人工智能（AI）正逐步渗透至各类通信网络之中，引领通信行业步入一场前所未有的变革。AI技术的飞速发展，使其在通信系统设计、优化及自动化方面的作用愈发凸显，对地面网络（TN）与非地面网络（NTN）均产生了深远影响。
地面网络，作为传统地基基础设施的集合，支撑着全球的通信连接。而非地面网络，则通过卫星系统、高空平台及无人机系统，将通信能力拓展至偏远及服务不足区域。这两大网络共同构建了一个全面的通信生态系统，旨在各类环境中实现无缝连接。
AI在优化这些网络时展现出了巨大潜力，有效应对了资源分配、动态流量管理、干扰抑制及安全威胁等挑战。对于非地面网络，AI的引入增强了其在卫星移动、大气干扰等快速变化条件下的自适应网络规划能力。而在地面网络中，AI则助力实现了高效运营、稳健的故障管理以及更优的用户体验。这一融合对于6G及后续网络的演进至关重要，有助于推动全球无缝通信及物联网的扩展。
在连接需求激增、连接设备数量猛增以及现代网络复杂性提升的背景下，AI正重塑通信格局。通过先进的机器学习算法、数据分析及自动化技术，AI在多个方面发挥着关键作用。例如，AI可实现复杂操作的自动化，用智能自动化替代传统人工流程，实现网络的自管理和动态自调整，从而减少人为错误并提高运营效率。自优化网络（SON）能够根据实时网络条件自主调整参数，包括信号强度、频率分配和路由路径。
AI还增强了网络的可扩展性，能够动态适应网络需求的不断增长，确保在设备数量和数据量持续增加的情况下，网络性能依然流畅稳定。AI利用预测分析预测网络使用趋势，并主动扩展资源，以满足不断增长的需求。
边缘AI是另一大亮点。边缘计算，特别是多接入边缘计算（MEC），通过让数据处理更靠近终端用户，降低了延迟并减少了网络拥塞。这使得自动驾驶汽车、机器人等延迟关键应用能够充分利用5G能力。AI已成为边缘计算的关键驱动力，实现了关键应用的快速数据处理和实时决策，包括机器控制、远程手术及AI辅助驾驶等。边缘AI通过在本地分析敏感数据，改善了用户体验，增强了安全性，并降低了对集中式云存储的依赖。
卫星与AI的结合也带来了显著变革。卫星通信生态系统正经历由尖端技术推动的重大转型。传统卫星通信系统严重依赖人类专业知识和人工操作，这增加了运营支出并带来了延迟。同时，现代太空场景中无线电环境的快速演进需要超越人工限制的自适应机制。未来卫星通信将支持日益多样化的应用和服务，产生海量数据。为应对这些挑战，卫星必须具备自主处理数据并做出可靠、独立决策的能力。
AI在卫星通信中的应用，通过波束成形优化、移动性管理、能效提升及高级流量分析等方式，进一步提升了卫星的性能。AI能够动态调整卫星波束，最大化覆盖范围，增强信号质量并降低干扰。同时，AI通过智能管理地面和卫星网络之间的切换，确保了无缝不间断连接。AI驱动的优化还能够最小化卫星运营的功耗，有助于维持长期可持续性并显著降低运营成本。
在地面网络与非地面网络中集成AI，为物联网、智慧城市及自主系统等新兴技术的发展应用奠定了坚实基础。AI与无线接入网（RAN）、核心网及边缘设备等网络组件的融合，推动了网络的智能化发展。
在RAN中，AI利用RAN生成的大量数据实时做出智能决策，使网络具备自组织、自优化和自修复能力。这对于管理动态网络条件尤为重要。AI在云RAN（C-RAN）中的应用，通过智能资源管理和预测性维护，优化了网络运行并提高了性能。而在开放式RAN（O-RAN）中，AI通过干扰抑制及自动化、AI驱动的集成和决策等，提高了网络性能并降低了运营成本。
在核心网中，AI通过网络数据分析功能（NWDAF）收集、分析和解释网络数据，增强了核心网环境的性能和效率。生成式AI和联邦学习等技术的应用，进一步提升了核心网的智能化水平。生成式AI通过提供基于情境感知的响应、预测和解决方案，突破了传统分析的局限。而联邦学习则在不共享原始数据的情况下，实现了跨设备或网络的协同模型训练，有效应对了数据隐私、延迟和可扩展性等挑战。
AI驱动的端到端网络优化，涵盖了从规划、设计到实时管理和优化的整个通信网络生命周期。这些解决方案利用AI技术实现流程自动化、优化资源分配并提高网络中各部分的服务质量。然而，在实施端到端AI驱动的网络优化时，也面临着一系列挑战，包括跨多个网络层集成AI的复杂性、实时处理的难度以及不同技术之间的兼容性等。
AI在终端设备中的应用同样引人注目。通过集成AI，终端用户设备的功能性、用户体验及连接能力得到了显著增强。例如，AI驱动的工具提高了手机、笔记本电脑等设备的工作效能，实现了无缝视频会议并通过基于行为的威胁检测增强了安全性。在联网车辆中，AI通过处理传感器数据进行导航、交通分析和车联网通信，支持了自动驾驶并确保了车辆的安全高效运行。
尽管AI在地面网络与非地面网络中的集成带来了诸多机遇，但也伴随着一系列挑战。这些挑战涵盖技术、监管、安全和操作领域，需要确保AI系统的公平性、透明性和可问责性。随着AI在网络管理和服务交付中的作用日益关键，解决数据隐私、安全风险等问题并确保可信、可解释且符合伦理的AI部署变得至关重要。
数据隐私与安全是首要挑战。AI模型依赖大量数据集进行训练并实现有效决策和优化，但收集和处理这些数据引发了重大隐私问题、监管限制和网络安全风险。联邦学习为解决这些问题提供了一种有前景的解决方案，它支持在不集中存储数据的情况下进行AI训练，可在保护隐私的同时遵守数据共享限制法规。
AI驱动的无线网络攻击也是一大威胁。恶意行为者可以利用AI发起复杂攻击，如智能干扰、欺骗和窃听。因此，需要采取有效措施加强网络安全防护。
可信、可解释且符合伦理的AI部署同样重要。AI模型通常作为复杂“黑箱”运行，这使得网络运营商难以解读决策、诊断故障或确保符合法规。通过可解释AI技术，可以实现对AI模型运行方式的透明认知，增强利益相关方对AI行为的信任。
标准化与互操作性也是关键。需要制定全球标准，确保跨多供应商生态系统的无缝集成、兼容性和协作，促进创新并提升成本效益。互操作性使AI驱动的电信网络能够跨不同基础设施、设备和服务提供商运行，确保性能一致性和可扩展性。
随着AI技术的不断发展，其在通信网络中的作用预计将持续增长。未来的AI驱动网络将不仅优化性能，还将催生具备自学习、自主运行和高度自适应性的通信系统，以应对下一代连接的复杂性。硬件解决方案的创新，如神经形态计算、量子计算和专用集成电路（ASIC）等，将进一步提升AI在通信网络中的处理能力。同时，AI将深度嵌入6G网络架构核心，推动6G及后续技术的颠覆性变革。
