为了能够满足未来6G网络更加丰富的业务应用以及极致的性能需求，需要在现有的新型无线网络架构基础上，实现关键技术上的重要突破。而随着人工智能(AI)的深入应用，如何实现AI赋能新型无线网络架构，也是一个研究热点。
现有的无线网络架构不具备支持AI原生的能力，缺少原生AI算法的运行环境和基础插件。此外，随着新型垂直行业应用的井喷式涌现，无线网络资源利用率低、业务匹配性差，差异化实时性业务需求引起资源管控复杂度的急剧提升。未来，AI技术将赋能移动通信系统，通过与无线架构、无线数据、无线算法和无线应用结合，构建新型智能网络架构体系。AI原生的6G网络不仅仅是将AI技术作为一种优化工具，而是实现AI原生的新型无线网络架构和空口技术。
AI原生的6G网络通过赋能网络架构，实现接入网和核心网网元的智能化管理和部署实现，支持智能的多类型资源跨域管理。而AI原生的新空口技术能够通过调用AI算法支持无线资源的智能调度，实现实时的业务需求匹配，将AI需求考虑在接口协议栈的设计中。
1.AI原生的新型无线网络架构
AI原生的新型无线网络架构，要充分利用网络节点之间的通信、计算和感知能力，通过分布式学习、群智式协同以及云边端一体化算法部署，使得6G网络原生支持各类人工智能应用，能够构建新的网络生态，并实现以新型网络使用者为中心的业务体验。利用原生的AI能力，6G可以更好地对无处不在的具有智慧感知、通信和计算能力的网络、基站和终端进行统筹管理，利用大规模的智能分布式协同服务，使网络中的通信和算力效用最大化。
这将会带来三点趋势的转变：①AI将会融入到6G网络中，并对外提供服务，将创造新的市场价值，即AI引擎，利用AI引擎的智能化能力，可以对外提供智能管控等服务;②AI将在端-雾-云间协同实现包括通信能力、计算、存储等多种类型、多种维度资源的智能调度，并使网络总体效能得到提升;③AI能够实现对6G中广域的数据测量与监控，实现网络的快速自动化运维、快速检测和快速自修复，即AI原生的网络维护。
2.支持AI引擎的无线智能管控
长期以来，基于数值迭代优化的解决方案在无线通信、信号处理任务之中发挥了重要作用。在迭代算法中，需要优化的问题参数作为迭代算法的输入，多次迭代后的结果是迭代算法的输出结果。在6G中，需要优化的问题规模通常比较大，使用迭代优化算法往往会使计算复杂度非常高，无法满足资源调度的实时性要求。而深度神经网络具有黑箱式强大的函数逼近能力，其能够在接近迭代优化算法性能的同时不会造成过高的计算复杂度。
如何利用神经网络实现智能化的无线网络资源管理是一个值得研究的问题。首先，需要设计出一种针对某一类无线资源管理问题的迭代资源优化算法;对神经网络进行设计，设计时可以巧妙利用迭代优化算法的特点来对神经网络网络的参数进行设置，具体来说，就是可以将迭代优化算法的输入参数作为神经网络的输入参数，而迭代优化算法的输出结果将作为神经网络的输出结果;对于单独不同的问题实例，可以使用迭代资源优化算法计算得到最优的资源管理策略作为参考结果，从而形成训练样本集;选择损失函数，利用训练样本集进行训练神经网络可以得到网络模型;当遇到新的问题实例时，可以利用神经网络模型计算资源管理策略。
利用上述设计思路，可以求解几乎所有无线资源优化问题，同时可以较为有效地提升在进行资源分配策略时的计算速度并节省计算开销。当在进行神经网络类型选择时，除了一般的前馈神经网络，也可以考虑诸如卷积神经网络或图神经网络等，后者已被证明能够有效求解整数规划问题。而在进行神经网络设计时，一般无线资源优化问题的目标函数通常是系统效用，如系统频效、能效等。因此，对于面向无线资源智能管理所使用的神经网络，除了可以选均方误差函数作为神经网络的损失函数，也可以直接使用系统效用函数作为神经网络的损失函数;还可以利用无线资源优化问题的最优解结构，将算法的先验信息融入到神经网络设计中，从而达到简化神经网络的输入输出设计，这样不仅可以加速神经网络训练速度，而且同时能够极大提高神经网络逼近迭代算法的能力。
3.AI原生的新型空口
AI赋能的新型协议栈，即深度融合AI、机器学习技术，突破了现有空口的模块化设计的框架，实现无线环境、资源、干扰以及业务等多维特性的深度挖掘和利用，将会显著提高6G无线网络的效率、可靠性、实时性和安全性。
新型空口技术可以通过端到端的学习来增强数据平面和控制信令的连通性、效率和可靠性，允许针对特定场景在深度感知和预测的基础上进行定制，且空口技术的组成模块可以灵活地进行拼接，以满足各种应用场景的不同要求。借助多智能体等AI方法，可以使通信的参与者之间高效协同，提高通信传输能效。利用数据和深度神经网络的黑盒建模能力可以从无线数据中挖掘并重构未知的物理信道，从而设计最优的传输方式，提高频谱利用率。
AI赋能的通信系统能够根据流量和用户行为主动调整无线传输格式和通信动作，可以优化并降低通信收发两端的功耗，对6G网络中功率进行智能管控。在多用户系统中，通过强化学习等AI技术，基站与用户之间可自动协调并调度资源。每个节点可计算每次传输的反馈，以调整其信号的波束方向，进行AI使能的波束赋形等。
