DOI: https://doi.org/10.1109/mcom.001.2500018
تاريخ النشر: 2025-08-25
المؤلف: Lopamudra Kundu وآخرون
الموضوع الرئيسي: الشبكات المعرفة بالبرمجيات و5G
نظرة عامة
تتناول ورقة البحث تطور شبكات الوصول اللاسلكي (RAN) نحو منصات الحوسبة والاتصالات المتكاملة، التي تُسمى AI-RAN، والتي تجمع بين أحمال العمل الخاصة بـ RAN والذكاء الاصطناعي (AI) على بنية تحتية موحدة. يهدف هذا التكامل إلى تعزيز الأداء وتحسين استخدام الأصول، متجاوزًا التطبيقات التقليدية للبرودباند المحمول. يصنف المؤلفون AI-RAN إلى ثلاثة أشكال متميزة: AI-for-RAN، AI-on-RAN، وAI-and-RAN، ويحددون المتطلبات الأساسية والعوامل الممكنة لهذا التقارب. يتم اقتراح بنية مرجعية لتسهيل الانتقال من المفهوم إلى التنفيذ العملي، مدعومةً بإثبات مفهوم يستخدم خوادم NVIDIA Grace-Hopper GH200 لإظهار المعالجة المتزامنة لأحمال العمل الخاصة بـ RAN وAI.
في الختام، يؤكد المؤلفون على إمكانيات AI-RAN في إنشاء شبكات أكثر تكيفًا وكفاءة قادرة على تخصيص الموارد ديناميكيًا لتلبية احتياجات المستخدمين المتنوعة واحتياجات الصناعة الناشئة. يعترفون بأن هياكل AI-RAN لا تزال في مراحلها الأولى من التطوير ويقترحون اتجاهات بحث مستقبلية، خاصة في تصميم أطر تنسيق مدفوعة بالذكاء الاصطناعي. يجب أن تدير هذه الأطر بفعالية موارد الحوسبة والاتصالات مع معالجة عوامل حاسمة مثل الكمون، والموثوقية، وكفاءة الطاقة، مما يمكّن في النهاية تخصيص الموارد عند الطلب لكل من تطبيقات RAN وAI.
مقدمة
تناقش مقدمة الورقة تطور شبكات الوصول اللاسلكي (RANs) من البنى التحتية المخصصة التي تركز بشكل أساسي على البرودباند المحمول إلى أنظمة أكثر تنوعًا قادرة على دعم تطبيقات وأحمال عمل متنوعة. يقود هذا التحول الطلب المتزايد على التطبيقات الحديثة والحاجة إلى الحوسبة الطرفية، التي تعزز الأداء من خلال معالجة البيانات بالقرب من المستخدم، مما يقلل من الكمون ويحسن الخصوصية. تقدم هذه السياق تقدمًا كبيرًا يتمثل في دمج أحمال العمل الخاصة بالذكاء الاصطناعي (AI)، وخاصة الذكاء الاصطناعي التوليدي (GenAI) ونماذج اللغة الكبيرة (LLMs)، في بنى RAN التحتية، مما يؤدي إلى مفهوم AI-RAN. يهدف هذا التكامل إلى تسهيل إدارة الشبكة بدون لمس، والتحكم الذكي في الموارد، وتحسين الكفاءة الطيفية، مما يعزز في النهاية قابلية تكيف الشبكة واستخدام الأصول.
تسلط الورقة الضوء على أهمية تقارب الاتصالات والحوسبة لتطوير RANs الأصلية للذكاء الاصطناعي، مشددةً على الحاجة إلى التنسيق بين خدمات الاتصال والحوسبة. تشير إلى جهود التوحيد القياسي المستمرة في الصناعة، مثل تلك التي تقوم بها الاتحاد الدولي للاتصالات (ITU) ومشروع الشراكة للجيل الثالث (3GPP)، والتي تعتبر حاسمة لتشكيل مستقبل AI-RAN. تؤكد تشكيل تحالف AI-RAN في عام 2024، الذي يضم شركات الاتصالات الرائدة، التزام الصناعة بتحويل بنية RAN التحتية. ومع ذلك، يحدد المؤلفون فجوة في الأدبيات الحالية بشأن إطار موحد لتطبيقات الذكاء الاصطناعي المتنوعة في RAN، والتي يهدفون إلى معالجتها في الأقسام التالية من الورقة.
نقاش
تسلط قسم النقاش في الورقة الضوء على الإمكانيات التحويلية للحلول المدفوعة بالذكاء الاصطناعي في شبكات الوصول اللاسلكي (RAN)، مشددًا على دورها في تعزيز الأداء، وتقليل التكاليف التشغيلية، وتحسين تجارب المستخدمين. يوضح دمج خوارزميات الذكاء الاصطناعي عبر مختلف طبقات بروتوكول RAN—from الطبقة الفيزيائية (PHY) إلى طبقة التحكم في الوصول إلى الوسائط (MAC)—تقدمًا كبيرًا في الكفاءة الطيفية وأتمتة الشبكة. يتم تحديد التطور نحو الإدارة بدون لمس، الذي يسهل نماذج قائمة على الذكاء الاصطناعي تستفيد من البيانات التاريخية والبيانات في الوقت الحقيقي، كعامل تمكين حاسم لإدارة بيئات RAN المعقدة التي تتميز بمطالب خدمات متنوعة.
علاوة على ذلك، تستكشف الورقة مفهوم AI-on-RAN، حيث تدعم بنية RAN التحتية تطبيقات الذكاء الاصطناعي، مما يخلق فرص إيرادات جديدة لمشغلي الاتصالات. يتم تجسيد هذه العلاقة التكافلية من خلال مبادرات مثل تطوير نماذج اللغة الكبيرة (LLMs) الخاصة بشركات الاتصالات لخدمة العملاء. يناقش القسم أيضًا أهمية AI-and-RAN، الذي يركز على تحسين مشاركة الموارد بين وظائف RAN وتطبيقات الذكاء الاصطناعي من خلال التنسيق الديناميكي. توضح التطبيقات العملية، مثل منصة التنسيق متعددة الكتل من Aarna Networks وAITRAS من Softbank، الإمكانيات لتحقيق أقصى استفادة من استخدام الموارد وتحقيق كفاءة الأجهزة القريبة من الكمال من خلال تشغيل أحمال العمل الخاصة بـ RAN وAI في وقت واحد. بشكل عام، تؤكد الورقة على ضرورة وجود بنية قوية تدمج قدرات الذكاء الاصطناعي بشكل أصلي ضمن بنى RAN التحتية لتسهيل اتخاذ القرارات الذكية وتحسين أداء الشبكة.
DOI: https://doi.org/10.1109/mcom.001.2500018
Publication Date: 2025-08-25
Author(s): Lopamudra Kundu et al.
Primary Topic: Software-Defined Networks and 5G
Overview
The research paper discusses the evolution of radio access networks (RAN) towards integrated compute-communication platforms, termed AI-RAN, which combines RAN and artificial intelligence (AI) workloads on a unified infrastructure. This integration aims to enhance performance and optimize asset utilization, moving beyond traditional mobile broadband applications. The authors categorize AI-RAN into three distinct forms: AI-for-RAN, AI-on-RAN, and AI-and-RAN, and outline the essential requirements and enablers for this convergence. A reference architecture is proposed to facilitate the transition from concept to practical implementation, supported by a proof-of-concept utilizing NVIDIA Grace-Hopper GH200 servers to demonstrate the simultaneous processing of RAN and AI workloads.
In the conclusion, the authors emphasize the potential of AI-RAN to create more adaptive and efficient networks capable of dynamically allocating resources to meet diverse user demands and emerging industry needs. They acknowledge that AI-RAN architectures are still in the early stages of development and suggest future research directions, particularly in the design of AI-driven orchestration frameworks. These frameworks should effectively manage compute and communication resources while addressing critical factors such as latency, reliability, and energy efficiency, ultimately enabling on-demand resource allocation for both RAN and AI applications.
Introduction
The introduction of the paper discusses the evolution of radio access networks (RANs) from dedicated infrastructures primarily focused on mobile broadband to more versatile systems capable of supporting diverse applications and workloads. This shift is driven by the increasing demands of modern applications and the need for edge computing, which enhances performance by processing data closer to the user, thereby reducing latency and improving privacy. A significant advancement in this context is the integration of artificial intelligence (AI) workloads, particularly generative AI (GenAI) and large language models (LLMs), into RAN infrastructures, leading to the concept of AI-RAN. This integration aims to facilitate zero-touch network management, intelligent resource control, and improved spectral efficiency, ultimately enhancing network adaptability and asset utilization.
The paper highlights the importance of communication-compute convergence for the development of AI-native RANs, emphasizing the need for coordination between connectivity and computing services. It notes ongoing industry standardization efforts, such as those by the International Telecommunication Union (ITU) and the 3rd Generation Partnership Project (3GPP), which are crucial for shaping the future of AI-RAN. The formation of the AI-RAN Alliance in 2024, comprising leading telecom companies, underscores the industry’s commitment to transforming RAN infrastructure. However, the authors identify a gap in the existing literature regarding a unified framework for the diverse applications of AI in RAN, which they aim to address in subsequent sections of the paper.
Discussion
The discussion section of the paper highlights the transformative potential of AI-driven solutions in Radio Access Networks (RAN), emphasizing their role in enhancing performance, reducing operational costs, and improving user experiences. The integration of AI algorithms across various layers of the RAN protocol stack—from the physical (PHY) layer to the medium access control (MAC) layer—demonstrates significant advancements in spectral efficiency and network automation. The evolution towards zero-touch management, facilitated by AI-based models that leverage historical and real-time data, is identified as a critical enabler for managing complex RAN environments characterized by diverse service demands.
Furthermore, the paper explores the concept of AI-on-RAN, where RAN infrastructure supports AI applications, creating new revenue opportunities for telecom operators. This symbiotic relationship is exemplified by initiatives such as the development of telco-specific large language models (LLMs) for customer service. The section also discusses the importance of AI-and-RAN, which focuses on optimizing resource sharing between RAN functions and AI applications through dynamic orchestration. Practical implementations, such as Aarna Networks’ multi-cluster orchestration platform and Softbank’s AITRAS, illustrate the potential for maximizing resource utilization and achieving near-complete hardware efficiency by concurrently running RAN and AI workloads. Overall, the paper underscores the necessity for a robust architecture that integrates AI capabilities natively within RAN infrastructures to facilitate intelligent decision-making and optimize network performance.