四、6G AI 即服务（AIaaS）的技术优势、产业价值与潜在挑战

4.1 技术优势

4.1.1 时延优势

时延优势包括两个方面，一是资源调度和服务数据传输时延的优势，二是 AI 服务部署时间的优势。对于 6G 网络本身，相比于 MEC 和 Cloud AI，6G 网络可以更加灵活地选择提供 AI 服务的节点并分配通信资源减少传输时延；另一方面 AI 服务的部署通常是昂贵和耗费时间的，针对一个应用场景去训练和测试一套 AI 模型所花费的时间可能是以周来计算，通过 6G 网络提供AIaas，预训练的相似模型可以使用户快速的使用 AI 服务，缩短 AI 服务部署时间。

4.1.2 算力调度优势

AI 在设计和优化 6G 网络架构、协议和运营方面都发挥关键作用。超高可靠性是 6G 网络关键性能指标，而传统 MEC AI 或 Cloud AI 模型的性能极大地依赖于海量预定义的数据集和大量的算力资源，从而给 6G 网络的性能保障带来极大挑战。与任何其他“即服务”解决方案一样，AIaaS 将 AI 能力作为一种服务赋能 6G 网络，AIaaS 组织开发、部署或使用数据分析模型的过程，而 6G 用户无需学习复杂的算法或技术。然后，6G 用户可以专注于训练和配置 AI 模型，从而追求他们的核心能力，而不必担心安装、维护和相关的管理，极大减少了实施 AI 应用程序时的算力资源配置与调度。此外，AIaaS 概念化、设置和维护底层硬件和软件基础设施，用户从资源硬件配置管理中被解放出来，因为提供者拥有开发和维护高效 AI 基础设施所需的专业知识，并且还能够部署昂贵的专用算力基础设施硬件（GPU 或 TPU）进行有效管理配置。

4.1.3 成本优势

AIaaS 提供第三方提供商托管的“即服务”包使 6G网络中的用户可以使用以较低代价即可使用 AI 服务。6G网络复杂多变，建立面向 6G 网络的高度智能能力需要大4第四章 6G AI 即服务（AIaaS）的技术优势、 产业价值与潜在挑战量投资和专业知识。并且在最终部署前，开发和测试 AI模型都需要大量的算力资源和时间。因此，在 6G 网络中引入 AIaaS，用户可以通过 API 和工具直接使用 AI 的功能，而无需编写任何复杂的代码，或进行任何复杂的训练，这极大的降低了开发和测试 AI 模型的人力成本、算力成本和时间成本。此外，AIaaS 具有高度的灵活性和适应性，并且采用按使用量付费模式，允许 6G 使用为其所使用的AI 服务付费，而无需从整个 AIaaS 包中为不需要的 AI 功能付费。

4.2产业价值

4.2.1 对网络自身的价值

从 5G 开始，人工智能在移动通信网络中逐渐得到了广泛的应用，比如从网管级别的网络配置优化到网元级别的资源调度优化，甚至空口物理层的智能化，此外终端侧的智能化应用也越来越多，但以“打补丁”和“外挂”的应用模式阻碍了 AI 应用效果的发挥。目前网络自治水平不高（自动驾驶网络等级约为 2.2 级），而 6G 网络需实现高水平自治，此外 6G 在网络性能之外还提出了更高的安全可信要求，这使得网络的管理面临着极大挑战。因此，需要内生的 AI 为网络自身提供高性能、高效的服务，服务于网络自身的高水平自治、内生安全可信。

AIaaS 可以服务网络自身，支持实现对运营商和用户意图的感知和实现，实现网络的自我设计、自我实施、自我优化、自我演进，最终实现网络的高水平自治。AIaaS支撑网络运维更高程度的自动化，可以进一步降低人力参与程度，提高资源利用率，实现降本增效。

此外未来网络将承载更多样化的业务，服务更多的应用场景，承载更多类型的数据，因此网络将面临大量新的、复杂的攻击方式。面向网络的 AIaaS 可以实现自主检测威胁、自主防御或协助防御等，可以更加快速地进行网络防护的响应，在降低人力成本的同时，减少由决策延迟带来的损失，为用户提供持续可信的服务。

对于网络自身而言，AIaaS 的服务对象主要是网络运营商，AI 服务可以提供发给网络自身，实现高水平的网络自治和内生安全可信，并进一步提高网络性能并降低运维成本，有极大的应用价值。

4.2.2 2B 产业价值

从 5G 网络智能化实践中，外挂式 AI 存在诸多短板和性能不足，但由于 5G 架构、协议功能和流程已经定型，只能在现有架构方案上做增量迭代，效果有限。同时，面向 6G，智能的需求场景将更加广泛，除服务于网络自身的高水平自治、性能优化、为 2C 客户提供极致业务体验外，还将助力千行百业的数智化转型，实现“随时随地”智能化能力的按需供应，这将极大丰富智能应用场景。相比云服务供应商，6G 网络需提供实时性更高、性能更优的智能化能力服务，同时提供行业间的联邦智能，实现跨域的智慧融合和共享。

对于 2B 产业，AIaaS 的服务对象可以是各行业的企业、学校、研究机构等，利用 6G 网络的连结性更高效地提供 AI 服务，为各垂直行业提供降本增效的能力，并进一步促进其产业升级，有极大的应用价值。2B 客户可以从自身的生产数据中挖掘出有用的模型，帮助自身优化生产，方便复制当前的生产模式，或者通过分享模型获得收益。运营商构建平台，获得平台收益。例如，一个工厂在生产过程中产生了大量数据，用这些在平台上训练了一个生产模型或者平台根据这个模型对工厂的生产调度进行优化，生成一个新的模型。当企业在一个平台上将这个模型设置为私有服务，这些模型会被用在这个工厂本身或者被这个企业作为模板复用在新的工厂，方便扩大生产。当企业将这个模型设置为公有服务，就可以将这个模型开放给合作伙伴，用于同类型工厂的生产。在这个例子上，运营商需要运营一个平台（提供算力训练模型，提供模型存放空间，提供服务开放接口，作为模型中间商参与多方的合作），收取平台服务费。工厂提供数据，得到模型，并且分享卖模型的收益。同时也方便自己复制生产流程扩大生产。

AIaaS 服务 2B 产业的范围十分广阔，可以包括金融领域、政府领域、工业领域、医疗领域、教育领域、交通领域、互联网领域等。

以工业领域和教育领域为例：在工业界中，AIaaS 有着极高的产业价值。当前工业界存在大量人工进行工件检测的场景，这一方面导致工业产品质量检测的时间和经济成本较高，另一方面存在由检测人员工作状态起伏导致检测准确率不稳定的情况。同时，由于传统检测设备精度的限制，高精度工件的一些微小缺陷并不能被发现。因此，在工业互联网中由无线网络提供 AIaaS，主要通过 AI 图像相关技术自动化地识别工业产品的质量，通过强化学习相关技术触发工业机器人的及时处理，可以在提高质检准确性的同时，极大地降低用工成本。另外，针对每一种工业检测场景，可能都需要机器学习算法的调优，这会存在较长的部署周期。因此，期望 6G 网络能凭借大规模分布式训练、整合、推理，能够快速提供针对性的 AI 服务。

在教育界中，AIaaS 同样也有着极高的产业价值。当前学校在教学过程中已经开始采用各种电子设备和网络，而 AIaaS 可能给教育模式带来变革。在越来越倡导个性化教学的当下，由老师一对一的交流、发现和制定学习方法会耗费大量的时间成本，给老师带来较重的负担。通过 6G 网络收集学生学习过程中由电子设备产生的信息，可以感知学习情境、识别学生特征，通过动态学习诊断、反馈与资源推荐的自适应学习机制，可以适应学生动态变化的学习需求 [19]，从而使教师能够清晰、快速地获取学生动态，根据学生的需求精准地调整教学方法，更好地支持个性化的教学。

4.2.3 2C 产业价值

随着智能终端硬件的不断发展，终端开始存储大量数据，终端的计算能力也越来越强，考虑到数据隐私需求，需要 6G 网络和终端的算力、通信连接和算法模型等资源，以及算力卸载、模型编排等功能，为 2C 客户提供极致业务体验和高价值新型业务。在 2C 场景下，用户和运营商同时提供训练数据，同时使用模型并且获得好处，用户的体验提升，运营商节约了资源，提升服务质量。数字运营企业收取数据收益，分享模型收益。

面向 2C 产业，AIaaS 可以扩展到智能手机、个人电脑、车载终端、智能穿戴设备等多种类终端，简化用户的操作，丰富用户的生活。6G 网络的连结性为 2C 的 AIaaS 带来了极大地提升，如网络的智能感知可以为 PC 端用户带来更流畅的电话视频体验，终端能力受限时提供视频和语音智能修补技术来提高视频通话的质量；在车联网场景下，6G 网络可以提供车载终端 AI 服务，如微软小冰可以为用户打造智能语音助手，并且可以提供拥有感情的互动。AR/VR 的持续发展也是 6G AIaaS 的 2C 业务的一片蓝海，单个个体不同穿戴设备的协同感知，不同个体之间、个体和环境之间的交互都需要 AI 服务在网络中的实现，结合数字孪生技术，拥有构建虚拟世界，重塑人们生活的能力。

AIaaS 的 2C 产业涵盖了人们日常生活中的各类终端和应用场景，涉及到现代数字生活的方方面面，服务的对象也可以是每一个人，其产业前景和增益都是不可估量的。对于 2C，其分为两个方向，一方面是单个用户的AI 服务，面向单个用户的 AI 服务涉及到终端和网络的联动，以进行模型的训练和使用。例如，一个自媒体工作者，拍了多段素材，AI 服务平台根据他以往的编辑风格（用户自己提供的数据）、观众反应（自媒体平台提供的数据）生成自动剪辑 AI 模型，缩短工作时长提升点击率。又例如，AI 服务平台根据用户终端的历史（运动轨迹，流量起伏），网络本身的运行状态（拥塞情况，时延，抖动）生成一个联合模型，在终端侧满足节能需求，在网络侧满足提升资源利用率的需求。

另一方面是面向多个类似用户的 AI 服务，例如演唱会，AI 服务平台会根据这些用户的位置，演唱会观众的特殊网络行为生成服务模型，网络据此进行带宽资源的调度，或者根据各个用户的需求编排带宽资源，甚至派出无人机基站满足用户需求。模型也可以复用到其他演唱会。当然，演唱会之类的场景下 AI 服务也可能会结合沉浸式媒体提供服务。又例如，智能交通场景，大量的汽车堵在一条路上，将涉及两个模型，一个是交通疏导指引生成模型，为这些汽车生成交通疏导指引，进行交通疏导。一个是在此过程中进行网络资源调度的模型。这些面向多个用户的应用场景需要与大量不同的数字运营企业协作。此外在通感一体的 6G 网络中，运营商通过无线侧感知物理世界，收集数据，也可以作为训练 AI 模型输入数据，帮助部分企业减少传感器相关基础设施的投入。

4.3 潜在挑战

1、投入产出评估体系
一种技术或架构能否被广泛应用，在于是否能提供较好的投入产出比。因此 AIaaS 的重要挑战在于需要新的能被客户和 AI 服务提供者接受的评估体系。其中的参数例如收益比，即为训练和维护、运行算法需要消耗的功耗，占用的算力，投入的人力等支出与模型应用后所带来收益之间的关系。但是某个 AI 模型往往只针对某种特定需求，因此建立评估体系可能较为复杂，或者需要各界较大的投入。

2、算法模型共享
算法模型共享的挑战来自技术和经济两个方面，技术上接口可能难以统一，可能重复以往某某 aaS 的困境。例如 IaaS 也没有作为通用服务，在各个 IaaS 平台上搭起的环境应用，难以移植到其他平台上。应用平台拥有自身的设计和发展技术路线导致应用平台本身架构之间存在差异，某个平台上表现优秀的模型，在另一平台上可能因资源调度或其他问题而变差。经济上模型使用的计费可能难以统一，各个公司的训练成本不一，计费难以统一，此外大公司训练成本会摊薄，初创公司等训练成本较高，造成赢者通吃，破坏算法模型提供生态。同时模型的准确性和应用场景密切相关。许多同类应用场景通常具有一定程度相异的影响因素，例如自动驾驶模型，北京的路面和伦敦的路面摩擦力不一致导致自动驾驶行为偏差，可能导致重复训练同一模型的需求。提高了模型训练总体成本。

3、指标评估体系与异构资源优化
当前，部分 QoAIS 指标尚无成熟的量化评估方式，因此在 AIaaS 平台建设初期可能无法在完善这些指标的量化评估标准。如可解释性，其由于一些算法本身的技术架构和特性令其可解释性较差，此外还有模型的泛化性、可重用性等，学界对此虽已有相关研究，但形成统一的各方认可的评估标准仍然需要较多的工作。因此，在起始阶段设计出足够开放包容的评估体系或架构，以便后续逐步引入上述指标，是当前我们面临的重要挑战。

在 5G AI 中，网络一般作为 Over-the-Top 厂商向用户提供 AI 服务的管道，网络只需要配置通信资源，来满足连接的性能需求。与此不同，6G 原生 AI 通过网络内的通信、计算、模型等资源，向用户提供 AI 服务。6G 网络不仅需要关注通信的性能指标，还需要考虑端到端的AIaaS 性能指标，并通过配置通信、计算等多种类型的资源，为用户提升可控的 AI 服务。6G AIaaS 需要一套完整的性能指标和评估体系，并建立与多样资源的映射，为网络设计提供指导。

4、模型维护挑战
客户的需求和应用环境是不断变化的，正在使用的模型可能无法应对新的需求，因此，AIaaS 系统需要具备维护模型的能力，评估旧模型，生成新模型，更新模型到应用平台上，对系统的新要求导致更大的投入和技术挑战。

5、如何保障用户使用 AI 服务的安全性和隐私性？
网络在引入 AI 服务后，用户对 AI 服务安全性和隐私性上存在不同的需求选项，如何打破传统通信服务中QoS 体系和安全体系分开独立设计的模式，使这种需求的差异性得到更好的满足？

6、网络如何提供可信的 AIaaS，以便于其应用推广？
当前 AI 的可信是 AI 在各行各业应用落地和推广的关键挑战，6G 网络智能普惠也需解决 AI 的可信问题，包括可解释性、鲁棒性、再现性等，还有隐私保护、安全性、透明性、审计与问责、伦理与法律、环保等，但是这些内涵是否都要纳入 6G AIaaS 的范畴？ 6G AIaaS 是否包括其他的可信内涵？ AI 可信对 6G 网络设计会有哪些影响？