二、6G AI 即服务（AIaaS）概念与典型应用场景

在业界广泛开展的关于 6G 愿景的讨论中，“6G 将为人和物提供更好的连接，推动人联、物联向智联转变，开启智能社会”目前已成为一个基本共识。在大模型机器学习和大数据分析支持下，普惠智能将是未来商业和经济模式的重要基础。6G 将是使能该服务的基础平台，在 5G 三大应用场景基础上，新增人工智能作为应用场景。

普惠智能要求 6G 网络支持原生智能架构、对用户数据的隐私保护、可信的网络和支持消费者和垂直市场的多元化生态系统。6G 网络将通信、信息和数据技术以及工业智能深度集成到无线网络，并且具备大规模分布式训练、实时边缘推理和本地数据脱敏的能力。在 6G 网络中，网络边缘运行的分布式 AI 在提供高性能的同时，也能解决个人和企业都十分关心的数据所有权问题。普惠智能与深度融合的 ICT 系统相结合，在网络边缘提供多样化的连接、计算和存储资源，将成为 6G的固有特征。

2.1 6G AIaaS 概念

6G AI 即服务（AIaaS）：6G 移动新网络提供泛在的智能服务。6G AI 即服务是通过网络（包括 6G 核心网、6G 无线接入网和 6G 终端）内的连接、计算、数据、模型等资源和功能，构建分布式的高效、节能、安全的 AI服务（包括 AI 模型训练、推理、部署等）和开放生态。

6G 将为 AI 相关业务和应用提供高效的端到端支持，将分布式智能体智能地连接起来，以便在各行各业大规模部署 AI。AI 业务和应用既包括为 6G 网络自身性能优化提供的智能能力，即 AI4NET（AI for Network），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，即 NET4AI （Network for AI），如通过6G 网元将具有的原生集成通信、计算和感知能力，加速云上集中智能向深度边缘泛在智能演进，为 AI 提供分布式学习基础设施。

6G AI 服务主要面对高实时性能、高安全隐私或低综合能耗等需求，在网络内进行 AI 训练或推理，提供适应不同应用场景的智能能力。6G 网络作为原生智能架构，通过网络内的通信、计算、数据集、基础模型等资源和功能，具备大规模分布式 AI 的高效训练或推理能力，为用户提供无所不在的高性能 AI 服务，同时降低由于超大规模 AI 模型相关的训练和部署导致的通信和计算开销，提供一个低碳节能的开放生态。

2.2 6G AIaaS 典型场景

AI 场景是指 AI 技术或 AI 资源要素发生作用的场合和情境。它可有不同的维度划分方式，例如：地理区域、环境特征、领域行业等。6G AIaaS 典型场景是 6G 网络AI 发生作用的典型场合和情境，包括但不限于工业、农业、生活、教育、医疗等不同行业和领域。

2.2.1 智慧城市

城市是一个囊括住房、交通、卫生、公用事业、土地使用、商品生产等系统的庞大而复杂的实体。智慧城市将从城市生命、城市健康、城市发展、城市幸福等领域出发，促进城市的各个系统数字化，智能化。政府部门，企业，相关组织甚至个人得以更便捷更高效地参与城市的生产生活。

5G 网络的部署为城市中个体和组织的互联提供较大的带宽，较强接入能力，物联网终端或传感器以此散落到城市中的部分角落。一些独立的智能系统开始在城市中萌芽，例如智能应急调度系统，智能市政照明，智能燃气抄表等，然而这些系统和部分数据等基本不互通，其 AI 模型亦没有共享的意愿。这些 AI 系统虽然对城市有一定的优化作用，但随着城市的继续发展，这种优化将到达瓶颈。

城市中的各个部分或系统是相互交叉，相互渗透的。6G 网络将为城市的各个部分或系统提供相互交互的通道，为城市时刻生产的数据提供存储之处，也为这些数据提供处理它们的算力。基于 6G 网络的 AIaaS 也以此对城市的各个领域发挥作用。

2.2.1.1 城市生命

城市存在的前提是人存在，人们在城市中生存，能源、水、食物必不可少。依托 6G AIaaS 平台的管理系统将更实时地监控分析城市各处电表、水表、燃气表，燃气站出入账，食品仓库和食品交易市场出入账本，每个人或家庭的能源、食物、水的账本，实时获得城市各处的能源、水、食物输入和消耗状况，及时发现缺口或者异常，从而优化能源、食物的供给路线和数量，优化水管道压力和分配，及时修补能源或水管泄露等。例如与 6G 网络中的交通系统交互，提前为运输能源的管控交通，规划路线。例如与仓储系统交互，根据各区的消耗情况及时在各个仓库之间调度食物，甚至提前控制仓库内部摆放顺序，优化进出仓库的能源和时间的消耗。例如与金融系统交互，通过分析输入城市的资源和人们消耗的资源账本，发现资源浪费甚至相关违法犯罪行为。同时 AIaaS 平台依据实时收集的数据不断优化算法模型，以期进一步优化相关管理措施。

2.2.1.2 城市健康

城市健康必须兼顾人文环境和自然环境两个方面。基于 6G 网络的 AI，将与智能警务系统交互，协同分析监控摄像头数据，重点场所进出数据，银行金融交易数据等，同时从 AIaaS 平台中获取优秀的相关分析模型，以识别不文明行为违法犯罪，维护城市安全和文明。基于 6G 网络的 AI 也将复用交通系统中的传感器、摄像头，协同车联网 AI 和车载摄像头等，分析推算路面建筑健康度，提醒相关部门及时执行维护工作。6G 网络 AI 也将通过与环境监测系统交互，分析空气环境变化，生成适用于城市整体的环境治理模型，促进环境治理自动化智能化，降低环境治理的成本等。

2.2.1.3 城市发展

城市发展又有城市基建扩展，城市经济发展，城市文化发展三个要素。基于 6G 网络的城建系统将通过AIaaS 平台分析当前城市的气候变化、地质情况、城市已有的基础设施数据，以及政府和人民的需求，发现城市基建缺陷以及为新区域规划提供相关建议等，以此保证城市基建扩展合理，也符合需求；基于 6G 网络的政务系统通过 AIaaS 平台将收集更细化的税务，消费相关数据，也将以强大算力分析相关数据，发掘当前城市产业发展的薄弱之处或者未来发展的经济风险，为相关组织或系统生成改进建议等，为城市经济发展保驾护航；AIaaS 系统也将会更高效实时地收集分析城市人口的实际构成数据，人口的流动数据，为相关部门调整教育政策和人才政策提供参考，同时也通过相关城市广告系统和政务发布系统，向不同区域的人员推送相关公益材料，以促进城市文化发展。AIaaS 将承载城市各系统之间的数据交互，相互借鉴相关
数据和模型，减少重复工作，进一步推理城市发展状态，优化城市发展投入。

2.2.1.4 城市幸福

城市生命，健康，发展是城市幸福的前提。医疗住房是当今城市幸福的两个突出问题，依托 6G 的 AIaaS 系统将以分布式 AI，在保护每位市民隐私的前提下分析市民的病例或相关汇总数据，发现区域性疾病，合理分配医生以及器材，及时将高需求药品和器材纳入医保系统等。AIaaS 系统将实时分析人们的收入变动、物价变化、货币通胀率等经济因素，生成合理的房产指导价，或通过分析城市交通数据，为市民生成合理的通勤路线或购房区域建议。AIaaS 也将通过分析政务评价系统收集相关反馈，以进一步优化模型。此外，依托 6G 网络，AIaaS 将能收集、处理海量数据，生成巨量模型，满足人们各个方面的需求，提升城市幸福度。

2.2.2 智慧家庭

家庭住宅环境是人类生活的主要活动场所，每个人平均下来可能有近一半以上的时间在居家环境中度过。智慧家庭是以居家住宅类型的环境为平台，将通信、检测等技术相结合起来，形成一个高效的居家事务的管理与更加舒适和智能的生活体验。目前，越来越多的智能网络设备已经开始渗透入居家生活当中，而家庭环境的智能性现在主要体现在被动的控制与检测，如通过人的语音或用手机操作对家用电器进行控制，或者通过视频监控设备进行监控。随着社会与技术的进步，人们对居家生活的智能性也提出更高的要求，在需要更广泛的交互式、主动式的服务同时，也需要及时、准确和智能化的服务，从而我们的居家生活也不断地向更加便利、安全，具有好的隐私性以及舒适性等发展，极大地改进生活体验。

AI 技术无疑是居家智能化的重要技术和巨大推力，这使得在 6G 时代网络 AI 会在居家生活中具有非常广阔的应用场景。网络 AI 的技术将会被用于家居控制，安防监控和行为监控，居家健康服务和家庭娱乐等各个方面。而在 6G 的智慧家庭的智能性，主要体现在利用人工智能的技术，可以通过对人的生活模式、喜好等进行智能化的分析与了解，并作用于每个人的生活中，就像一位智能化的管家一样。这要求人工智能技术有长期不断学习、准确理解人类行为模式的能力。而在其他不同的应用方面，对于 AI 的服务与网络计算的要求也有所不同。如对于居家电器等的一般控制，与家庭健康的日常检测，对于通信的及时性与 AI 的计算力要求相对不是很高。然而在与安全与突发健康时间有关的，如陌生人闯入、老人突然跌倒等，一方面要求 AI 技术可以准确捕捉到相关时间，另一方面也要求及时通信告知与响应。而对于家庭娱乐的一些应用，特别是虚拟现实等技术的家庭化，对 AI 的算力以及通信能力都会有较高的要求。与此同时，在智慧家庭场景中，家庭既有的网络设备应该被充分利用来实现居家的智能化，这样也可以降低家庭购买专用设备的开销，从而更加经济地让智能生活走进每个人的家庭。

2.2.3 智赋工业

工业生产的全生命周期业务流程主要涵盖产品的前期设计、生产制造、运输、运维、仓储以及用户交付等。6G AIaaS 具有广泛覆盖、密集连接、极速传输等一系列特点，在未来场景下，可以智赋工业，为工业生产提供AI 数据、AI 训练、AI 推理、AI 验证等服务，支持其朝向数字化、网络化、智能化的方向加速转型。

2.2.3.1 智赋工业机器人

在未来工业制造、运输等场景下，工业机器人将被广泛使用。例如建筑机器人能在远程控制下完成工地建设任务。而特别是在高温、高空等极端工作场景下，工业机器人也将被考虑使用以代替工人完成高危作业，人们只需利用手中的终端设备，实现真正的“无人工厂”。在完成智能机器人的 AI 训练之后，需要在 AI 模型部署之前对其进行验证，最终实现智能机器人安全高效地生产任务。

6G AIaaS 为机器人提供 AI 训练服务，例如通过机器人收集数据，应用模型训练进行多智能体学习，并将训练后的模型分发给机器人。而 6G 的极致传输能力将支持机器人与网络侧之间进行快速模型训练与参数交换。6G AIaaS 还提供多系统联动能力，各类终端设备都能够与机
器人进行灵活组网，人们利用电脑、手机、VR 设备即可远程遥控。6G 移动通信系统的覆盖对象还从传统的用户终端扩展到了环境感知设备，机器人能够通过 6G AIaaS的感知技术实现与环境的连接与交互，甚至还能向不同部门的机器人跨环境、跨系统学习，共享经验。同时，6G 网络可利用数字孪生网络提供 AI 验证服务，通过性能预验证迭代训练鲁棒性更强，性能更优的 AI 模型。6G AIaaS 为训练好的模型提供 AI 验证服务，要求数字孪生网络产生比物理环境更多场景下的样本数据，降低对物理网络数据采集开销和性能影响，进一步提高 AI 模型的
稳定性和性能。

智赋工业机器人对算法维度性能指标界、训练耗时和算力维度计算精度、时长、效率的服务质量存在需求。随着智能终端类型近年来不断丰富，5G 可能将逐渐无法承担更多设备的 AI 训练需求，这要求 6G 提供超大连接、低时延、稳定的 AI 训练服务；AI 验证服务要求 6G 网络为数字孪生网络的虚拟环境提供海量数据采集、精准定位和超低时延传输等能力。此外，智赋工业机器人场景对自治维度的服务质量指标存在需求。工业机器人的安全性，可以避免很多因人为疏忽或疲劳工作引起的隐患，这要求 6G AIaaS 提供完全自治、部分人工可控和全部人工可控三方面的高质量服务。

2.2.3.2 智赋生产过程

在将训练好的 AI 模型部署到各类智能生产设备（机械操作臂、机器人等）后，工厂开启智能运行模式，智能生产设备进行 AI 推理获得高效的生产决策。当智能生产设备需完成一项模型推理任务，而自身算力又不够时，6G 网络侧提供算力资源和 AI 推理的协助，将推理模型进
行分割，部署在端侧和网络测，共同完成推理任务，满足推理的性能需求。

为及时将经过训练好后的 AI 模型部署到生产线，6G AIaaS 提供强大的推理服务能力，通过云、边、端分布式部署的协同算力进行网络内生的 AI 推理，实时按需动态调整各类生产设备的配置参数，实现各种工业生产场景的灵活适配。

智赋生产过程场景对算法性能指标界、计算开销、传输开销、能耗等服务质量存在需求。6G AIaaS 使能工业生产中的 AI 快速推理过程，而时延和准确度是 AI 推理服务的两项重要性能指标。模型分割点的决策将影响终端侧和基站侧分别负责的计算任务量，以及空口需要传输的数据量，这要求 6G AIaaS 在算法性能指标界、计算开销与传输开销方面提供高质量服务。影响这两个指标的还包括终端侧计算资源分配、空口无线资源分配和基站侧计算资源分配等环节，需要进行通信与计算资源的协同调度，这与能耗服务质量指标则有着密切的联系。尤其是当终端和基站侧均存在多种异构计算资源时，计算单元类型和数量的分配会对推理时延产生直接影响。而6G 以网络智简为升级目标，将通过简化架构、功能和协议来降低开销、节约能耗，实现轻量级的无线网络。

2.2.3.3 智赋用户交互

当工业产品经过设计、制造、运输等步骤，最终出厂交付给用户后，智赋工业的全生命周期流程并未完全结束。随产品携带的传感器将收集产品在用户使用过程中的运行状态，此类用户信息将反馈传输回企业，用于进一步优化产品，改善用户体验，以适应个性化、定制化的工业制造趋势。

6G 网络提供 AI 数据服务，为上述过程提供智能的数据采集、处理、流转策略，按需采集数据，防止出现数据冗余的情况。在采集海量用户数据后，6G AIaaS 进一步提供数据特征提取服务，通过 AI 模型挖掘数据价值，精准定位用户使用工业产品过程中的问题，这要求 6G 网络
提供海量数据的 AI 处理能力。

智赋用户交互场景对性能指标界、计算开销和时长等服务质量指标存在需求，6G 网络超高速的数据传输速率与超低的时延抖动将保障交互过程的实时、高效和智能化，对于用户而言，通过产品与企业进行良好交互，减少甚至消除故障，产品使用满意度将得到大幅度提升。另外，智赋用户交互涉及海量隐私数据的特点，还要求 6G AIaaS 能够保障安全与隐私维度存储、计算、传输安全和数据隐私等级四方面的服务质量，6G 网络无限接近有线传输的可靠性和安全性将确保收集和处理后的数据能够精准、可信、不冗余地通过网络传输到企业，使企业更好地洞察用户需求，提前优化研发设计。

2.2.4 智赋农业

农业包括种植业、林业、畜牧业、渔业、副业五种产业形式 , 当今世界农业的发展需求是提高土地产出率、农业劳动生产率、农产品商品率和国际市场竞争力。农民和农业组织为此不断地追求科学化、自动化、精准化，学界和产业界因此逐渐尝试将 AI 技术应用到农业生产活动中。

传统基于单体 AI 的农业智能自动化系统构建成本极高，体现在搭建数据采集网络，购买租用算力基础设施，聘用 AI 工程师训练 AI 模型。农民 / 农业组织是成本极度敏感的个体。除却巨型农业组织或企业，大部分农民或农业组织不具有相应的经济实力，造成模型通用性差，农业AI 的模型种类也不多。针对单一的农业问题，企业也因为其系统的独立性，无法与其他企业共享，不得不大量重复投入。

基于 6G 网络的 AIaaS 平台允许农民或农业组织以较低成本租用运营商已有基础设施，例如算力节点和 6G通感一体网络中的数据收集节点；还能通过 AIaaS 平台与遥远的农业生产实体共享 AI 模型；农民或农业组织也可通过 AIaaS 与高校等研究机构合作，农民提供试验环境，研究机构提供 AI 人才，双方共享研究成果。AIaaS将从数据收集到模型生成，极大地降低了农业 AI 实施成本。降低的 AI 实施成本终将更多追求精准化自动化的农民和组织统合到 6G 网络中，6G 网络的其他单元也能藉此更深度地参与农业生产活动。更多的数据，更多的场景也会带来更丰富的模型，AIaaS 平台本身也将有相对应的增长。

2.2.5 精准医疗

未来，智慧医疗在时间维度上，涉及到各类疾病的预防、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和决策赋能。

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，从而不断迭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，极大减轻医患者的体力心理压力，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。

2.2.6 普智教育

未来的教育，将依托 6G 网络和 AIaaS 智能内生能力，在消除教育鸿沟，提高教育手段方面实现质的飞跃。在2030 年代实现普智教育。

面向基础教育方面，城市与乡村之间，以及不同地区之间的教育差距历来是一个难以逾越鸿沟，其中最重要的是师资与实验设备的差距。在 2030 年代 6G 网络广域覆盖的基础上，依托 AR/VR 等智能交互技术，AIaaS将让教学名师和教学仪器设备“真实”的走进每一个课堂中。即使在偏远的乡村，学生可以与教学名师实时互动，操作实验设备，达到身临其境的学习。6G AIaaS 还可以在课堂上实时的分析每个学生的学习状态，一方面监督促进学生学习；另一方面，针对不同学生的状态与兴趣，智能的安排个性化的学习课程与学习进度，依托智能分析实现个性化教育。

面向行业智能教育方面，基于 6G AIaaS 内生智能能力，利用 XR、数字孪生、智能交互等技术，构建面向各行各业的教学与实践环境。将贵重、复杂、庞大的行业装备，如航空航天、芯片制造、医疗器械、交通运输等行业的装备，展现在行业教育的虚拟实践环境中。学生的实际操作动作和设计作品，通过 6G 网络和智能内生的能力，智能分析反馈操作行为结果，针对设计作品分析其优点与缺点，不断提高学生的设计能力，切实提升行业尖端技术的教育水平。教师可以使用 AI 系统浏览学生的论文，并检查语法、句子结构和抄袭，查看学生是否准确理解了他们的作业，以及他们是否正确地写下了给他们的提示。教师可以让AI 在进行自己的复习之前先通过每篇论文，而不是花费无数小时仔细浏览一页又一页的论文，让他们有更多的空闲时间与学生一对一地工作或完成其他必要的任务。

2.2.6.1 实时笔记

通过 AIaaS 创建实时笔记 AI 服务，录制讲座和使用语音转文本技术来生产实时笔记。此外，如果学生因为忙于做笔记而在课堂上难以集中注意力，人工智能可用于创建与课堂录音同步的文本，以便学生可以回去听或阅读老师在特定时刻所说的话。这也为教师腾出了时间，因为他们不必为学生提供自己的课程回顾和笔记。通过6G 的泛在全连接，学生可以随时随地进行笔记学习和回顾。

2.2.6.2 学生和班级理解

借助人工智能驱动的见解，教师可以根据作业和测试的个人和集体分数快速了解学生或班级对主题的理解程度。然后，教师可以使用这些信息来确定他们是否需要在课堂上再次讨论这些主题，或者根据个人知识差距以某种方式个性化学生的学习。同样，这些信息可以帮助管理人员确定这些主题是否在教室和其他学校中得到普遍理解，从而为课程变更提供信息或确定需要改进的地方。6G 网络需要通过高宽带的实时通信能力，AIaaS 提供秒级别的反馈延迟。

2.2.6.3 个性化学习

每一个人，无论是孩子还是成年人，都有独特的思维特点和学习方式。个性化学习就是通过收集和分析学生的学习数据，用人工智能勾勒出每个学生的学习方式和特点，然后自动调整教学内容、方式和节奏，使每个孩子都能得到最适合自己的教育。随着时间的推移，数据积累逐渐增多，人工智能也就越“聪明”，对学生学习的适应也就越精准，这样形成良性循环，效果越来越好。除了通过提供分析能力和存储计算能力，6G AIaaS 还会通过安全措施保障个人隐私。

2.2.6.4 虚拟导师

虚拟导师其实也是一种自适应学习系统，只不过焦点在学生的课后自学和答疑，而不是课堂教学上。这个领域目前还在早期发展阶段，进一步的推动则依赖于一些关键技术的发展，如语音语义的识别，以及数据的进一步采集和分析。虚拟导师也许几年内还不能代替真人辅导，但一定会在课后辅导行业中逐渐占有一席之地。虚拟导师把教学从一对多模式变成了一对一模式，这需要 6G 网络提供高带宽低延迟的网络保障交互过程的用户体验，同时，对于虚拟导师形象进行结合本地特征的渲染保障交互过程的真实性。

2.2.6.5 教育机器人

用机器人充当教育者的角色直接和孩子交流，已经不只属于科幻小说了。目前，一些新兴的创新公司正在开发可以成为孩子的老师和朋友的机器人。机器人在听到孩子的问题之后，可以自动连接网络寻找答案，并且通过和孩子的交流逐渐学习和了解孩子的情绪和个性。目前，机器人能够流畅交流的话题还是相对有限，需要持续开发研究。6G 网络互联了海量的知识仓库，供机器人搜素和自动学习答案生成，构建强人工智能，如ChatGPT。

2.2.6.6 场景式教育

将虚拟现实（VR）和增强现实（AR）运用在教育中，想象空间是不可估量的，益处也是显而易见的。课堂不再局限于小小的教室、白板和 PPT，而是整个宇宙。6G 网络为提供高带宽低延迟的传输能力，同时 AIaaS 提供基于边缘和基于云的计算，AI 建模分析能力。

2.2.7 智慧能源

未来的电力系统，将包括大量分布式的基于可再生能源的发电装置，并通过大规模输配电网络将电能交付给消费者。由于大多数可再生能源本质上是动态性的，而需求也呈现高度的动态性，为了实现供需之间的平衡，必须让电力系统更加灵活。智慧能源将通过智能优化和调度分布式能源系统，实现高效的清洁能源利用，降低甚至取代化石燃料的电力。智能既体现在通过人工智能算法优化能源的生产，如通过 AI 控制光伏面板角度提升发电量、通过智能摄像头进行设备状态检测等；也体现在能源的智能分配和使用，如通过算法实现对分布式能源的生产预测、基于历史数据的负荷预测、动态需求响应的实时分析判断等。通过人工智能技术的加持，目标是实现能量在生产和消费者之间按需自由流动，最终实现整个能源系统的绿色低碳、安全稳定。6G 系统作为未来信息通信技术的新基础设施，将为智慧能源相关数据的实时传输和智能决策提供支持，实现全网智能化。

AI 模型的性能依赖于可用于模型训练的大量数据、强大的模型和推理时数据的实时可靠传输，而智慧能源的不同业务对 AI 模型的准确性、时延等可能具有不同的要求。6G AIaaS 一方面通过融合大量分布式能源生产设备或能源消费节点基于本地数据训练的模型，在保护各节点数据和隐私的前提下，提供高准确度的 AI 模型，为各个分散的能源生产节点提供更高效的配置算法，为分散的能源消费节点提供更准确的预测算法；另一方面，通过实时高速汇聚能源生产节点的状态与消费者的需求，并基于网络内的 AI 模型推理能力，为智慧能源的生产和消费提供实时的优化，实现极致高效的能源利用。

2.2.8 超能交通

未来，超能交通在时间维度上，涉及到高清地图下载、车辆环境感知、环境预测和路径规划等环节。超能交通在地域维度上，涉及到高速公路、城市道路、封闭区域等场景。超能交通的总体愿景是：使得智能车辆以更低的成本为用户提供安全、高效、舒适的乘车体验。6G 系统作为未来信息通信技术的新基础设施，具有超低时延高可靠传输、超强算力、精准感知等一系列特点，将为超能交通相关数据的实时传输、处理和智能决策提供支持，实现全网智能化。

在超能交通场景中，以自动驾驶为例，6G 系统可以提供基于 AI 的数据服务、AI 算力卸载服务和基于 AI 的环境预测或路径规划。其中，基于 AI 的数据服务是指 6G系统为自动驾驶车辆提供基于 AI 的环境感知结果，例如，当自动驾驶车辆存在感知盲区时，6G 系统通过传感器或无线信号采集感知数据，再通过 AI 模型推理，得到盲区环境的感知结果，反馈自动驾驶车辆，从而提升驾驶安全性。基于 AI 的算力卸载是指自动驾驶车辆将一部分 AI模型推理或训练的算力卸载到 6G 系统。例如，当车辆行驶到路况复杂路段时，自动驾驶车辆对 AI 模型推理所需算力急剧增高，造成时延无法满足需求时，车辆可以将一部分 AI 计算任务卸载到 6G 系统，从而降低了对自动驾驶车辆处理芯片的需求。

面向海陆地空立体交通方式，通过 6G 网络广域覆盖及其智能能力，实现车辆的自动驾驶和智能交通管理、船舶和航空领域的智能调度，对水上、陆地、地下及空中交通工具实现统一的控制管理调度。在 6G 网络具备的深度学习、多传感器融合等方法下，形成车辆、路侧、云端的全场景一体化感知决策架构，进一步推动出行智能化、服务泛在化、管控全局化的新时代智能交通愿景的实现。在交通出行方面，实现个人最优出行方案以及整个交通的最高效使用的有机统一。

2.2.9 网络金融

网络金融，即通过网络技术支持全球范围内的金融服务活动，包括网络银行、网络证券、网络保险、网络信托、股票交易等。网络金融安全和网络金融监管等底层保障也重度依赖通信技术自身的安全防护能力。

网络内的连接、高性能计算、大数据传输、和泛在分布的 AI 能力赋能高频金融交易和保障交易数据的安全可靠传输，降低金融恶性交易风险。通过 6G AIaaS 提供智能数据路由和转发自适应，降低交易数据传输时延，保证金融交易的实时性，助力金融交易发展。

2.2.9.1 高频金融交易

以股票交易为例的高密度、高交易额的金融交易，在交易日内的任意时刻股票价格都是动态变化的。6G AIaaS 可以在高频金融交易中发挥高速交易数据传递的关键作用。利用 6G AIaaS 提供的服务选择适当的数据转发路由算法进行金融交易业务数据转发模型的训练、优化及部署。6G 智能化的数据传输能力，能够让用户第一时间获得近实时的交易现状数据，在确定交易时机后，通过6G 网络快速回传交易请求。基于 6G AIaaS 的智能路由能力，避免将交易信息流转到拥塞的网络链路中，优化全体用户的交易速率和频率。

2.2.9.2 电信金融诈骗

电信诈骗一直是网络金融领域一直难以杜绝的难题，4G/5G 阶段实现双向互认后改善了电话诈骗的风险。科技的进步带来的便利，也被不法分子利用到诈骗中。近年来，电信诈骗正在从以电话诈骗逐步向网络诈骗转变。网络诈骗具有多样化的特性，诈骗分子可以通过窃取用户社交账户、向网络用户发送诈骗链接、APP 夹带诈骗链接等实施诈骗，手段层出不穷。用户登录的网站多样，网址派生快，APP 夹带的广告网址具有随机性。用户社交软件被窃取利用的难易程度、用户自身的社交圈、用户接入网络的目的、习惯、用户的支付手段、用户的反诈骗意识等不同对于辅助用户反诈的难以程度也有所不同。 网络诈骗具备持续周期短、往往用户还没反省过来，财产已被分散无法追回了。

AI 在广连接、泛算力算力的支持下提供更快的数据处理分析能力，以应对区域内全用户、全异常网站的监测数据分析。6GAIaaS 可以提供更高速度的信息采集传输能力，通过对用户恶意消费 AI 模型的不断训练优化，提供更加精准的恶意消费判别，更低的模型反应周期，应对诈骗分子登录周期短，无法定位犯罪分子位置信息的问题。具体的 6GAIaaS 基于其自身高安全级别和异常网址、异常交易分析的敏捷性，可以辅助监管机构降低网络诈骗发生的概率。6GAIaaS 配合金融机构对用户的异常登录、异常消费、短时间的跨地域支付、高频次的支付等进行特征分析，即时将异常用户推送给金融监管机构，配合监管机构阻断资金外流。6GAIaaS 可配合国家有关网络安全监管机构对网址进行优劣甄别，对恶劣网站判定后具备网页拒绝访问。

2.3 6G AIaaS 典型应用

AI 应用是指向用户提供相对可管可控的 AI 服务，通常是基于多个 AI 服务的集合。6G AIaaS 典型应用是指在6G 网络内面向终端用户、网络运维人员、第三方客户等对象提供的 6G AIaaS 服务。

2.3.1 无人出租汽车出行

2.3.1.1 背景

个人打车出行先后经历了出租汽车、网约车的时代，两个时代中都面临着打车需求与载客服务不匹配的问题，即经常面临客户打不到车、司机空跑无客的情况。随着无人驾驶 / 自动驾驶技术的成熟，个人打车必将进入无人驾驶出租汽车的时代。由于个人出行需求、个人定位 / 轨
迹等敏感的个人信息，与无人出租汽车的位置信息、以及巡行路线是两座无法直接相通的信息孤岛，基于网约车提交订单、接单匹配的打车方式，个人快速打车的需求，以及出租汽车高效使用的需求不能高效结合。

6G 智能内生网络作为智能普惠时代的纽带和基石，将通过 AIaaS 服务，面向个人和无人出租汽车，分别提供数据管理、模型训练（可选）、模型优化等 AI 服务，个人与无人出租汽车数据脱敏后的联合训练，以及 AIaaS的开放服务，实现个人个性化出行需求的快速服务，以及无人出租汽车的高效管理。

此外，在无人车辆驾驶过程中，6G 智能内生网络 V2X 场景功能，可以为无人出租汽车提供更安全的自动驾驶辅助服务。

2.3.1.2 角色和前提假设

（1）角色：无人出租车、打车乘客、无人出租车传感器、通感融合基站、道路传感器（V2X）、提供智能服务的网络运营商。

（2）前提假设：
a. 网络为本场景的运行提供执行特定任务的 AI 能力。

b. 无人出租车、用户终端、基站、传感器、网络运营商网络之间能够按需传递相关信息。在提供智能服务的网络运营商网络能够根据乘车人的请求、当前位置，选派一辆满足乘车人需求的无人出租车；

c. 无人出租车传感器、通感融合基站、道路传感器，都能够及时完成感知，并将感知信息及时传递到网络；

d. 无人出租车 ( 含传感器 )、通感融合基站、道路传感器、用户终端之间，可以直接通信。

2.3.1.3 应用需求

（1）业务需求
a. 根据道路信息、历史区域需求、脱敏用户位置和需求信息、目前无人出租车的运行情况等，智能编排空载车辆的巡行路线或待客区域。

b. 接收到打车乘客需求信息后，根据路况信息和车辆运行情况，智能安排汽车前往上车点。

c. 在无人汽车前往途中，以及接到乘客后前往目的地途中，根据路况信息，智能规划路线，以及调度更换无人汽车。

d. 行驶过程中，根据不同汽车的传感器生成更及时的道路信息，如突发状况，包括检修、事故、坑洼等，以及训练无人汽车面对不同突发状况的反应模型。

（2）AIaaS 需求
a. 数据服务：网络提供 AIaaS 的数据服务包括：个人的与区域的用户数据的管理与脱敏，包括标识信息、定位 / 轨迹信息、习惯信息等；

道路状态信息的收集和更新，包括通感融合基站感知道路信息、突发情况等。

b. 计算服务：网络提供 AIaaS 的计算服务包括：无人出租车的卸载数据的计算，包括感知数据计算，突发情况规避动作计算等。

c. 模型训练：网络提供 AIaaS 的模型训练服务包括：

• 根据用户数据，训练用户出行模型；
• 根据区域用户数据，训练区域出租车需求模型；
• 根据通感融合基站和道路传感器数据，训练高效导航路线，包括巡行、前往上车点、前往目的地等。

d. 推理决策：网络提供 AIaaS 的推理决策服务包括：推理区域动态出租车出行需求。

e. 模型优化：网络提供 AIaaS 的训练优化服务包括：

• 根据道路交通状况，无人汽车巡行路线 / 待客区域的优化；

• 根据区域出行需求，调度区域出租车数量及出租车分布；

• 根据基站 / 道路感知数据，优化出租汽车自动驾驶和突发情况驾驶动作。

f. 开放服务：网络提供 AIaaS 的开放服务包括：

• 数据开放：基站感知数据及道路传感器（V2X）数据的开放；
• 算力开放：网络算力的开放。
• 模型开放：用户出行模型推理数据脱敏后的开放，包括个人需求推理、目的地推理、区域需求推理。

2.3.1.4 潜在技术需求

（1）隐私数据管理与脱敏：涉及乘车人的身份信息、目的地信息、行程信息；
（2）算力服务：网络为无人出租车提供算力；
（3）模型训练服务：用户需求轨迹预测、出租车运营负荷 / 路线预测等；
（4）模型优化服务：针对上述模型，进行优化，提升准确性等；
（5）开放服务：算力、数据、轨迹模型等方面的开放给需要相关方；
（6）超低时延高可靠传输：或者归为时延确定性传输，针对保证行车安全、感知等信息，需要确定的时延抖动等方面的保证。

2.3.2 工业机器人

2.3.2.1 背景

随着工业生产的数字化和自动化的转型，具备高度灵活性的机器人开始被广泛应用于工业，如搬运机器人、焊接机器人、装配机器人、质检机器人等。传统的工业机器人需要进行生产设备操作的预设，一个工业品的生产流程需要多种类机器人的配合，特定的生产环节需要设计专用的机器人，这会增加生产的成本，并且无法处理未知情况以及生产过程中的随机因素。因此，承担不同生产操作的通用型机器人对降低成本、提高鲁棒性十分重要。

通用性工业机器人可以使用多种生产工具，来进行不同的操作。同时，一个生产环节可能也需要多个同种类机器人的配合，因此机器人之间、机器人和环境之间需要通信与交互，并且期望机器人可以根据交互过程中的信息改进自身的决策，在复杂的环境中提高生产效率。利用人工智
能，特别强化学习，机器人可以具备智能决策能力，学习如何操作、规划移动路线，从而可以执行许多任务并适应新环境。

考虑到智能机器人的感知环境范围受限和移动性等特征，6G 网络可以为工业机器人的协同生产提供 AI 服务。

工业生产拥有较高的时延敏感性，需要通过无线网络为移动中的机器人提供确定性时延的传输条件。为了实现协同生产，需要广泛收集不同机器人的数据进行训练，考虑到工厂生产的隐私性，需要采用分布式学习的架构。这样的学习架构可以让 6G 网络收集不同工厂机器人的训练中间数据，来扩大样本的丰富性。机器人可以根据自身感知到的数据进行本地训练，适应环境的变化并做出快速的决策。

随后机器人将模型（而不是数据）传到基站，由网络聚合多个机器人的模型进一步提高决策效果。

2.3.2.2 角色和前提假设

（1）角色：配备感知能力（传感器、摄像头）、操作能力（操作臂、轮 / 机械腿）和微型计算机的机器人，具备计算能力的基站、提供智能服务的网络运营商。
（2）前提假设：
a. 网络应用为机器人运行提供执行特定任务的 AI/ML模型推理能力；
b. 机器人能采集观测数据，包括传感数据、动作数据、通信数据、信道状态信息等，并通过上行传输传输到 AI/ML 服务器；
c. AI/ML 服务器可以选择一组机器人进行协作，并确定训练配置，如训练算法、学习率、批大小、迭代次数等；
d. AI/ML 服务器能收集多个机器人的观测数据，训练 AI/ML 模型，并通过下行传输将 AI/ML 模型分发给机器人；
e. 机器人可以通过机器人之间的通信来交换信息。

2.3.2.3 应用需求

（1）业务需求
a. 工厂根据产品生产的流水线的逻辑关系，进行生产环节分解，如不同环节的生产操作、运送（生产环节的衔接）、质检和包装，每个环节中存在多个机器人协同完成同一个任务；
b. 机器人在操作过程中进行数据采集与处理、本地训练、推理决策（操作臂执行、机器人行进路线规划），并将模型上传给基站；
c. 网络收到工厂生产线设置参数和机器人上传的 AI模型，进行训练优化，发送给机器人。
（2）AIaaS 需求
a. 数据采集与处理：机器人采集观察到任务过程中的数据，包括感知环境、产品参数数据、图片数据、动作数据等，进行数据预处理和储存；
b. 机器人训练：针对每一个生产环节，同一组机器人训练相同的 AI 模型（包括图像识别、智能决策），在本地根据自身采集的数据进行训练；
c. 推理决策：机器人根据实时感知的数据，输入到自身 AI 决策模型，生成实时的操作决策；
d. 训练优化：机器人定期将训练模型报告给网络运营商，运营商接收来自多个机器人的训练模型，进行分类聚合，并将新模型分发给机器人。
2.3.2.4 潜在技术需求
（1）时延确定性传输：确定的时延抖动要求传输时延有个明确的范围，不能高也不能低，强调的是准时达到。
（2）机器人实时推理：机器人本地具有一定的计算能力。
（3）网络辅助推理优化：网络支持分布式训练架构，可以进行模型的聚合和协同训练。

2.3.3 食物循环网络

【食物大循环】

2.3.3.1 背景

食物是维持人类生命，也是维持城市生命的一部分。食物的运输、加工、存储、销售，这些过程关系到城市的生命力。而后产生的一系列厨余垃圾、有机和无机废物的回收、处理、成品再销售等过程将影响城市健康和发展，最终影响城市幸福，也就是人类的幸福度。食物本身具备变质的特性，食物在运输存储过程中耗费时间越长，营养和经济价值通常也会越低，部分食物由于产出地区等原因无法被所喜爱的人食用。因此需要高效地人性化地处理整个食物循环过程，以期缩短时间的消耗，减少食物的损耗，及时满足城市更多市民的需求。城市管理者对此已经采用一系列手段和方法或系统，但是效果仍有待提高。这是因为食物大循环中涉及海量的农民、农场、海量的运输车、工厂、销售 / 回收网络、食品加工烹饪点、家庭。这些角色或节点之间需要交换信息，并在生产活动中协作，交换信息的网络需满足巨大的带宽，海量的接入需求，而多样化而庞大的系统协作则需要高效的大脑。

基于 6G 网络的 AIaaS，将依托 6G 庞大的网络，为食物大循环中的所有系统、网络、人、生产设备、运输设备、传感设备提供足够多的接入点，足够大的带宽。6G 网络也将为从这些接入端收集的数据提供存储的空间，处理分析他们的算力，以及提供一系列针对各个环节的AI 模型。AIaaS 平台将会提供对食物仓库数据、食品运输车 / 垃圾车的行进路线和容量数据、食客和家庭的食物账本数据、销售网络的收支数据收集管理分析等智能服务，将生成食品运输车 / 垃圾车的行进路线规划建议，家庭食物购入和营养摄入建议等。这个基于 6G 网络 AI 的食物大循环系统极大地减少食物或者说能量的浪费，也减少营养的浪费，保障人们饮食的健康和合理。提升餐余 / 厨余垃圾的回收效率和重利用率。

2.3.3.2 角色和前提假设

（1）角色：食品运输车队定位系统，食品仓库出入口系统和监控，食品销售网络出入账系统，个人或食品食物消费账单系统，垃圾回收网点传感系统，垃圾回收车定位系统，垃圾处理厂传感器系统，个人或家庭用健康监控管理设备。

（2）前提假设：
a. 参与食物循环网络的所有系统都应接入 6G 网络，并通过 6G 网络进行交互。
b. 参与食物循环网络的所有终端可不都接入 6G 网络。每个系统可以只通过一个出口节点与其他角色通信。
c. 社区具备垃圾回收点传感器。
d. 具备权限的节点可通过 6G 网络直接或间接访问个人或家庭健康设备数据。

2.3.3.3 应用需求

（1）业务需求
a. 食品运输车队定位系统，食品仓库出入口系统和监控，食品销售网络出入账系统，个人或食品食物消费支付应用垃圾回收网点传感系统，垃圾回收车定位系统，垃圾处理厂传感器系统均将通过 6G 网络接入互联网，这些系统的各个节点也通过 6G 网络进行互联。G 网络 AI 根据实际情况周期性或实时地收集食物的交易转运，餐余和厨余垃圾的收集转运，垃圾处理厂的相关数据，将数据分配到边缘或云节点 6G 网络将根据需求调配相关算力和模型，分析食物的实际转运情况，回收到的厨余垃圾的物质比例，判别食物的实际利用率和厨余垃圾再利用率，食品/ 垃圾运输和存储效率，也利用相关数据进一步优化模型；

b. 6G 网络 AI 将根据分析结果，向食品转运和垃圾回收车队发布最优行进路线建议，向食品销售网络发布食物网点分配建议，以此减少食物的转运和存储时间，也减少厨余垃圾在社区的停留时间，加快食物循环的速度。为市民提供更鲜活更健康的食物来源和更清洁的社区环境 还将根据智能医疗系统提供的个人和家庭的健康状况，结合地理位置，食物购买成本，为个人 / 家庭提供营养摄入、食物购买类型和地点建议。降低食物购买成本的同时，提升每个家庭成员食物摄入的营养价值。

（2）AIaaS 需求
a. 数据服务：网络提供 AIaaS 的数据服务包括：

• 食物转运分配数据的收集和更新，包括通感融合基站食物转运车队的行进路线，食物仓库的出入账单数据，个人和家庭食物购入账单等数据。
• 商业相关数据的管理与脱敏。包括食品销售网络销售数据，食品转运行进路线，食品仓库数据等。
• 专业数据库服务：根据垃圾处理厂的存储区的传感器数据，访问物质分析数据库服务，以便后续分析厨余垃圾的组成成分和比例。
• 数据共享：非敏感数据共享。

b. 计算服务：网络提供 AIaaS 的计算服务包括：

• 根据城市各个区域的食品交易数据，仓库进出数据，食品转运车队的位置和运力，生成食品转运分配方案。
• 根据各个社区垃圾回收点的传感数据，各个垃圾处理工厂的仓储情况规划垃圾回收车队的转运时间和路线。
• 根据个人或家庭的食物消耗和健康状况，乃至收入状况生成食品采购建议。

c. 模型训练：网络提供 AIaaS 的模型训练服务包括：

• 根据城市各个食品销售和仓储节点的出入数据等，训练合理分配食品到每个节点的食物分配模型。
• 根据食品来源地生产情况，食品存储销售网络的数据，结合城市的交通状况生成食品转运路线规划模型。
• 根据垃圾回收区的传感信息，结合物质分析库，训练分析垃圾成分和比率的模型。
• 根据个人或家庭的食品消费和摄入数据与健康状况，训练食物 - 健康类医用模型。

d. 推理决策：网络提供 AIaaS 的推理决策服务包括：

• 预测食物浪费和实际消耗情况，推理食品种植生产方案，生成食品的加工、分配、转运、存储、垃圾回收决策，实时调整食品转运或垃圾回收车队的运动姿态策略。
• 推理城市中每个人的健康状况变化，实际营养摄入率、推理食品消费清单建议。

e.模型共享：网络提供 AIaaS 的模型共享服务包括：

• 根据不同社区，不同城市之间市民健康度，出生率，平均寿命等共享全局性的食品供给模型，优化再共享。
• 为具备共性的市民共享食品 - 健康医疗模型。

2.3.3.4 潜在技术需求

（1）通感一体化网络：通感结合，减少整个食物循环网络对监控摄像头和传感器的成本投入。

（2）智能任务分割技术：将复杂智能服务任务分解为通用的子任务，由较为简单的基础模型分别处理，简化数据收集、模型训练的难度，降低数据收集设备、模型训练节点的要求

（3）协同推理优化：支持分布式多实体训练架构，可以进行模型的聚合和协同训练，也方便进行模型共享和数据收集设备共用，降低 AIaaS 建设成本。

2.3.4 居家健康

2.3.4.1 背景

健康与医疗问题是人类社会生活必需要面对的问题之一。通过通信技术和人工智能技术的结合，在居家环境中对人类健康进行持续有效的检测、智能的分析以及健康的管理，一方面可以让人类保持良好和健康的生活状态，另一方面可以对一些健康问题进行及时的干预，有效的进行预防，也可以减少家庭医疗的负担与缓解紧张的社会医疗资源，从而从整体层面提高全民健康。特别是随着社会进入老龄化，以及独居的普遍性，在居家健康方面的需求会越来越高。而网络 AI 将在居家健康方面带来颠覆性的革命。

对于智能化的监测，除了需要一些额外设备的被动式的监控，无线信道的波动信息等也可作为一种手段提供对健康指标或突发事件的监控。如利用 AI 技术上可以对无线信道的波动进行分析，可以对人体的呼吸以及心率等健康指标进行持续有效的监控。当发现有人，呼吸和心率异常时，能及时进行治疗和干预，网络 AI 能在嘈杂的无线信道中抓取有用的健康监测信息。如对于老人跌倒等突发事件，通过网络 AI 技术可以及时捕捉到，从而进行第一时间的救援。当然，通过 AI 和网络的结合，也可以对其他方面，如日常运动、睡眠质量、情绪等各个方面监测。

而智能化的分析，是通过对监测等搜集到的数据，进行准确个性化的分析，对人体的健康状态以及生活习惯等有充分的了解。如对睡眠时长以及质量的分析，来了解人作息时间以及周期性变化；对呼吸、心率数据的分析可以判断人体的健康状况，甚至发现潜在的健康问题；对个人情绪方面的分析可以得知其情绪变化，是否有情绪或精神方面的问题，来进行及时干预。

而对于健康管理，则是在分析结果的基础上进行的。可以通过与人的交互，来提供有效的管理方案与注意事项。在存在健康潜在问题的时候，可以通过医院网络服务对其进行进一步诊断，并自动通知亲属等。当然在出现突发的健康问题，如老人突然摔倒，呼吸停猝时，需要紧急自动通知医疗机构进行干预。

通过利用网络 AI 的相关技术，可以为居家生活的健康保障提供第一条防线，来改进人们的生活质量。

2.3.4.2 角色和前提假设

（1）角色：个人用智能设备、家庭检测设备（血压计等）、提供智能服务的运营商。

（2）前提假设：个人用智能设备、家庭检测设备（血压计等）等连接到 6G 网络。

2.3.4.3 应用需求

（1）业务需求
a. 家庭检测设备收集用户数据储存在本地，并不断进行本地数据处理；

b. 家庭检测设备等具有较低的 AI 能力，可以进行数据预处理、初步的模型推理（故障检测）、本地训练，并将初步推理结果或模型上传到服务中心；

c.6G 网络对初步推理结果进行模型推理，将推理结果传输给居家健康中心；对上传的模型进行融合，发送给对应的家庭检测设备。

（2）AIaaS 需求
a. 数据采集：家庭检测设备对患者数据进行数据预处理和传输；

b. 模型推理：家庭检测设备等根据实时采集的数据，输入到自身 AI 模型，生成初步检测结果，传输给基站；
基站基于自身 AI 模型对初步检测结果进行进一步处理，生成实时检测结果；

c. 模型训练：家庭检测设备等根据检测目标，确定相同的 AI 模型，根据自身采集的数据在本地进行训练；

d. 模型融合：家庭检测设备等定期将训练模型报告给网络运营商，运营商接收来自多个健康设备的训练模型，进行模型融合，并将新模型分发本地设备。

2.3.4.4 潜在技术需求

（1）网络实时推理：网络支持与家庭智能设备的协同实时高准确度推理。

（2）分布式训练：网络支持分布式训练架构，可以进行模型的聚合和协同训练。

（3）高可靠低时延传输：推理数据和推理结果需要在规定时间内成功传输。

（4）上行大带宽传输：大量的 AI 模型参数需要上传到网络进行融合。

2.3.5 无人放牧

2.3.5.1 背景

传统放牧通常牧民骑马带着牧羊犬餐风宿雪，日夜兼程，把牲畜从一个草场赶往另一个草场，这个过程中，牲畜可能患上不知名的疾病，而茫茫草原极度不利于寻医问药，还需防范牲畜走失，狼群等野兽袭击。此外，草场变换完全基于牧民经验，草场可能未被完全利用使得下一周期新长牧草过老，或者过度利用使得草原局部沙化，引起一系列连锁反应。在这种环境下，牧民保证自身收益已然不易，难有优化草原，优化养殖的精力和时间。当前，得益于卫星通信和地面移动网络的部署和发展，牧民可在局部地区接入网络，沟通各方或在电商平台出售牲畜产品，也有使用无人机驱赶羊群的场景出现，但是仍需牧民近距离操作无人机。牧民的处境并无太大改变。

一个可以在荒芜人烟的地区接入，控制集群无人机驱赶，计算牲畜群，发现和驱逐野兽，监控分析草场状态并及时轮牧，识别牧草病害和识别牲畜疾病，发现优质牧草，预测出栏量，出肉量的，优化育种的系统将被放牧业所需。

草原广阔，6G 网络可为放牧提供 AI 服务，通过周期性飞行的无人机，放牧无人机、通感一体的固定基站，固定摄像头，遥感卫星和牧民手持终端收集草原，牲畜、气候相关数据。6G 网络将基于这些数据训练用于优化轮牧的轮牧模型，用于识别病虫害的识别模型，用户发现牲畜病变的识别模型，用于优化牧草和牲畜育种的育种模型等等，牧民甚至可以通过 AIaaS 平台与其他牧民共享相关模型和数据，也无需额外花费时间精力部署和维护独立的基础设施。由于 6G 网络 AI 的共享算力，数据等特性，牧民的支出成本也将大大降低。

2.3.5.2 角色和前提假设

（1）角色：固定摄像头、地面通感融合基站、卫星基站，气象 / 环保卫星，放牧无人机、牧民、提供智能和通信服务的运营商。

（2）前提假设：

• 无人放牧系统中的固定摄像头、地面通感融合基站、卫星基站，气象 / 环保卫星，放牧无人机、牧民终端均接入 6G 网络。
• 6G 网络中的具备可提供服务的算力网络系统。
• 牧民或当地畜牧业协会已和相关高效算法模型研发机构达成协议。
• 卫星通网络在荒芜的草原中可用。
• 通感一体基站部署完成。

2.3.5.3 应用需求

（1）业务需求

• 分布在草原各处的固定摄像头、地面通感融合基站，扫瞄草原地面的卫星基站，气象 / 环保卫星，跟随牲畜群的放牧无人机等将通过 6G 网络接入互联网，6G 网络 AI 根据实际情况周期性或实时地收集羊群和草原数据，并将数据上传到边缘或云节点。
• 6G 网络将根据需求调配相关算力和模型，分析相关数据，识别草原和羊群情况，发现病虫害，判别草原利用效率，也利用相关数据进一步优化模型；
• 6G 网络 AI 将根据分析结果，向牧民和相关部门或组织发出警报等相关信息，并根据实际情况和牧民决策为放牧无人机生成相关指令，以控制牲畜群行进路线，从而实现牧场轮替，避开恶劣天气和病虫害草场。
• 6G 网络将收集海量牧民的放牧数据，训练针对全局的放牧相关模型，并且支持牧民共享局部数据和模型。

（2）AIaaS 需求

• 数据服务：网络提供 AIaaS 的数据服务包括：
  • 牲畜群和草原的收集和更新，包括通感融合基站感知牲畜群数量信息，运动状态，草原状态等数据；
  • 商业相关数据的管理与脱敏，包括牲畜群健康度，牲畜群数量，行进路线等；
  • 专业数据库服务：访问病虫害生物数据库服务；
  • 数据共享：非敏感数据共享。
• 计算服务：网络提供 AIaaS 的计算服务包括：
  • 根据固定摄像头和放牧无人机的摄像头等图像数据，计算牲畜群数量，识别牲畜群的健康度和牧场的病虫害，
  • 根据卫星和遥感信息感知草原的实际利用率等，生成合理
    轮牧方案等；
  • 根据卫星遥感数据计算局部天气变化。
• 模型训练：网络提供 AIaaS 的模型训练服务包括：
  • 根据全局特性的数据例如天气和应对病虫害的措施的数据，训练全局模型；
  • 根据历史牲畜群轮牧情况数据训练合理时间间隔和合理区域的轮牧模型；
  • 根据实时的牧场影像和牲畜影像，结合生物数据库

2.3.6 疾病诊断

2.3.6.1 背景

精准的医疗一定是以“患者 / 病者诉求”为中心，实现医疗服务提供方，能按需、客观、精准、高效、可信地提供相关的医护解决方案。举应用实例说明，某患者感染上了某种皮肤炎症，他先在家通过自己的终端设备进行拍照和采样，可本地进行脱敏处理，之后基于 6G网络上传至 MEC 边缘节点上的医疗服务器上。边缘医疗服务器 APP 基于上传的脱敏样本，先进行皮肤病例识别AI 模型的再训练优化，和 AI 初步推理。如果推理结果不佳或不确定，可进一步上传到更上游的医疗服务器节点上（例如在核心网中），进行更大范围的二次推理和确认。6G 网络基于 AIaaS 获得初步的皮肤炎症病例推理报告，第一时间反馈给患者进行参考。如果患者对 AI 推理结果不确信或不满意，可隔日继续重复上述的请求和服务过程，最终获得自己较为确信的“皮肤病病理结果”。之后患者拿着“病理结果”去最近的当地医院，通过远程视频会诊方式和预约的医生，进行远程诊断和相关治疗操作。患者不再担忧“看病难”“排队难”“过度医疗”等弊端问题，能以最低的成本和最高的效率获得最佳的治疗方案结果。

2.3.6.2 角色和前提假设

（1）角色：医疗服务器节点、患者、医疗服务人员、医疗设备、提供智能服务的运营商

（2）前提假设：医疗服务器节点、患者终端、医疗服务人员终端、医疗设备等连接到 6G 网络

2.3.6.3 应用需求

（1）业务需求

• 医疗设备对采集的用户数据，脱敏后上传到医疗服务器节点进行智能化分析；
• 医疗设备等具有较低的 AI 能力，可以进行数据预处理、初步的模型推理（故障检测）、本地训练，并将初步推理结果或模型上传到服务中心；
• 6G 网络对初步推理结果进行模型推理，将推理结果传输给医疗中心；对上传的模型进行融合，发送新模型给对应的医疗设备。
  （2）AIaaS 需求
• 数据采集：医疗设备对患者数据进行数据预处理和传输；
• 模型推理：医疗设备等根据实时采集的数据，输入到自身 AI 模型，生成初步诊断结果，传输给基站；基站基于自身 AI 模型对初步诊断结果进行进一步处理，生成实时诊断结果；
• 模型训练：根据检测目标，确定相同的 AI 模型，医疗设备等根据自身采集的数据在本地进行训练；
• 模型融合：医疗设备等定期将训练模型报告给网络运营商，运营商接收来自多个医疗设备的训练模型，进行模型融合，并将新模型分发医疗设备。

2.3.6.4 潜在技术需求

（1）网络实时推理：网络支持与医疗设备的协同实时高准确度推理。
（2）分布式训练：网络支持分布式训练架构，可以进行模型的聚合和协同训练。
（3）高可靠低时延传输：推理数据和推理结果需要在规定时间内成功传输。
（4）上行大带宽传输：大量的 AI 模型参数需要上传到网络进行融合。

2.3.7 虚拟课堂

2.3.7.1 背景

通过 6G AIaaS 构建虚拟课堂，学生可以通过 VR/AR等方式接入课堂，该课堂通过元宇宙技术构建虚拟教师和虚拟同学形象构建虚拟学习环境，并将学习内容赋予有趣的游戏环境中，帮助学生建立感兴趣的学习环境。

通过在线测试，虚拟教师获得学生的学习能力和兴趣指数，AIasS 智能评估系统根据学生的能力和兴趣，自动定制学习计划，确定学习线路图和内容，并提供个性化的学习资源。

学生在自己的学习过程中，可以与虚拟教师进行交互，获得实时的学习指导和反馈。如通过采集学生的表情信息，经过 AIaaS 智能评估系统建立情绪分析模型，结合学习软件设定的反馈机制构建学习的及时反馈结果。教学端根据学生学习的反馈结果进行整合学习，AIaaS 可以根据反馈结果决策教学流程和内容。

学生在完成课程学习后，可以通过模拟实际场景的虚拟现实技术进行实践，提高实际操作能力。AI 智能评估系统会根据学习成绩和反馈，自动生成学习报告，并通过短信或邮件发送给家长和教师。

学生完成学习后，AI 智能评估系统会根据学习成绩和反馈，自动生成学习报告，并通过短信或邮件发送给家长和教师。

教育的好坏有三个核心组成部分：课程、教学、评价。基于 6G 的 AIaaS 智能实时评价来促进学习，高精度的分析结果用于预测学习者是否跟上教学节奏。AIaaS 将提升学习分析的精确度，以获得跟学习者学习完成状态、应对挑战和自身需求等方面的相关信息和数据，进而用于改进学习。为学习者提供及时干预措施，辅助其学习，既可采用技术支持、教师特别关注，也可以是两者的结合。可以分析数据集，以帮助教师了解学习者如何得出答案。帮助教师更好地理解认知过程，如遗忘曲线，以及这些对学习效果的本质影响，确定学习者是否感到困惑、无聊或沮丧，提高改善学习者的情绪准备。

2.3.7.2 角色和前提假设

（1）角色：学生学习系统，终端设备（电脑，手机，AR、VR 设备），虚拟教师，提供智能服务的网络运营商。
（2）前提假设：终端设备连接到 6G 网络。

2.3.7.3 应用需求

（1）业务需求

• 学生通过 6G 网络连接学生学习系统，进入个性化学习空间，创建自身的虚拟角色；教师接入教学系统创建虚拟自己的虚拟角色；网络运营商构建虚拟课堂。
• 通过终端设备收集学生的学习数据，包括摄像头捕获的表情数据，学生的操作习惯，测试应答情况等，对数据进行本地化预处理、初步的模型训练，并将初步推理结果或模型传递给网络运营商；
• 网络运营商智能服务模型根据搜集到的数据建立学生画像，构建建学习档案，学习路线图等。

（2）AIaaS 需求

• 数据管理服务：通过终端采集交互数据、测试应答数据，通过摄像头采集学生情绪数据，进行数据预处理和传输；数据管理服务提供数据的安全存储、传输、和隐私保护工作。
• 模型推理：根据收集的数据对学生进行用户画像学习。
• 模型训练：针对海量学生数据，进行画像调整需要进行大规模的训练；根据海量数据对准确性进行提升。

2.3.7.4 潜在技术需求

（1）上行大带宽传输：大量的 AI 模型参数需要上传到网络进行融合。
（2）分布式训练：网络支持分布式训练架构，可以进行模型的聚合和协同训练。
（3）隐私保护：对数据进行脱敏处理。
（4）高可靠低时延传输：推理数据和推理结果需要在规定时间内成功传输。

2.3.8 电网智能巡检

2.3.8.1 背景

在电力网络中，电力从发电厂经过电网传输到用电中心，然后分配到居民楼、写字楼等用电端点。由于用电者本身的分布式特性和未来风能、太阳能分布式电源生产者的增加，由高压线路和变电站等构成的输电和变电网络覆盖面积异常大。通过巡检，排查故障隐患，是确保电网安全可靠运行的前提。而长距离大面积的供电线路导致故障检测非常困难，传统基于人力的监测效率很低、巡检不全面、安全风险大。利用 AI 的视频分析能力，通过摄像头、无人机等，可以实现更准确、更及时、更安全的智能巡检，包括杆塔 / 线路的故障、变电站人员、设备和
业务识别等。

考虑到大规模分布的电力线路和杆塔等，6G 网络可以为智能电网运营者提供大规模的 AI 实时推理、分布式模型训练等服务。无人机等将采集到的视频数据经过处理后，传输到具有 AI 能力的 6G 网络，6G 网络一方面可以对视频进行实时处理，检测出故障或非法入侵，并传输给控制中心；另一方面，6G 网络可以收集多个基于本地数据训练故障检测的 AI 模型，通过模型融合提升检测的性能，同时保护各个电网运营者的数据隐私。

2.3.8.2 角色和前提假设

（1）角色：无人机、机器人、监控摄像头、监控中心、具备计算能力的基站、提供智能服务的网络运营商
（2）前提假设：无人机、机器人、监控摄像头、监控中心连接到 6G 网络

2.3.8.3 应用需求

（1）业务需求

• 监控中心定期或者根据突发状况，向无人机、机器人或监控摄像头等发起巡检指令；无人机或机器人等根据巡检路线对电力线路等进行视频数据采集；
• 无人机和机器人等具有较低的 AI 能力，可以进行数据预处理、初步的模型推理（故障检测）、本地训练，并将初步推理结果或模型上传到基站；
  c.6G 网络对初步推理结果进行模型推理，将推理结果传输给监控中心；对上传的模型进行融合，发送新模型给无人机或机器人等终端设备。

（2）AIaaS 需求

• 数据采集：无人机或机器人等对采集任务过程中的视频和传感数据，进行数据预处理和传输；
• 模型推理：无人机或机器人等根据实时采集的视频数据，输入到自身 AI 模型，生成初步检测结果，传输给基站；基站基于自身 AI 模型对初步检测结果进行进一步处理，生成实时检测结果；
• 模型训练：根据检测目标，确定相同的 AI 模型，无人机活机器人等根据自身采集的数据在本地进行训练；
• 模型融合：无人机或机器人等定期将训练模型报告给网络运营商，运营商接收来自多个无人机或机器人的训练模型，进行模型融合，并将新模型分发给无人机或机器人。

2.3.8.4 潜在技术需求

（1）网络实时推理：网络支持与无人机、机器人、监控摄像头的协同实时高准确度推理。
（2）分布式训练：网络支持分布式训练架构，可以进行模型的聚合和协同训练。
（3）高可靠低时延传输：推理数据和推理结果需要在规定时间内成功传输。
（4）上行大带宽传输：大量的 AI 模型参数需要上传到网络进行融合。

2.4 6G AIaaS 典型服务

AI 服务是指向被服务方提供 AI 技术、AI 业务或 AI资源要素。6G AIaaS 典型服务包括 6G 网络为用户提供大规模分布式模型训练、推理、生成、优化等服务。服务对象可以是终端用户、第三方用户、网络内运维等。

2.4.1 模型推理服务

模型推理是功能执行的基础。6G 智能内生网络基于全域覆盖和泛在的基础设施，提供近实时、实时不同需求的模型推理能力。在分布式模型推理服务中，网络利用融合通信与计算的能力，通过模型协作，为用户提供实时的高精度模型推理业务，让计算能力受限的终端也可以享受高性能 AI 服务。不同于 5G 只作为数据传输管道的服务模式，6G 模型推理服务可以充分利用边缘网络节点的计算和模型资源，提供更低时延的高精度模型推理服务。一种典型的 AI 模型推理业务如上图所示。大模型切割后将计算需求高的部分部署在网络侧，利用网络强大的算法，为终端用户提供联合的模型推理服务。

2.4.2 模型训练服务

模型训练是 AI 能力的关键，模型的好坏关系到 AI 能力的高低。6G 智能内生网络面向用户、行业和网络自身的不同特点，提供更合适的模型训练算法，以及更合理的编排模型训练算力，提升训练模型的速度与精度。在大规模分布式模型训练中，网络作为管理平台，为分布式智能体之间的数据或模型参数交互提供高速通道和高效调度机制，支持快速的模型融合与分发，同时实现高效模型训练与用户隐私保护。一种典型的联邦学习训练业务如下图所示。终端利用本地数据训练模型，网络将各终端模型进行融合分发，实现数据不出用户的联合学习。

【分布式 AI 模型训练业务】

模型训练（model training），是在神经网络（neural network）模型初始化和训练数据收集、清洗之后，通过数据驱动的方式进行机器学习，也就是神经网络中参数的优化的过程，来找到输入、输出数据之间的映射关系。

从数据采集和网络训练的实时性角度，模型训练可分 为 离 线 训 练（Offline training） 和 在 线 训 练（Online training）。

离线训练是在预先收集好的静态数据上进行模型的训练，模型训练的节点或设备可以与模型部署和推理应用的节点或设备不同。这种训练通常是非实时的，所以可能无法适应实时数据的变化。

在线训练是指在生产环境中使用实时数据对模型进行更新，模型训练的节点或设备多数在模型部署和推理应用时的节点或设备上。这种训练具有实时性的优点，可以应对模型对数据的实时变化，然而在线训练对计算资源和开销的消耗较大，并且存在过拟合与慢收敛的风险。因此目前多数模型训练可能会基于离线训练的方式。

对于离线训练出的模型与实际部署环境的差异，也可以采用先离线学习、后在线微调更新的方式，而在线微调的过程和在线学习过程近似。训练方式也可以通过不断的训练更新，以及训练数据的清洗与迭代，进一步演化为持续性的模型训练方式。

从机器学习的方式与目标的角度，模型训练可分为 监 督 学 习（Supervised learning）， 无 监 督 式 学 习（Unsupervised learning），强化学习（Reinforcement Learning）半监督学习（Semi-supervised learning）, 迁移学习 (Transfer learning) 和元学习 (Meta learning) 等。其中前三种主要从数据中进行模型的学习来改善系统性能，而后三者则是强调利用已有的知识和数据来提高模型的效率和泛化能力。监督学习训练时需要输入的数据和标签，来构建其之间的映射关系；无监督学习没有预先给定的标签，而是通过对数据自主的学习来发现数据中的隐藏结构与模式；在强化学习中，通常需要与环境的进行交互，来学习如何做最好的决策；半监督学习则需要模型训练时有标签的输入数据和无标签的输入数据，来提高模型性能；而迁移学习与元学习则更强调模型通过学习，如何提高自身的泛化能力与快速适应新任务的能力。

在通信系统中，从模型是在单一设备上 ( 基站或 UE)进行还是双方共同 ( 基站 和 UE) 进行，模型训练也可以分为独立训练和协作训练。独立训练时，模型只在一方的设备上就可以完成，如用机器学习来优化信道估计的模型训练，只需要在接收机上就可以完成。而协作训练方式则需要发射机和接收机共同完成，如信道状态信息的压缩与反馈（CSI Feedback），模型训练的过程中需要对 UE 端的编码器（Encoder）和基站端的解码器（Decoder）一起训练。

模型的训练方式可以分为集中式训练和分布式训练。集中式训练是指将所有训练数据和计算资源集中在单数据中心或节点上。在集中式训练中，数据的存储、训练是集中的，易于实现与管理，并不需要大范围的通信，但其计算资源受限，并存在单一节点故障的风险。分布式训练是指将训练任务分配给多个计算节点进行并行计算。将模型在多个去中心化的边缘节点上进行训练，每个节点用本地数据对模型进行训练，最后把模型合并为一个模型。在分布式训练中，每个节点用本地数据对模型进行训练，数据中心之间不需要交换训练数据，仅通过交换模型参数或中间结果的方式来构建全局模型。

2.4.3 模型生成服务

模型生成服务是面向业务开发者，由 6G 网络针对不同应用场景训练 AI 模型。业务开发者不需要做额外的模型开发工作，只需要选择所需的应用场景，向 6G AIaaS输入业务配置参数和训练数据；模型生成服务利用 6G 网络内的模型和算力，自动进行算法组合和训练，输出给业务开发者所需应用场景的 AI 模型。

2.4.4 模型优化服务

模型优化是 AI 生命周期管理中的重要步骤。6G 智能内生网络除了对模型针对性的提升模型精度、泛化性能等优化能力以外，更能在大范围以及跨场景的情况下发挥优势，合理利用不同数据，对区域内或功能集合进行整体最优的模型优化。

2.4.5 模型共享服务

模型共享服务是指在相同的场景、需求或任务下 6G AIaaS 复用已有模型的服务，各个模型生产者将已经训练好的优秀模型发布，而 6G AIaaS 根据 AI 服务消费者的需求选择适合的已有模型。模型共享将是 AIaaS 的基础服务，将为模型生产者提供变现渠道，也降低 AI 服务消费者的服务使用支出，也将降低 6G 网络总体的算力使用压力。是构建 AIaaS 重要一环。

模型共享服务将判别模型生产者的模型产品的通用性程度，从而判别模型的可共享范围，AIaaS 收到新的请求后，根据收集到的数据、请求的实际需求等，判别是否可以共享已有的旧模型，而非直接触发生成新模型的流程。如果已有的旧模型库与实际需求不匹配，先对需求进行分割，尽可能分成多个子基础任务，从而复用部分已有的优秀的基础模型，而后为当前基础模型无法应对的子任务进行少量的新模型设计训练工作。

AIaaS 的模型共享有多种实现方式。首先为了兼容当前已有的商业模式和传统模型设计训练方法，算法模型提供商针对具备价值的场景自行设计训练模型，而后上传到模型共享平台上，以供消费者付费使用。在不远的未来，算法模型生产者和消费者，还有消费者之间将会通过 6G 网络相互连接，消费者们通过 6G 网络上传自身数据甚至直接通过 6G 网络的通感一体能力收集相关数据，而后在算力节点中将数据和算法模型生产者设计的基础模型交汇。最终生成的成品将由各方共享。当然，一些特殊的算法模型生产者例如高校研究机构或行政部门，可能不直接与算法模型消费者直接共享经济效益，而是希望获取相关行业的数据经过模型处理后的结果。

2.4.6 模型部署服务

AI 模型近年来通过诸如搜索、广告、推荐、NLP、CV 等多个领域，不断渗透进入用户的日常生活，并不断突破传统模型的性能瓶颈。AI 模型在训练完成之后需要交付给用户，供用户便捷使用，这需要对训练好的模型进行部署管理。模型部署是交付给用户 AI 产品时必不可少的一个环节，而 6G 网络将在模型部署的过程中提供重要支撑。

模型部署一般会按照部署平台分为三大类。

第一类是将 AI 模型在后端服务器上进行部署，也可以称作云端部署。常见的服务器模型部署的相关用例主要有在线搜索、在线翻译、在线识图等等。这类业务的请求量相对较大，因此高精度和大吞吐量更为优先，而对于时延并不敏感。以在线翻译应用为例，用户并不要求要在输入文字一秒之内得到翻译结果，两至五秒都是可以接受的，所以这类服务并不需要 AI 模型实时地返回结果。但出于精度和数据量考虑（比如翻译内容的精准度和语言的多样性），此类模型较为复杂，无法部署在一些资源有限的移动平台上，因此必须要在服务器上进行部署。在此场景下，基于内生 AI 与数据服务紧密结合的特点，6G 网络 AI 高质量的数据服务能够获取、处理和存储海量、多源、多样的数据，支持云端模型部署。

第二类部署平台是基站、边缘计算设备。以网络节能服务为例，部署于基站上的 AI 模型对基站参数、用户位置信息和业务分布状态进行推理演算，在保证通信网络业务性能的前提下，自主生成节能策略，完成通道关断、基站开关、多维资源调度、载波频段和负载功率调整等一系列操作，以实现有效降低基站能耗。随着 6G 算网融合的不断发展，“端边协作”的模式将会在未来成为主流，此类模型部署将发挥更大的作用。例如当算力有限的终端需要执行一项任务时，基站或边缘计算设备上部署的AI 模型将通过通信网络为其提供算力协助，根据终端的要求分配计算资源以达到性能需求，最终协同终端一同完成任务。对 6G 网络而言，基站、边缘计算设备模型部署的进一步发展，意味着更多 AI 处理流程将在边缘计算层实现，而无需交由云端。由于边缘计算层更加靠近用户，响应会更加迅速。同时，这还能够大幅度提升处理效率，减轻云端负荷。

第三类部署平台是设备终端，或者说嵌入式端。在终端部署 AI 模型时，设备的资源是有限的，能耗、体积相较于服务器端的限制大很多。此时主要通过 SDK 部署的方案，将模型打包封装到 SDK，集成到嵌入式设备，在手机以及各类 IoT 终端设备上执行 AI 模型推理功能，如门禁闸机中的人脸检测系统、手机拍照中的笑脸自动抓拍系统。近年来发展迅速的手机在线会议也是典型服务用例，手机需要对参会人进行人脸识别，并对视频进行实时的抠图、替换背景，这要求部署的模型兼顾精度与速度。6G 网络能为本地的模型部署带来实时性更高，综合能耗更低的智能化服务。同时，大规模分散部署于不同设备终端的模型，能够通过 6G 网络网元间的分布式协作，支持本地实时性要求较高的应用场景，实现单一设备终端有限算力所无法完成的 AI 任务。因此，6G 网络很好地解决了端侧算力不足的问题，更大程度地发挥设备终端模型部署功耗低、模型小、部署灵活、隐私性高等优势。

2.4.7 模型管理服务

模型管理服务，是指 AIaaS 提供的模型开发、部署、优化、迭代的全生命周期管理过程。包括如下过程：

• 基 于 业 务 目 标 出 发 构 建 AI 学 习 问 题（ 场 景，QoAIS, KPI，监控需求）；
• 收集数据、准备数据，包括特征工程、清理等任务；
• 分析、训练、测试和评估模型，构建和自动化机器学习管道；
• 部署模型，静态部署或动态部署。
• 模型应用，如预测和推断。
• 监控、优化和维护模型。

由于 AI 技术的局限性，如数据质量变化，模型衰减，数据局部性等问题 , 要求模型能够持续迭代。对于不同的 AIaaS 服务，需要支持不同的 QoAIS，以及基于任务的管道和资源的编排。只有通过模型生命周期管理所有步骤中实现自动化和监控，并建立模型持续优化和改进流程，使能 AIaaS 全场景自动闭环，自诊断，自修复和自优化，将促使 6G 网络实现 L5 级“自动驾驶”网络的自治管理模式和自我演进。

2.4.8 模型压缩服务

现有研究表明，很多深度神经网络中都存在着显著的冗余性，AI 模型中存在着一种过参数化的现象，即不是所有的参数对模型的表达能力都起到关键作用，模型压缩是减小模型规模的有效途径。模型压缩方法，就是利用网络结构的冗余特性对 AI 模型进行重构、简化并且加速的技术，在不影响原任务完成度的情况下，得到参数更少、结构更经典的模型。目前主流的模型压缩方法有剪枝、量化、知识蒸馏等几类。剪枝和量化主要针对模型中的冗余参数进行且最小化精度的损失；知识蒸馏则是先训练一个大模型，再训练一个更紧凑的模型，将已训练好的大模型所包含的知识，蒸馏到小模型里以达到相同效果。

未来 6G 网络中，AI 业务愈发普及，各类 AI 模型将被广泛应用到丰富的领域与场景，AI 模型的复杂度、计算能力、学习能力不断提高，在性能表现上也会更加卓越。但是随着神经网络层数的加深、参数规模的增大，模型对存储设备和计算设备的要求也将增加。高性能服务器具有强大的算力可以承载复杂的 AI 模型，但是对于部分对推理时间或隐私要求较高的场景，需要在资源有限的端侧上（移动端或嵌入式设备）部署 AI 模型进行 AI 推理，例如智能手机、智能穿戴设备、人脸闸机等。这些设备受到体积的限制，计算能力和存储能力相对较弱，在性能上与服务器有较大差距。如果将复杂的 AI 模型直接部署在端侧设备上，其性能无法实现正常的 AI 推理。考虑到端侧推理的性能，如时延、能耗以及内存占用等，计算量大、存储成本高以及模型复杂度高等问题将会使端侧部署难以有效的进行。同时，不仅对于端侧部署，云端部署也希望能够使用更小存储空间和更少的算力，获得相同或者更好的效果。

6G AIaaS 以算网融合的网络架构为基础，支持“端 -边 - 网 - 云”协同发展，为各类部署场景提供 AI 模型压缩服务，运用 6G 网络中无处不在的内生 AI 算力，加快剪枝、量化、知识蒸馏的流程，最大程度降低模型复杂度与存储空间，并促进对建模的训练和推理。6G AIaaS 提供计算与通信的深度融合，有望实现模型压缩策略的实时调整。例如，当连接带宽受限，但本地算力充足时，增加本地计算量，对本地用户所需的 AI 模型进行高保真度的压缩；当连接带宽充足、质量稳定，但本地算力受限时，减少本地计算量，通过增加周边节点的协作，在云端或边缘计算设备上完成模型压缩任务。内生 AI 也有望为模型压缩制定更智能的结构选择策略。当前的模型压缩方法，无论是剪枝、量化或是知识蒸馏，都是以现有 AI 模型的主干网络结构作为基础，再手动选择策略缩小模型规模。未来，6G AIaaS 能够利用内生的强化学习等策略进行自动网络结构搜索，跳出现有框架，从而得到更紧凑的网络结构。相较于目前的 AutoML，6G AIaaS 能够运用对特定应用场景下数据的感知能力，为压缩模型的选择提供更加丰富的数据来源，还能够利用分布式的高性能 AI 算力，降低大规模模型压缩所产生的能耗开销。

2.4.9 数据管理服务

当前以数据驱动的 AI 范式中，高质量数据是 AI 能力要素的根本。6G 智能内生网络开放的数据管理服务包括数据收集、数据预处理、数据脱敏、数据存储、数据开放等。实现用户隐私数据的安全管理，并能够在脱敏处理下，与关联行业进行数据的联合使用。

2.4.10 计算服务

计算服务是指专门为高算力要求的 AI 应用提供专门的算力支撑服务。包括分布式算力集群的算力分配与调度，满足延迟、吞吐量指标的算力网络协同服务。大模型现在已经成为通向通用人工智能可以预见的一条道路，因此 AIaaS 需要能支持构建大模型的能力，而这些就需要强大的算力支持。6G 智能内生网络针对特定大模型构建定制化的算力部署，对外提供 API 接口等，提供基础算法库，并能根据特定应用生成新的算法模型。