人工智能原生网络发展趋势研究

doi:10.12267/j.issn.2096-5931.2025.02.002

信息通信技术与政策 ›› 2025, Vol. 51 ›› Issue (2): 9-17.doi: 10.12267/j.issn.2096-5931.2025.02.002

人工智能原生网络发展趋势研究

Study on artificial intelligence native network

商兴宇, 刘小欧, 杨明川

中国电信股份有限公司研究院,北京 102209

收稿日期:2025-01-15 出版日期:2025-02-25 发布日期:2025-03-04
作者简介:
商兴宇中国电信股份有限公司研究院大数据与人工智能研究所工程师,主要从事人工智能、未来网络等方面的研究工作;
刘小欧中国电信股份有限公司研究院大数据与人工智能研究所副总监,主要从事人工智能、未来网络等方面的研究工作;
杨明川中国电信股份有限公司研究院大数据与人工智能研究所所长,教授级高级工程师,博士,长期从事新技术研发等方面的研究工作。

SHANG Xingyu, LIU Xiao’ou, YANG Mingchuan

Research Institute of China Telecom Co., Ltd., Beijing 102209, China

Received:2025-01-15 Online:2025-02-25 Published:2025-03-04

摘要/Abstract

摘要：

人工智能原生网络是通信网络发展的新阶段,它以人工智能为核心,深度融合到网络架构中,具有全新的技术特征和应用潜力。首先,从大模型的发展与网络的关系入手,探讨了人工智能原生网络的概念、发展、标准化进展及其应用场景;然后,对人工智能原生网络未来的发展趋势、面临的挑战与机遇进行了分析;最后,提出了人工智能原生网络未来的研究方向与建议。

关键词: 人工智能原生网络, 大模型, 网络智能化

Abstract:

Artificial Intelligence Native Networks (AINNs) mark a transformative phase in the evolution of communication networks, characterized by a core integration of artificial intelligence within network architectures. This integration unveils unprecedented technological features and substantial potential for diverse applications. The study begins by examining the interplay between the development of Large Language Models (LLMs) and network infrastructure, thereby elucidating the concept, advancement, and standardization of AINNs along with their potential application scenarios. Subsequently, an analysis of the anticipated trends, challenges, and opportunities facing AINNs is presented. The paper concludes by proposing future research directions and recommendations for the continued evolution of AINNs.

Key words: AINN, LLM, network intelligence

中图分类号:

TN929.11

商兴宇, 刘小欧, 杨明川. 人工智能原生网络发展趋势研究[J]. 信息通信技术与政策, 2025, 51(2): 9-17.

SHANG Xingyu, LIU Xiao’ou, YANG Mingchuan. Study on artificial intelligence native network[J]. Information and Communications Technology and Policy, 2025, 51(2): 9-17.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2025.02.002

http://ictp.caict.ac.cn/CN/Y2025/V51/I2/9

图/表 2

参考文献 8

[1]	XU S, THOMAS C K, HASHASH O, et al. Ramakrishnan, large multi-modal models (LMMs) as universal foundation models for AI-native wireless systems[J]. IEEE Network, 2024, 38(5):10-20.
[2]	DRIESS D. PaLM-E: an embodied multimodal language model[C]. In Proceedings of the 40th International Conference on Machine Learning(ICML’23), 2023,202:8469-8488.
[3]	ITU-T. ITU-T focus group on AI native network[EB/OL]. (2024-07)[2025-01-01]. https://www.itu.int/en/ITU-T/focusgroups/ainn/Pages/default.aspx.
[4]	European Telecommunications Standards Institute.Evaluation of categories for AI application to networks: ETSI GR ENI 010 V1.2.1[S/OL]. (2024-06)[2025-01-10].https://www.etsi.org/deliver/etsi_gr/ENI/001_099/010/01.02.01_60/.
[5]	European Telecommunications Standards Institute.Definition, requirements and procedure of intent policy multi-stage translating: ETSI GR ENI 033 V4.1.1[S/OL]. (2024-08)[2025-01-10].https://www.etsi.org/deliver/etsi_gs/ENI/001_099/033/04.01.01_60/.
[6]	European Telecommunications Standards Institute.Transformer architecture for policy translation: ETSI GR ENI 030 V4.1.1[S/OL]. (2024-03)[2025-01-10].https://www.etsi.org/deliver/etsi_gs/ENI/001_099/030/04.01.01_60/.
[7]	European Telecommunications Standards Institute.Representing, inferring, and proving knowledge in ENI: ETSI GR ENI 019 V3.1.1[S/OL]. (2023-06)[2025-01-10]. https://docbox.etsi.org/ISG/ENI/Open/ENI019/.
[8]	AI-RAN Alliance. AI-RAN alliance vision and mission white paper[EB/OL]. 2024[2025-01-21]. https://ai-ran.org/wp-content/uploads/2024/12/AI-RAN_Alliance_Whitepaper.pdf.

[1]	苑卫国, 张新跃, 尉迟学彪. 生成式人工智能技术对网络安全领域的影响分析与启示建议[J]. 信息通信技术与政策, 2025, 51(1): 2-9.
[2]	李诗婧, 赵爽. 生成式人工智能应用于制造业的网络安全风险及对策研究[J]. 信息通信技术与政策, 2025, 51(1): 20-24.
[3]	栾燕, 孟祥曦. 人工智能大模型与新型工业化融合的路径与挑战[J]. 信息通信技术与政策, 2025, 51(1): 76-82.
[4]	张圆梦, 周琴, 袁丽莉. 大模型驱动下智能化城市公共服务应用探究[J]. 信息通信技术与政策, 2024, 50(9): 37-42.
[5]	李峰, 乔春庚. 一种基于大模型技术的算力产业监测服务平台设计[J]. 信息通信技术与政策, 2024, 50(6): 45-53.
[6]	李帅峥, 钱正, 董正浩, 史翔. 政务大模型的技术应用路径及发展建议[J]. 信息通信技术与政策, 2024, 50(6): 76-82.
[7]	车碧瑶, 张永航, 廖怡, 唐剑, 樊小平, 赵继壮, 陆钢. 运营商大模型硬件基础设施创新及RDMA流量控制技术研究[J]. 信息通信技术与政策, 2024, 50(2): 26-32.
[8]	王蕴韬. 大语言模型核心架构演进态势分析[J]. 信息通信技术与政策, 2024, 50(12): 13-20.
[9]	李论, 郭英男, 王子暄. 大模型智算基础设施夯实新型工业化赋能底座[J]. 信息通信技术与政策, 2024, 50(12): 2-6.
[10]	刘威辰, 杨华锋, 江民民, 刘敬谦. 大模型应用服务平台建设研究[J]. 信息通信技术与政策, 2024, 50(12): 21-30.
[11]	董昊, 刘星辰, 曹峰, 张发恩, 高凌燕. 人工智能赋能制造业全流程的技术及应用研究[J]. 信息通信技术与政策, 2024, 50(12): 42-50.
[12]	王天舟, 张华, 刘奇申, 黄超. 深度学习与大模型技术在北京中轴线实景重建中的应用[J]. 信息通信技术与政策, 2024, 50(12): 82-88.
[13]	李腾达. OnePower多模态大模型助力能源数字化转型[J]. 信息通信技术与政策, 2024, 50(10): 82-90.
[14]	武林娜, 宋恺, 王淞鹤. 生成式人工智能对个人信息安全的挑战及应对策略[J]. 信息通信技术与政策, 2024, 50(1): 13-18.
[15]	朱刚, 张美翔, 孙浩文, 李家京, 张亮, 杨云龙. ChatGPT带给智慧城市的启示——未来城市演进路径的探讨[J]. 信息通信技术与政策, 2023, 49(6): 71-78.

人工智能原生网络发展趋势研究

Study on artificial intelligence native network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 8

相关文章 15

编辑推荐

Metrics

本文评价