Ai4
AT&T正通过SMO编排中枢与自研网络基础模型重塑无线接入网,以开放软件生态提升频谱效率并深化节能,从而延缓重资产投资并为6G演进铺路。
AI-assisted summary of Fireside Chat with Adam Loddeke, AT&T and David Valdez, CTIA — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由频道 Ai4 于 2025 年 8 月 29 日在 YouTube 平台发布。视频记录了 AT&T 无线接入网技术助理副总裁 Adam Loddeke 与 CTIA 隐私及网络安全政策副总裁 David Valdez 的炉边对话,重点探讨了 AT&T 如何推进其 RAN(无线接入网)基础设施向 AI 原生演进、当前的投资时机,以及从异常检测到链路自适应等关键 AI 用例的落地实践。
## TL;DR 对话中,Adam Loddeke 拆解了从传统基站到基于 COTS 通用服务器与云化架构的 RAN 演进历程,并阐述了 AI 在网络规划(Day 0)、部署(Day 1)及运维(Day 2)三大生命周期中的商业价值与频谱效率提升。他强调电信关键基础设施必须坚持“安全自动化”以防止多智能体冲突死循环,并指出 AI 应作为务实工具而非万能药。此外,Adam 深入介绍了 AT&T 提前布局 6G 的两大核心工程——Cloud RAN 与包含 Non-RT RIC 的集中式 SMO 架构,并分享了与 Aira Technologies 的生态合作以及利用网络基础模型(Network Foundation Model)持续升级基站能效优化的实战经验。
## Atmosphere & style 整场炉边对话展现出专业、务实且极具前瞻性的技术研讨氛围。主持人提问精准聚焦产业核心痛点,而 Adam 的回答则深入浅出,既能用生动的物理机房图景与天线上倾/下倾冲突案例化解复杂通信概念,又能站在运营商顶层架构的高度给出冷静克制的判断。两位专家的互动节奏明快、默契融洽,观众不仅能切身感受到顶级电信巨头在推进架构变革时的严谨与魄力,也能体会到面对未来 6G 与网络大模型演进时的探索热情。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=dh4lOZp400k&t=4s) RAN(无线接入网)计算架构正经历从封闭专有硬件向基于通用 COTS 服务器和云基础设施的开放化转型。 - [02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) AI-RAN 是网络机器学习长期演进的延续,核心目标聚焦于网络性能优化、端到端自动化以及日常运维的极致简化。 - [02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) AI 在无线网络中划分为 Day 0(规划)、Day 1(部署)和 Day 2(运维)三大生命周期阶段,当前绝大多数落地用例集中在 Day 2 阶段。 - [02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) AI 赋能 RAN 的四大商业价值衡量标准包括直接削减运营成本、延缓/规避资本支出、降低用户流失率以及开拓全新增收机会。 - [02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) 提升频谱效率(Spectral Efficiency)是运营商的核心抓手,能显著延缓在数万基站加装硬件的高昂资本支出,优化投资节奏。 - [06:51](https://www.youtube.com/watch?v=dh4lOZp400k&t=411s) 关键电信网络对“五个九”可用性的要求极高,AI 引入必须建立“安全自动化”防护边界(Guardrails),防止不同应用产生对抗冲突与震荡死循环。 - [08:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=511s) AI 只是工程工具箱中的一种工具,应审慎评估落地场景,避免过度复杂的算法设计导致一线运维团队难以快速排障和定位根因。 - [09:48](https://www.youtube.com/watch?v=dh4lOZp400k&t=588s) 6G 预计将于 2030 年前后落地,AT&T 正通过 Cloud RAN 与 SMO(服务管理与编排)两大核心工程提前 3 至 5 年完成基础架构储备。 - [09:48](https://www.youtube.com/watch?v=dh4lOZp400k&t=588s) SMO 架构采用分层闭环设计:集中层负责反应延迟约 1 秒的非实时策略,极低时延实时闭环则直接下沉至 Far Edge 远端边缘层协作。 - [13:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=811s) 通过 SMO 和 Non-RT RIC 开放架构,运营商可打破传统主设备商封闭生态,引入如 Aira Technologies 等初创公司快速开发与验证 rApps 微服务应用。 - [15:44](https://www.youtube.com/watch?v=dh4lOZp400k&t=944s) 针对电信网络特有的海量结构化表格数据(Tabular Data),AT&T 研发了专属网络基础模型(Network Foundation Model),推动 AI 成为底层通用能力。 - [15:44](https://www.youtube.com/watch?v=dh4lOZp400k&t=944s) 基站能效优化的实践表明,将网络基础模型叠加至成熟深度学习算法之上能够实现二次能效飞跃,凸显持续迭代算法架构的长期红利。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=dh4lOZp400k&t=4s) 开场介绍与 RAN(无线接入网)的基础架构解构
活动由代表无线通信产业组织 CTIA 的 David Valdez 主持开场,随后邀请 AT&T 新兴无线接入网技术与网络管理团队负责人 Adam Loddeke 进行自我介绍。Adam 阐述了自己的职责范围,他主要聚焦于未来两年及以上的下一代新技术研发与应用场景落地,团队一部分侧重前沿技术研究,另一部分则专注于推动这些未来场景的商业化与网络实现。
为了让非专业背景的听众统一认知基准,Adam 对 RAN(Radio Access Network,无线接入网)的基础概念进行了直观普及。手机(UE 终端)通过运营商管理的无线频谱与蜂窝基站进行空中接口通信。整个网络由分布在各地的成千上万个基站铁塔组成。基站的物理形态通常是:塔顶安装有天线和射频单元(Radio),光纤线路从塔顶垂直到塔底的机房/机柜中,机房内配备有计算单元。过去这些计算单元多为专有定制硬件,而现在正向开放化演进,逐渐被运行在云基础设施层和 RAN 应用程序上的通用 COTS(商用现货)服务器所替代。从机房一直延伸到用户终端这一整段,即构成了团队核心聚焦的 RAN 范畴,其后则是传输网与核心网部分。
```mermaid flowchart LR accTitle: 无线接入网(RAN)基础物理与架构分层 subgraph UE_Layer["终端层"] UE["用户设备 (UE / 手机)"] end
subgraph Tower_Layer["基站塔顶"] Antenna["天线 (Antennas)"] Radio["射频单元 (Radios)"] end
subgraph Base_Layer["塔底机房 (Shelter)"] Fiber["光纤直连 (Fiber)"] Compute["COTS 通用服务器 / 云基础设施"] end
subgraph Core_Layer["后端网络"] Transport["传输网 (Transport)"] CoreNet["核心网 (Core Network)"] end
UE <-->|"空中接口 (无线频谱)"| Antenna Antenna --- Radio Radio --- Fiber Fiber --- Compute Compute --> Transport --> CoreNet ```
---
[02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) AI 与 RAN 的演进关系及三大生命周期应用阶段
谈及 AI 原生(AI-Native)无线接入网基础设施的设计时,Adam 指出当前的 "AI-RAN" 本质上是网络中机器学习(ML)技术长期演进的延续。早期网络中部署的 AI 更多是基于决策树和规则的初级系统,随后逐步演变为更高级的深度学习能力。在网络中引入 AI 的核心目的在于:网络性能优化、赋能全流程自动化,以及大幅精简网络日常运维。
```mermaid flowchart TD accTitle: RAN 生命周期三大应用阶段与商业价值分类 subgraph Lifecycle["RAN 生命周期阶段"] D0["Day 0:规划阶段<br/>• 流量预测<br/>• 基站规划与网络设计<br/>• 生成式 AI 辅助工程与项目管理"] D1["Day 1:部署阶段<br/>• 新基站/小区自动配置<br/>• 开局与部署流程精简"] D2["Day 2:日常运营与维护<br/>• 节能调度优化<br/>• 流量智能调度<br/>• 故障自愈与中断补偿"] end
subgraph Business["四大商业驱动力"] B1["成本削减 (Cost Savings)"] B2["成本延缓与规避 (Cost Deferral)"] B3["改善体验降低流失 (Churn Reduction)"] B4["新业务增收机会 (Revenue Generation)"] end
D0 --> Business D1 --> Business D2 --> Business ```
Adam 将 AI 在无线网络中的应用全面细分为三大生命周期阶段(Day 0、Day 1、Day 2)与四大商业价值维度:
- **Day 0(规划阶段)**:聚焦于中长期网络容量规划。利用机器学习模型进行流量预测、基站选址设计,甚至引入生成式 AI(Generative AI)来协助工程师和项目经理自动化梳理规划流程。 - **Day 1(部署阶段)**:着重于网络资产的入网部署,通过自动化手段实现新站点与新小区的零接触或一键式配置上线。 - **Day 2(运维阶段)**:承载了当前绝大多数的 AI 实际用例,包括基站能效动态调节(节能关断)、智能流量导流(Traffic Steering)、基站突发故障时的网络自愈与覆盖补偿等。 - **价值归类维度**:所有应用均被纳入四类商业目标衡量——直接削减运营成本(Cost Savings)、延缓或规避资本支出(Cost Deferral/Avoidance)、通过提升网络体验减少用户流失(Churn Reduction),以及开拓全新的业务收入来源(Revenue Generation)。 - **频谱效率的核心地位**:在所有方向中,Adam 最为关注的是**提升频谱效率(Spectral Efficiency)**。无线频谱的竞拍购置是运营商最高昂的支出之一,且每引入一段频谱都需要在全网数万个站点进行大规模硬件加装与升级。通过 AI 提升现有频谱的使用效率,虽然无法彻底消除未来的资本投入,但能够显著延缓大规模扩容投资,将其平滑推迟到预算更可控的时间节点。
---
[06:51](https://www.youtube.com/watch?v=dh4lOZp400k&t=411s) 关键基础设施的升级挑战:“安全自动化”与防死循环
电信网络作为承载社会运行的关键基础设施,必须严格维持“五个九”(99.999%)的高可用性。因此在网络中引入任何 AI 或自动化能力时,核心红线是确保“安全自动化(Safe Automation)”,设置严密的防护边界(Guardrails),精确评估每一项自动化操作的影响。
Adam 举了一个生动的反面场景:如果网络中缺乏全局协调机制,一个应用因为检测到下行阻塞为了性能优化而执行天线下倾(Down-tilt),而另一个以扩大覆盖为目标的优化应用同时感知到信号不足并执行天线上倾(Up-tilt),两者就会陷入无休止的“一下一上”对抗震荡与死循环(Endless Loop)。这不仅无法优化网络,还会引发区域性能劣化甚至网络瘫痪。因此,所有多智能体或自动化控制必须具备统一策略仲裁,杜绝造成用户体验下降或非预期中断。
- 关键基础设施的核心考量:在保障业务不中断的前提下实现 AI 算法与硬件架构的平滑迭代。 - 安全防护机制(Guardrails):避免不同控制算法在并发运行时出现目标冲突与震荡死循环。
---
[08:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=511s) AI 落地通信网络的经验与务实哲学
在总结给其他行业部署 AI 的经验教训时,Adam 将 AI 定义为“工具箱中的一种工具”。尽管 AI 热度极高且潜力巨大,但绝不是包治百病的灵丹妙药,企业应当克制且审慎地评估使用场景。
Adam 强调,并非网络中的所有问题都需要套用复杂的算法模型来解决。有时人为把系统设计得过于复杂,反而会导致下游的一线网络运维和排障团队在出现故障时难以定位根因、无法快速恢复服务。因此,最聪明的做法是明确业务边界,仅在最能产生实际效能的场景中合理部署 AI,兼顾系统健壮性与可维护性。
[09:48](https://www.youtube.com/watch?v=dh4lOZp400k&t=588s) 5G 与 6G 的演进对比及 AT&T 的两大核心网络工程
面对主持人关于 6G、元宇宙应用及政府关键任务用例的提问,Adam Loddeke 首先向现场观众通俗地梳理了 5G 与 6G 的代际差异与时间线。5G 是如今大众手机上广泛使用的网络,已经规模部署了大约五到六年;而 6G 预计要到 2030 年左右(可能在 2028 至 2032 年浮动)才会初现端倪,目前甚至尚未进入正式标准制定阶段。每一次移动通信代际更迭,都伴随着更宽的频谱带宽、更快的数据传输速率以及全新的应用场景需求。
为了提前 3 至 5 年为 6G 奠定坚实基础,Adam 透露他目前跳脱出平时“着眼未来两年”的常规研发角色,全身心投入推进两项重大基础设施战略工程: 1. **Cloud RAN(云化无线接入网)**:将开放(Open RAN)与虚拟化(vRAN)架构大规模引入并扩展至 AT&T 的商用网络中。 2. **SMO 架构(服务管理与编排)**:构建全网的管理与编排中枢,其核心包含非实时无线智能控制器(Non-Real-Time RIC),可运行各类优化应用(rApps),同时具备强大的工作流编排引擎和全网数据使能管理能力。
```mermaid flowchart TD accTitle: AT&T RAN 架构与 AI 闭环部署分层示意图 subgraph SMO_Layer ["SMO 集中层 (全美 8-12 个核心节点)"] SMO["SMO 平台 / Non-RT RIC"] rApps["rApps (异常检测 / 能效优化)"] NFM["网络基础大模型 (Network Foundation Model)"] SMO --- rApps SMO --- NFM end
subgraph Edge_Layer ["远端边缘层 (Far Edge / 站点基站)"] CloudRAN["Cloud RAN 节点 (vCU / vDU)"] NearRT["Near-RT / 实时闭环引擎"] ComputeMix["弹性算力: CPU (轻量) / GPU (重载训练)"] CloudRAN --- NearRT CloudRAN --- ComputeMix end
SMO_Layer -- "非实时闭环控制 (延迟 ~1s)" --> Edge_Layer Edge_Layer -- "表格化网络指标与遥测数据" --> SMO_Layer ```
- **部署周期预估**:5G 历经约 5-6 年规模应用,6G 预计在 2030 年前后落地(范围约 2028-2032 年)。 - **SMO 节点布局**:全美预计建设 8 到 12 个集中式 SMO 部署点,负责处理非实时闭环策略,端到端反应延迟可压低至 1 秒以内,足以敏捷应对全网性能调整。 - **边缘层设计**:极低时延的实时闭环用例则直接下沉至远端边缘(Far Edge),与 Cloud RAN 节点原生协作运行。 - **算力弹性配置**:轻量级推断以标准通用 CPU 为主;涉及大模型处理或复杂在线训练时,按需在网络特定节点灵活挂载 GPU。
---
[13:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=811s) 打破电信封闭生态:与 Aira Technologies 的 rApp 合作创新
针对电信行业长期以来相对封闭的技术生态,Adam 指出 AT&T 正致力于通过引入开放架构逐步破局。构建 SMO 的核心战略目标之一,就是让第三方创新开发者和初创公司能够直接在电信网络之上开发、部署和测试微服务化应用程序(rApps),打破以往单纯依赖传统 RAN 设备主设备商或仅靠运营商内部自研的局限。
在具体生态合作上,Adam 举例介绍了 AT&T 与来自硅谷的创新企业 Aira Technologies 的深度合作。双方目前正基于 Non-RT RIC 展开两个关键应用方向的联合验证: - **异常检测(Anomaly Detection)rApp**:利用 AI 自动识别并诊断无线接入网中的隐蔽故障与流量突变。 - **代码自动生成(Code Generation)用例**:通过生成式 AI 技术辅助自动化生成 rApp 的逻辑代码与部署配置,进一步缩减开发迭代周期。
AT&T 现网中虽然已稳定运行着名为 **Midas** 的自研智能化管控平台(集成了基于规则的系统、传统机器学习以及深度学习模型),同时也运行着部分第三方商业套件,但未来的方向是建立标准化应用试验机制:让外部厂商进场快速试点验证,评估商业与网络收益,加速推动整个无线产业向开放软件生态演进。
---
[15:44](https://www.youtube.com/watch?v=dh4lOZp400k&t=944s) 无处不在的 AI:网络基础模型与能效优化实战演进
在谈及未来几年在现有庞大存量(Legacy)与新型网络中落地 AI 的挑战与前景时,Adam 强调 AT&T 的核心理念是将 AI 打造为一种“无处不在”(ubiquitous)的网络底层能力。通信网络中的绝大部分遥测数据与性能指标都是以数值点、统计日志为主的结构化表格数据(Tabular Data)。针对这一特征,AT&T 自主构建了专门面向通信域的**网络基础模型(Network Foundation Model)**。
Adam 分享了一个极具代表性的能效优化(Energy Efficiency)演进实例: - **第一阶段(传统深度学习)**:此前网络中部署的深度学习节能 rApp 已经通过精准关断低负载载波等手段,为 AT&T 带来了非常显著的电力消耗与运营成本节省。 - **第二阶段(网络基础模型赋能)**:将新型网络基础模型与原有的机器学习算法结合后,系统的预测精度与决策效率进一步提升,实现了比上一代方案更为出色的二次能效提升。
正如 Adam 总结所言:“曾经做过的优化,并不意味着未来不能做得更好。”面对不断演进的机器学习算法与日新月异的硬件计算架构,电信运营商必须保持高度的架构灵活性,勇于拥抱新技术并积极探索未知的网络智能化红利。会谈在主持人的致谢与全场掌声中圆满收尾。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=dh4lOZp400k&t=4s) 团队一部分侧重前沿技术研究,另一部分则专注于推动这些未来场景的商业化与网络实现。 — Adam Loddeke
> [02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) 当前的“AI-RAN”本质上是网络中机器学习(ML)技术长期演进的延续。 — Adam Loddeke
> [02:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=151s) 通过 AI 提升现有频谱的使用效率,虽然无法彻底消除未来的资本投入,但能够显著延缓大规模扩容投资,将其平滑推迟到预算更可控的时间节点。 — Adam Loddeke
> [06:51](https://www.youtube.com/watch?v=dh4lOZp400k&t=411s) 在网络中引入任何 AI 或自动化能力时,核心红线是确保“安全自动化(Safe Automation)”,设置严密的防护边界(Guardrails),精确评估每一项自动化操作的影响。 — Adam Loddeke
> [06:51](https://www.youtube.com/watch?v=dh4lOZp400k&t=411s) 如果网络中缺乏全局协调机制,一个应用因为检测到下行阻塞为了性能优化而执行天线下倾(Down-tilt),而另一个以扩大覆盖为目标的优化应用同时感知到信号不足并执行天线上倾(Up-tilt),两者就会陷入无休止的“一下一上”对抗震荡与死循环(Endless Loop)。 — Adam Loddeke
> [08:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=511s) 将 AI 定义为“工具箱中的一种工具”。尽管 AI 热度极高且潜力巨大,但绝不是包治百病的灵丹妙药,企业应当克制且审慎地评估使用场景。 — Adam Loddeke
> [08:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=511s) 并非网络中的所有问题都需要套用复杂的算法模型来解决。有时人为把系统设计得过于复杂,反而会导致下游的一线网络运维和排障团队在出现故障时难以定位根因、无法快速恢复服务。 — Adam Loddeke
> [13:31](https://www.youtube.com/watch?v=dh4lOZp400k&t=811s) 构建 SMO 的核心战略目标之一,就是让第三方创新开发者和初创公司能够直接在电信网络之上开发、部署和测试微服务化应用程序(rApps),打破以往单纯依赖传统 RAN 设备主设备商或仅靠运营商内部自研的局限。 — Adam Loddeke
> [15:44](https://www.youtube.com/watch?v=dh4lOZp400k&t=944s) AT&T 的核心理念是将 AI 打造为一种“无处不在”(ubiquitous)的网络底层能力。 — Adam Loddeke
> [15:44](https://www.youtube.com/watch?v=dh4lOZp400k&t=944s) 曾经做过的优化,并不意味着未来不能做得更好。 — Adam Loddeke
## Mentioned Adam Loddeke, David Valdez, AT&T, CTIA, Aira Technologies, Midas, Cloud RAN, Open RAN, vRAN, SMO (Service Management and Orchestration), Non-Real-Time RIC, rApps, 5G, 6G, Network Foundation Model (网络基础大模型)
## Video description Adam Loddeke, AVP - RAN Technology, AT&T David Valdez, Vice President, Privacy & Cybersecurity Policy, CTIA
Abstract
How is AT&T evolving its RAN (Radio Access Network) infrastructure to support AI-native capabilities, and why is now the right time to invest in this transformation?
What are the most promising AI use cases in RAN today—from anomaly detection to link adaptation—and how are they being operationalized?
[Source](https://www.youtube.com/watch?v=dh4lOZp400k)