如何看待GPT与通信协同发展？

将6G 与GPT 结合，支撑更多行业数字化转型，取得更大的社会和经济价值。

1.GPT 与通信从独立演进到紧密结合

1.1. GPT 与通信结合趋势

早 在 2008 年 ， 3GPP 就 基 于 Rel8 定 义 了 自 组织网络（Self-OrganizingNetworks， SON），把机器学习和AI 的功能嵌入到了构思与规划、分析与设计、实施与构 建、运行与维护的网络生命周期里[33][34][35][36]，这成为推动通信AI 发展的一个里 程碑。然而，2G 与3G，最初都没有按照网络智能化理念来构建，旧网络时代生态体系与AI 难以适配。 2017 年9 月，3GPP 第一次定义了通信AI 的网元，即网络数据分析功能（Network Data Analytic Function，NWDAF），此外，O-RAN 也定义了通信AI 的 网 元 ， 即 无 线 接 入 网 智 能 控 制 器 （ Radio Access Network Intelligent Controller，RIC），类似于网络里面的通信AI 大脑。 2018 年 6 月 ， 3GPP 5G 新 空 口 （ New Radio ，NR ）标准独立组网（StandAlone， SA）方案在3GPP 第80 次TSG RAN 全会正式完成并发布。一方面，与4G 网络 相比，5G 网络在传输速率、传输时延、连接规模等关键性能指标上均有质的飞跃，进而支撑起更加丰富的业务场景和应用，为以GPT为代表的AI 工具落地创 造条件。另一方面，5G 网络在运营过程当中面临相关挑战，由于组网复杂、能耗高、控制灵活性差等问题带来诸多的不确定性[37][38][39]。

2023年3月，ETSI提出了有关AI透明度和可解释性的标准规范，旨在生成更多可解释的模型，同时保持高水平的模型性能。 2023 年 9 月，3GPPAI/ML 工作组将生成式人工智能引入了讨论范畴，并加 入NWDAF 模块，经过数个版本迭代演进，现阶段已形成数据采集、训练、推 理、闭环控制，以及支持多样化解决方案的分布式网络大数据分析架构。相关的 网络功能及接口规范已成熟，具备加速产业化能力。2023 年12 月，3GPP Release 19 将围绕新场景、新技术，让AI 更懂网络，实现网络与AI 深度融合，包括AI 与5G 未来结合的应用方向。GPT 为代表的AI 有能力通过分析从网络中收集的 数据，来解决复杂和非结构化的网络问题。对一些特定的用例，3GPP 已经研究如何将AI 应用于5G RAN 和物理层。2024 年2 月，ETSI 探讨了AI 在医疗保健、智能交通和工业自动化等不同领域的应用，以及未来移动网络中的AI 相关功能，这为GPT 在通信领域进一步应用提出了新思路，GPT 与通信行业正在从独立演进、前沿交叉到未来协同演 进、紧密结合，最终实现深度融合，这是相辅相成的结果，也是发展的必然趋势，将加速两者的共同进步。

1.2. GPT 与 5G 网络结合

GPT 与物理层的结合，有助于实现5G 的弹性设计。大规模天线技术是5GNR 设计的基石。NR 需要支持高达 100GHz 的频谱范围，随着频率的升高，收 发系统使用的天线个数也相应增加。GPT 可以综合考虑天线的波束覆盖和传输 形态[40]，充分利用天线周边环境特征，对天线相关参数进行配置和优化，这是能够充分发挥GPT 强大推理能力的方向。

GPT 与网络层的结合，有助于实现5G 的柔性自治。通过5G 网络可获得海量数据，且结构性数据占比高，GPT 对大数据集进行统计和分析[41]，结果可以对整个网络进行更精细的调度和优化，提升网络资源利用率。GPT 与业务层结合，可以提供端到端的确定性。通过引入GPT，将业务需 求转化为网络可感知的指标，对指标进行分析预测以判断当前网络资源是否满足 业务需求。进一步，结合分析预测得出的指标趋势，助力网络资源的动态规划、调度和优化，为最终提供高可靠业务保障打造坚实基础。

2. GPT 与 6G 通信网络融合发展

6G 网络与 GPT 融合是未来潜在发展方向，既包括为6G 网络自身性能优化提供的智能能力，如利用端到端 AI 实现空口和网络的定制优化和自动化运维， 提供满足多样化需求的最佳解决方案；也包括向第三方业务提供的智能能力，如 通过 6G 网元原生集成通信、计算和感知能力，加速云上集中智能向边缘泛在智能演进，为服务第三方业务的 GPT 提供分布式学习的基础设施。“6G+GPT ”服务主要面对高实时、高性能、强安全等需求，在网络内进行训练或推理，提供适应不同应用场景的 AI 能力。6G 网络作为原生智能架构，利 用网络内的通信、计算、数据集、基础模型等资源，结合GPT 高效训练或推理 能力，能够实现海量数据处理、网络自服务、资源优化和内生安全等任务，为用 户提供无所不在的高性能 AI 服务。

2.1. GPT 支持海量数据处理

6G 网络需要服务海量数据采集、预处理、分布式存储和高速传输等基本数 据类业务。信息时代数据量爆炸式增长，海量数据资源蕴藏着巨大的价值。随着 6G 时代更先进的智能终端和无线边缘设备的增多，对边缘侧算力要求进一步提 高。目前英伟达已发布GPT 专用GPU，推理速度可以提升10 倍，满足对6G 较高算力的需求。此外，基于GPT 的多模态模式可以同时处理文本、图像、音频等多种类型数据，强大的数据处理和分析能力帮助6G 网络进一步统一数据业务 和服务的标准（包括数据格式、参数定义、计算方式等），实现数据资源在6G网络内的快速流转和共享应用，实现以海量数据为中心的智能计算。

2.2. GPT 推动网络自服务

6G 内生智能网络的特性之一是自适应匹配用户的个性化需求，为用户提供 网络自服务能力。具体体现在，用户对带宽、时延、计算能力、存储能力等性能 指标的需求动态变化，网络接收到用户的个性化需求，基于GPT对用户意图进 行分析并转译为对网络的QoS 需求，进一步根据对当前网络的状态感知，将QoS需求设置为网络的执行方案或执行策略，整个过程中不需要运维人员介入。

2.3. GPT 协助网络资源编排

6G 网络是集通信、感知、计算于为一体的信息系统，需要对通信资源、计 算资源进行编排，以满足用户服务级别协议（Service Level Agreement，SLA）需 求并实现网络运营效率最优。编排是对计算机系统、应用及服务的自动化配置、 管理和协调。GPT 对业务需求分析后进行资源消耗趋势预测，优化通信和计算 资源编排调度方案。具体来说，根据对业务需求的分析，网络生成通感算联合优 化需求，并下发至意图管控功能。基于GPT 辅助进行全面业务意图感知、网络 意图解析、网络能力转换，并输出和下发具体的业务感知SLA 需求，实现将业 务SLA 需求细化为业务传输计算模型和基站资源消耗趋势。随后，基于学习算 法优化影响通感算性能的网络配置参数，生成网络参数调优策略。指导资源编排，GPT 与用户交互获得反馈，进而对策略进行迭代优化。

3.“6G+GPT ”赋能行业数字化转型

6G 将具备原生AI 能力，不仅空口和网络设计将借助端到端AI 和机器学习实现高度定制的优化，同时各个网元也将原生融合通信、计算与感知能力，从集 中智能向分布式的网络泛在智能转变，通过边缘智能的分布式机器学习架构，满 足社会生产的大规模智能需求[42]。6G 作为未来数字世界的“超级基础设施”， 将以大连接、高算力和强安全的极致性能，支撑人、机、物的泛在智联，赋能全 社会数字化转型，实现“万物智联，数字孪生”的美好愿景。GPT与6G 深度融 合后，可应用的场景非常丰富，支撑和提供诸多新业务和应用，最典型的应用领 域包括：智能家居、智慧医疗、智能工业、智能交通、智慧农业和数字娱乐等。

3.1.“6G+GPT ”赋能智能工业

近年来，以人工智能、大数据、云计算等为代表的新技术正在迅速与传统制 造业融合，以“绿色”和“智能”为核心的制造模式，成为制造业的重点发展方向。现代工业智能化生产模式，建立在AI 应用的基础上[43][44] ，6G通信技术与GPT 的协同，可充分发挥两者优势，提升工业系统性能，做到无线覆盖广、感知能力强、服务响应快等，进一步提高数据采集、处理和分析的效率，挖掘行业数据潜在价值。 工业智能化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 于工业智能制造主要采用本地部署执行的特点，在6G 与GPT 的协同下，工作 中的基站侧传输、算力、算法资源和能力的拓展非常重要，它能比传统方案提供 更低的传输处理时延和抖动，从而保障更高的工业级信号处理的确定性。同时， 工业智能生产线上部署的智能终端，都可能具备本地强大的无线感知和数据分析 推理决策能力。此外，还可以结合神经网络、模糊控制技术等先进算法应用于产 品配方、业务编排等，实现智能制造过程，这有助于进一步提高生产效率和减少人工参与度，更好地满足客户的大规模个性化需求，实现工业生产技术的进步。

3.2.“6G+GPT ”赋能智慧医疗

6G 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，其内生智能 还可以直接赋能医疗信息的处理和决策。而GPT 的出现，突破了传统AI 模型受 算法成熟度和病例样本数的限制，减少了人为参与和监控，简化了诊断方式和流程。 医疗传感器和智能可穿戴设备的发展推动了智慧医疗的改革，6G和GPT协同可直接应用于医疗传感器和智能可穿戴设备[45]，辅助收集个人身体和情感信息， 提供实时、便捷的健康监测，提高医疗质量，并使用户能够掌握自己的健康情况。 电子健康记录实现了患者完整病史的存储和显示，包括医疗状况、治疗计划、处方、过敏和其他详细信息。6G 和GPT 技术的结合，实现不同的物理设备和对象 与互联网进行连接和通信，优化了数据收集方式，高速传输同步医生和患者的相关信息，从而不断迭代提升预诊疗结果的准确性、可靠性和实时性。在GPT的辅助下实现数字化和集中化患者信息分析管理[46]，帮助快速建立集中的患者信息存储库，实现了数据驱动的决策，有助于加速推动智慧医疗改革。