报告概述
本报告由NGMN Alliance发布，聚焦AI浪潮对6G系统设计的影响。报告从运营商视角出发，围绕三大维度展开：AI流量对网络的影响、网络如何为AI服务（包括新计费模式、动态组网、增强QoS等）、AI如何赋能网络并推动6G架构演进。报告分析了AI应用带来的流量不确定性和网络需求变化，探讨了6G应具备的超越连接的能力，并提出了针对6G标准化的建议方向。读者可借此理解AI与6G的交互关系及未来网络演进的关键考量。
报告的核心结论
AI流量对网络的影响存在高度不确定性，6G设计需以灵活性为核心原则。
报告指出，尽管AI应用增长迅速，但其对移动网络流量的影响目前仍较小，且未来流量规模和形态难以预测。多模态AI、AR眼镜、自动驾驶等用例可能带来增量上行流量，但实际取决于技术优化、隐私法规和用户采纳。因此6G标准化应优先确保网络能灵活适应各种不可预知的需求，例如支持动态调整上下行比例。
6G应提供超越传统连接的新能力，以高效支持AI及AI Agent。
报告认为，6G不能仅提供连接，还需集成智能编排、动态组网、增强QoS、分布式计算、统一数据框架、信任认证等能力。例如，基于token的灵活计费模型可反映真实资源消耗，动态网络组支持AI Agent临时协作，而端到端数据框架可实现数据与模型的跨域共享。这些能力是6G成为“AI最佳网络”的关键。
AI将深度融入6G各层域，成为网络自动化和智能化的核心使能技术。
报告强调，AI不仅消耗网络资源，更是网络演进的核心使能器。在网络管理层，AI可实现意图驱动管理、自动化运维和智能编排；在核心网，AI可优化资源利用和网络暴露；在RAN，AI可提升空口效率，但需选择性应用并验证实际性能增益。AI的部署需权衡业务价值、复杂性、能耗和成本。
6G架构应以5G SBA为起点，演进引入AI Agent框架和新型通信协议。
报告建议6G核心网延续5G服务化架构（SBA），并在此基础上引入AI Agent框架，支持意图驱动交互、Agent间通信（如MCP、A2A协议）。RAN侧需从单节点AI走向协作式多节点智能集群，并演进RAN-CN接口。标准化工作应重点确保多厂商互操作性，同时避免过早锁定创新空间。
报告回答的关键问题
AI爆发式增长对6G网络流量有何影响？
报告认为，当前AI应用（如文本对话）对流量影响有限，但未来多模态AI、AR眼镜、自动驾驶等用例可能显著改变流量模式，尤其是增加上行流量。然而影响具有高度不确定性，取决于模型优化、本地处理、用户采纳和隐私法规。因此6G设计需具备灵活性以适应不同的流量增长场景。
6G网络需要具备哪些超越连接的能力来支持AI？
报告指出，6G应提供动态智能组网（如临时私有网络）、增强QoS与策略控制、分布式边缘计算、统一数据与模型框架、信任与认证机制，以及弹性资源编排。此外，基于token的灵活计费模型可更公平地反映AI资源消耗。这些能力共同支撑AI Agent的高效协作和新型服务。
AI如何赋能6G网络架构的演进？
报告认为AI将深度集成于RAN、核心网、传输和管理层，实现意图驱动管理、自动化运维、智能编排和能效优化。例如，AI可优化RAN的MAC调度，核心网的数字孪生用于根因分析，管理层的自治操作。但需注意AI引入的复杂性和能耗，建议根据实际价值选择性部署，并保留非AI备选方案。
6G标准化应重点关注哪些AI相关领域？
报告建议标准化组织重点考虑：支持AI的端到端架构、协议和接口；允许AI服务显式表达QoS和计算需求；适应流量模式变化的灵活性；基于价值驱动的AI用例演进5G SBA；支持Agent-to-Agent和Agent-to-Network通信；建立多厂商多Agent的互操作与信任框架；重用或增强A2A、MCP等AI接口。
完整报告包含什么
- 详细分析AI流量对网络的影响，包括多模态应用、AI设备用例、地理与设备密度导致的流量激增，以及下行高峰期反转的潜在趋势。
- 探讨网络为AI服务的六大关键设计：基于token的灵活计费模型、动态组网、增强QoS、边缘计算、统一数据框架、信任与认证。
- 深入解析AI赋能网络的架构演进，涵盖管理层（意图驱动、自动化、智能编排）、核心网（网络暴露、数字孪生）和RAN（选择性AI应用、端到端模型共享）。
- 关键挑战与考量：AI在RAN中的性能验证、负责任AI、成本与可持续性、非AI备选支持、显式AI服务需求、与遗留系统互操作以及技术变化速度。
- 6G网络架构演进的具体建议：以5G SBA为起点，引入AI Agent框架、MCP协议、意图驱动接口，以及RAN-CN接口的QUIC等新传输协议。
- 多厂商部署标准化建议：研究AI Agent通信协议是否应正式标准化，或借鉴Kubernetes等事实标准，同时确保互操作性。
- 推荐的标准化重点领域清单，包括端到端AI支持、适应性网络、agent通信框架、安全互操作框架等。
- 完整参考列表（包含NGMN、ITU、Ericsson等来源）和缩略语表。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
