АРХИТЕКТУРА AI RAN: ИНТЕГРИРОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СЕТЬ РАДИОДОСТУПА

AI RAN ARCHITECTURE: INTEGRATING ARTIFICIAL INTELLIGENCE INTO A RADIO ACCESS NETWORK

Glagolev Ilya Mikhailovich

Student, Department of Automatic, Telecommunication and Electrical Systems, Far Eastern State University of Railways and Communications,

Russian, Khabarovsk

Popova Alyona Valentinovna

Scientific Supervisor, Senior Lecturer, APEC Faculty, Far Eastern State University of Railways and Communications,

Russian, Khabarovsk

АННОТАЦИЯ

В статье рассматривается технология AI RAN как подход к преодолению системных ограничений традиционных сетей радиодоступа через встраивание искусственного интеллекта в процессы управления, обработки сигналов и совместное использование вычислительных мощностей для RAN-трафика и сторонних ИИ-приложений. На основе анализа зарубежных и российских разработок, включая нейросетевые алгоритмы слепого выравнивания ИПМех РАН, обосновываются перспективы перехода к AI-native архитектуре к 2030-2031 годам.

ABSTRACT

The article discusses AI RAN technology as an approach to overcoming the system limitations of traditional radio access networks through the integration of artificial intelligence into control processes, signal processing, and the sharing of computing power for RAN traffic and third-party AI applications. Based on the analysis of foreign and Russian developments, including neural network algorithms for blind alignment at IPMeh RAS, the prospects for the transition to AI-native architecture by 2030-2031 are substantiated.

Ключевые слова: AI RAN, сеть радиодоступа, искусственный интеллект, Open RAN, виртуализация, автоматизация сети, 6G, нейросетевые алгоритмы.

Keywords: AI RAN, radio access network, artificial intelligence, Open RAN, virtualization, network automation, 6G, neural network algorithms.

Существующая архитектура сетей радиодоступа (RAN) сталкивается с множественными ограничениями. Традиционные решения базируются на закрытом «железе» с жёсткой привязкой к производителю, что затрудняет внедрения обновлений и смены программного обеспечения [4]. Алгоритмы управления и реагирования работают «постфактум», неизбежно ведёт к задержкам и вынужденному занижению скоростей передачи данных для сохранения стабильности соединения [3]. Вычислительные ресурсы в таких системах простаивают в периоды низкой нагрузки, а инструменты мониторинга фрагментированы, что тормозит автоматизацию и увеличивает расходы [1]. В качестве системного решения перечисленных ограничений сегодня рассматривается технология AI RAN.

Интеграция искусственного интеллекта в структуру сети радиодоступа реализуется по трём ключевым направлениям [3]. Первое, «AI-for-RAN», предполагает применение ИИ для повышения эффективности работы сети: управления спектром, энергопотреблением и распределением ресурсов. Второе направление, «AI-and-RAN», обеспечивает совместное использование вычислительных мощностей: один сервер одновременно обрабатывает RAN-трафик и выполняет сторонние ИИ-приложения, повышая загрузку. Третье, «AI-on-RAN», открывает возможности для создания новых сервисов, таких как сдача в аренду периферийных мощностей для инференса больших языковых моделей или обработки данных дополненной реальности.

Аппаратная основа AI RAN строится на принципах виртуализации (vRAN, Open RAN) и универсальных процессорах, где программные компоненты замещают специализированное оборудование. Нейросетевые модели встраиваются непосредственно в тракт обработки сигналов. Их главное преимущество — способность прогнозировать состояние канала на основе исторических данных о трафике и помеховой обстановке. Это позволяет динамически адаптировать схемы модуляции и кодирования, приближая реальную пропускную способность к теоретическому пределу Шеннона [3].

Практические результаты подтверждают перспективность подхода. На MWC 2025 AI RAN стал главной темой [6]. Ericsson, AT&T и Intel продемонстрировал увеличение пропускной способности до 20% при использовании процессоров Xeon 6 SoC. SoftBank адаптировал архитектуру трансформеров для задач RAN: модель с механизмом внимания уложилась в жёсткие временные ограничения (500 мкс) и обеспечила прирост производительности до 29% [6]. China Mobile сократила время восстановления после отказов на 30%, а Verizon добилась снижения энергопотребления на 15% за счёт внедрения ИИ-алгоритмов [1]. Количество участников альянса AI-RAN за год увеличилось до 75, что свидетельствует о высоком уровне отраслевого интереса [6].

Российские исследователи также вносят вклад в развитие технологической базы AI RAN. Сотрудники Института проблем механики РАН под руководством П.Н. Захарова с 2022 года разрабатывают нейросетевые алгоритмы слепого выравнивания сигналов в условиях многолучевого распространения — одной из ключевых задач физического уровня [2]. К 2024 году предложенное решение было реализовано на программируемых логических интегральных схемах (ПЛИС). Согласно опубликованным данным, отклонение алгоритма от предела Шеннона не превышает 0,2 дБ в идеальных каналах и 2,1 дБ — в условиях случайной многолучевости [2].

Аналитики Omdia отмечают, что сценарий «AI-for-RAN» уже демонстрирует практическую эффективность, тогда как совместное использование ресурсов («AI-and-RAN») остаётся технически сложным: существует риск, что выполнение AI-задач будет отнимать вычислительные мощности, необходимые для обслуживания абонентского трафика [6]. Для балансировки нагрузок требуются развитые оркестраторы, такие как разработка SoftBank AITRAS. В NVIDIA видят в этом возможность монетизировать неиспользуемые мощности RAN, предоставляя периферийные ресурсы для инференса LLM, что может стать новым источником дохода для операторов [1].

Nokia планирует первый коммерческий релиз AI RAN на 2027 год [6]. К этому же времени AT&T намерена провести масштабное развёртывание Cloud RAN в своей коммерческой сети. В горизонте 2030–2031 годов, с началом эры сетей 6G, прогнозируется, что объём трафика, генерируемого ИИ-приложениями, может превысить объём традиционного пользовательского трафика. Это потребует окончательного перехода к архитектуре «AI-native», где интеллектуальные алгоритмы станут неотъемлемой частью каждого уровня сетевого стека. Именно в этом направлении сегодня консолидируются усилия игроков телеком-индустрии.

Список литературы:

1. Dell’Oro: стагнация сегмента RAN, ИИ и концентрация рынка [Электронный ресурс] // Irteya: [сайт]. 19.03.2025. – URL: https://irteya.ru/tochka5g/tpost/p58j2nc3l1-delloro-stagnatsiya-segmenta-ran-ii-i-ko (дата обращения: 13.03.2026).
2. Инжиниринг радиоэлектронных систем нового поколения на базе технологий искусственного интеллекта: НИР [Электронный ресурс] // ИСТИНА: Интеллектуальная Система Тематического Исследования НАучно-технической информации (ИПМех РАН). – URL: https://istina.ipmnet.ru/projects/393730817/ (дата обращения: 13.03.2026).
3. Cavazos J. 创新，向6G：人工智能在无线接入网中的应用潜力 [Электронный ресурс] // Microwave Journal China. 22.10.2025. – URL: https://mwjournalchina.com/Detarticle.asp?id=7395 (дата обращения: 14.03.2026).
4. Ayoubi S.S., Isyaku B., Ghaleb M.A. Converging Towards Open Radio Access Networks -- A Comprehensive Review // Journal of Mobile Multimedia. — 2024. — Vol. 20, Issue 1. — P. 175–212.
5. 复盘MWC25系列：RAN与AI融合趋势已定 但争议仍存 [Электронный ресурс] // C114通信网. 24.03.2025. – URL: https://g6gconference.com/index/Details/index.html?id=891 (дата обращения: 14.03.2026).
6. Top 5 factors crippling RAN and 5G operations [Электронный ресурс] // SDxCentral. 30.10.2025. – URL: https://www.sdxcentral.com/marketwatch/top-5-factors-crippling-ran-and-5g-operations/ (дата обращения: 14.03.2026).