📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 9周: 🤖 AI-native Network：RAN × Core × NTN 的智慧大腦
未來 6G 的核心章節
81／150單元： AI-driven RAN 🧠 基地台自己變聰明：6G 時代的智慧 RAN
________________________________________
🎯 單元導讀
在 5G 時代，基地台（gNodeB）仍然是「規則式、表格式」的排程機器：
✔ 固定參數
✔ 固定調變選擇
✔ 固定 PRB 分配
✔ 固定 beam pattern
✔ 固定 HARQ retransmit policy
但是 6G 時代，流量形態複雜到 人類無法再手動設定參數：
• Massive MIMO → 上百天線
• 波束 × 子載波 × 使用者數 → 超過百萬組合
• URLLC × eMBB × mMTC → 需求衝突
• LEO × NTN → delay/動態性太高
• City-scale Mobility → 時變通道難以預測
結論是：
⭐ 未來的基地台（RAN）一定要靠 AI 自己動態調整。
⭐ 6G 的 RAN 核心是 AI—not RF engineer。
本單元會帶你理解：
• 什麼是 AI-native RAN？
• AI 能替代哪些傳統演算法？
• 哪些場景 Only AI can solve？
• Massive MIMO、Beamforming、PRB 分配怎麼 AI 化？
• LEO / NTN 為什麼一定要 AI 才能運作？
一句話：
AI 將讓基地台從「規則式」變成「大腦式」。
________________________________________
🧠 一、AI-native RAN 是什麼？一句話版
⭐ 用 ML / DL 動態學習 RAN 的最佳配置，使基地台能自我優化（Self-Optimization），甚至自我調整（Self-Evolving）。
與傳統 RAN 的核心差別
1、決策邏輯層（Decision Logic）
• 排程（Scheduling）
o 傳統 RAN：Rule-based（人工設計規則）
o AI-native RAN：AI policy（學習型決策策略）
• MCS 選擇（調變與編碼）
o 傳統 RAN：固定查表（CQI → MCS table）
o AI-native RAN：AI 依通道與歷史行為自動估計
________________________________________
2、實體層與空間控制（PHY / Spatial Control）
• Beamforming
o 傳統 RAN：有限 Codebook 搜尋
o AI-native RAN：連續空間 AI search（近似最優解）
________________________________________
3、移動性與連線管理（Mobility Management）
• Mobility / Handover
o 傳統 RAN：A3 / A5 事件觸發
o AI-native RAN：Mobility prediction（預測式切換）
• LEO / NTN Handover
o 傳統 RAN：幾何與軌道計算
o AI-native RAN：RL-based switching（多目標最佳化）
________________________________________
4、網路資源與負載管理（Resource & Load）
• Load Balancing
o 傳統 RAN：固定門檻觸發
⭐ 是基地台的「核心大腦」。
________________________________________
🧠 二、RAN 中最需要 AI 的四大模組
________________________________________
⭐（1）AI Channel Prediction（通道預測）
通道是時變的：h(t,f)
LEO、車速、室內反射……
→ 傳統 Kalman 很難處理高度非線性
AI 用：
• RNN / LSTM
• Transformer
• Graph Neural Network
• CNN（時間-頻率平面）
目的：提前預測下一個 slot 的 CSI。
📌 成果：
延遲降低、beam 更準、調變更接近最佳點。
________________________________________
⭐（2）AI Scheduler（AI 排程器）
RAN 的排程是 NP-hard（非多項式時間可解）問題，涉及同時最佳化：
• PRB 分配（Physical Resource Block，實體資源區塊配置）
• MCS（Modulation and Coding Scheme，調變與編碼配置）
• Power（發射功率控制）
• Spatial Layer（空間層數／MIMO 傳輸層配置）
• HARQ（Hybrid Automatic Repeat reQuest，混合式自動重傳機制）
• Buffer（佇列／緩衝區狀態管理）
• URLLC / eMBB / mMTC 混合（不同服務等級的 QoS 同時滿足）
→ 在高維度、強耦合的限制條件下，人類撰寫的規則式排程永遠只能得到次最佳（suboptimal）解。
AI Scheduler 使用：
• Reinforcement Learning（強化學習）
• Multi-Agent RL（多代理強化學習）
• Graph RL（圖結構強化學習）
• Deep Q Network, DQN（深度 Q 網路）
目標：
✔ 最大化 throughput
✔ 保證 URLLC latency
✔ 降低 eMBB jitter
✔ 避免 ρ → 1
________________________________________
⭐（3）AI Beamforming（AI 波束）
傳統 beamforming 用 codebook（有限方向）。
AI 則可在連續角度空間搜尋最佳波束。
技術包含：
• Neural Beam Search
• Autoencoder-based Beam Prediction
• Angle-of-Arrival Prediction
• Location × CSI × Mobility fusion
結果：
✔ 波束選擇更快
✔ 強化 cell-edge SNR
✔ 適合 LEO、高速行駛場景
________________________________________
⭐（4）AI Load & Traffic Forecasting
基地台壅塞通常不是平均，而是 burst。
排隊延遲 Wq 會突然爆炸（上一章的 queue 理論）。
AI 可以提前預測：
• λ(t)（到達率）
• 連續 1 分鐘內的 burst
• 熱區 / 冷區 mobility
• TCP traffic pattern
AI-driven traffic prediction →
能提前動態切片、調資源、避免壅塞。
________________________________________
🧠 三、AI-native RAN 的三大關鍵能力
________________________________________
⭐（1）Self-Configuration（自我配置）
剛建置時：
✔ 小區參數
✔ transmit power
✔ neighbor list
✔ CSI-RS density
→ 由 AI 自動學習最佳配置。
________________________________________
⭐（2）Self-Optimization（自我優化）
運作中自動調整：
✔ beam pattern
✔ PRB
✔ HARQ policy
✔ mobility threshold
✔ load distribution
傳統 SON（Self-Organizing Network）是規則式；
AI-native SON 是動態學習。
________________________________________
⭐（3）Self-Healing（自我修復）
AI 監控：
• RSRP / SINR 異常
• throughput 急降
• ρ 變動異常
• backhaul congestion
• 反射與多徑模式改變
能自動調整 beam、功率、handover、切片。
一句話：
⭐ AI-native RAN = 自己會調整 × 自己會學習 × 自己會修復。
________________________________________
🛰 四、為什麼 LEO / NTN 比地面 RAN 更需要 AI？
LEO 的特色：
• 衛星高速移動（7.5 km/s）
• Beam footprint 不斷變動
• Link 時好時壞（雨衰、多徑、遮蔽）
• Doppler 非常巨大
• Gateway switching 頻繁
傳統 rule-based control 完全無法處理。
AI 在 NTN 的用途：
✔ 預測 LEO beam cover
✔ 預測 Doppler shift
✔ 預測衛星 handover
✔ 無 CSI 時做 AI Beam Search
✔ 在極低 SNR 下做 AI 解調
一句話：
⭐ LEO × AI-native RAN = 必然組合，不是可選項。
________________________________________
🧠 五、ASCII 圖：AI-native RAN 架構
┌───────────────┐
│ Cloud AI │
│ (Train / RL) │
└───────▲───────┘
│ Model / Policy
│
┌────────┐ Metrics ┌────────────┐
│ UE │────────────▶ │ AI-native │
│Device │◀──────────── │ gNB │
└────────┘ Scheduling │ AI Policy │
│ Engine │
└────▲──────┘
│
┌──────┴──────┐
│ PHY / MAC / │
│ Scheduler │
└─────────────┘
這張 AI-native RAN 架構示意圖說明：基地台 AI-native gNB 內建 AI Policy Engine，即時接收來自 UE 的量測資訊（CSI、SINR、流量狀態），並將其轉化為排程、MCS、Beamforming 與行動性等決策，直接驅動 PHY / MAC / Scheduler。雲端 Cloud AI 則負責長時間尺度的模型訓練與強化學習，將更新後的策略下發至基地台，形成「雲端學習、邊緣即時決策」的閉環，使 RAN 從規則導向系統進化為可持續學習的網路。
________________________________________
🧩 六、模擬題
________________________________________
1️⃣ 專業題：為什麼 Massive MIMO 必須導入 AI Beamforming？
📦 答：
因為 codebook 不足以搜尋 64～256 天線的連續方向空間，
AI 能預測最佳波束，降低搜尋延遲並提升 SNR。
________________________________________
2️⃣ 應用題：為什麼 AI Scheduler 比 rule-based 更強？
📦 答：
排程是 NP-hard，AI 能同時考慮 PRB、channel、QoS、buffer 等多維度，
rule-based 無法動態找到最佳解。
________________________________________
3️⃣ 情境題：為什麼 LEO 通訊比地面更需要 AI？
A. LEO 太便宜
B. LEO 太穩定
C. LEO 時變性極高，需要 AI 預測通道 ✔
D. LEO 都是 MIMO-OFDM，不需要 AI
👉 LEO 衛星具高速移動、可見時間短與通道快速變化等特性，需仰賴 AI 進行通道、連線與切換的預測，才能維持穩定通訊品質。
________________________________________
🛠 七、實務演練題
1️⃣ 實作 AI Scheduler（DQN 模擬 PRB 分配）
2️⃣ 用 RNN 預測時變通道 h(t,f)
3️⃣ 用 CNN/Transformer 做 Beam Selection
4️⃣ 模擬 LEO Doppler × AI 預測
5️⃣ 實作一個多 Agent RL 控制 URLLC × eMBB 切片
________________________________________
✅ 八、小結：AI-native RAN 是 6G 的核心革命
✔ RAN 不再是 rule-based，而是 AI-driven
✔ AI Scheduler 讓 PRB / MCS / HARQ 自我最佳化
✔ AI Beamforming 讓 Massive MIMO 能真正發揮
✔ AI Channel Prediction 解決高速移動場景
✔ AI Traffic Forecast 避免壅塞
✔ NTN（LEO）比地面更依賴 AI
一句話：
⭐ 沒有 AI，就沒有 6G RAN。
