人工智慧並非隨著生成式 AI 的到來才突然進入電信領域。它對行動網路的影響已發展超過十年，緊密跟隨從 4G 到 5G、5G-Advanced，最終到 6G 的演進。改變最大的不僅是網路中部署的 AI 模型數量，而是智慧在通訊架構中所扮演的角色。

在 4G 中，AI 很大程度上是離線分析工具。到了 5G，智慧向無線網路靠攏，開始協助即時最佳化。在 5G-Advanced 中，AI 正成為端到端營運框架的一部分，具備預測、資源協調與自動復原能力。更長遠的 6G 願景更進一步，將智慧視為原生架構能力，而非網路設計完成後才添加的外部功能。

此演進改變了網路本身的用途。曾經主要以傳輸資料為核心的行動基礎設施，正逐漸具備感知環境、分析行為、預測需求、分配資源、偵測異常狀態，並根據服務需求自我調整的能力。

從輔助到原生智慧

AI 與行動通訊之間的關係可理解為四個不同階段的進程。每一代都增加了智慧的深度，以及 AI 影響網路行為的速度。

關鍵轉變是從網路外部的 AI 到網路控制流程內部的 AI。早期的系統在事件發生後才分析歷史資訊。更先進的架構則越來越運用即時資訊來影響網路接下來要做什麼。

這種差異是根本性的。離線分析可以解釋昨天的壅塞。閉環智慧則能偵測負載上升、預測可能發生的情況、調整資源，並評估變更是否真的改善了服務。

4G：無閉環控制的分析

4G 時代的主要目標是高速行動寬頻。網路架構、無線設備、傳輸資源與營運流程主要圍繞著有效傳輸不斷增長的資料量而設計。

人工智慧對底層通訊架構的影響非常小。大多數智慧處理發生在集中式 IT 或雲端環境，而非無線接取或邊緣基礎設施內部。

典型應用包括流量統計、告警分類、投訴分析與定期網路報告。這些工具能幫助工程師了解已經發生的事情，但它們通常在事件後運作，而非直接參與網路控制。

因此，最佳化高度依賴工程團隊。細胞參數、鄰近細胞關係、功率門檻、干擾問題及其他無線設定，經常需要手動分析與調整。

當網路行為相對可預測時，這種方法還算可行，但在需求隨時間大幅變化的地點，它變得越來越沒有效率。商業區、火車站、交通樞紐等區域可能經歷強烈的流量波動。在離峰時期表現良好的設定，在突發高峰時可能不適用。

若沒有靠近基地台的分散式邊緣運算與智慧功能，AI 就無法持續分析在地條件並立即修改網路行為。不存在成熟的即時循環來連接資料收集、智慧分析、決策制定與自動執行。

因此，AI 在此階段的主要價值是營運可視性，而非自主最佳化。它有助於為工程師整理資訊，但對直接即時改善網路的能力有限。

5G 將智慧帶到邊緣

向 5G 的過渡顯著改變了營運環境。高畫質影音、雲端遊戲、大規模物聯網部署與快速增長的設備密度，帶來了更動態的流量模式與更複雜的無線條件。

主要基於手動工程與固定演算法的傳統最佳化，越來越難以擴展。因此，一項重要的架構變更是將運算能力移向網路邊緣。

隨著智慧部署在更靠近無線接取基礎設施的位置，網路資料可以毫秒級的響應速度進行收集與分析。AI 系統能持續觀察頻道品質、干擾條件、用戶移動性與細胞負載等資訊，而非僅依賴週期性的離線分析。

這實現了幾項實用的最佳化功能。

• 細胞負載平衡：當相鄰細胞面臨不同需求水準時，可更有效地分配流量。

• 智慧用戶引導：可根據當前條件將用戶導向更合適的網路資源。

• 移動性預測：移動模式有助於網路在服務品質惡化前為換手做好準備。

• 干擾最佳化：智慧分析可識別變化的無線條件，支援更具適應性的干擾管理。

這些能力在人口密集的市區、地鐵系統、校園、交通環境等用戶密度與移動模式持續變化的場所尤其有用。

然而，傳統 5G 中的智慧仍應視為附加的最佳化能力，而非完全 AI 原生的架構。底層協定與硬體架構最初並非圍繞著所有網路領域的自主決策而設計。

這限制了自動化的深度。常規的壅塞、移動性與干擾問題可能有效處理，但大型活動的流量暴增、極端天氣或複雜建築物遮蔽等異常狀況，仍可能需要工程干預。

因此，營運模式在很大程度上仍是以人為主、AI 輔助。智慧提升了效率，但工程師仍為超出既定最佳化模式的條件提供最後的安全網。

5G-A 朝向主動自主邁進

5G-Advanced 代表了通訊基礎設施與人工智慧之間更深入的整合。AI 不再僅限於孤立的最佳化任務，而是可將智慧分散到無線接取網路、傳輸基礎設施與核心網路。

重要的改變是從被動管理轉向主動營運。傳統維護往往在效能問題或設備故障已影響網路後才開始。智慧架構能利用累積的營運資料，識別在故障對用戶可見之前就已出現的模式。

因此，潛在的設備老化、傳輸品質下降、壅塞加劇及其他異常趨勢都可以更早被分析。目標是辨識發展中的問題，並在它們成為影響服務的故障之前進行干預。

預測性網路營運

可結合歷史與即時資料來辨識異常行為。智慧分析不是將每個告警視為孤立事件，而是檢視設備狀態、流量變化、效能指標與先前故障之間的關聯。

這將網路維護從簡單的告警回應流程，轉變為更具預測性的營運模式。

更智慧的無線資源使用

AI 輔助的波束成形可改善無線能量導向用戶的方式。透過根據當前無線條件調整訊號傳輸，網路能將資源集中在需要的地方，同時減少不必要的干擾。

同樣原則更廣泛地適用於頻譜管理。無線資源變得越來越動態，而非根據靜態需求假設保持固定。

體驗與能源最佳化

流量並非全天恆定。商業區、住宅區、交通樞紐、工業園區與校園都有可識別的需求模式。

AI 可學習這些模式，並幫助網路相應地調整資源。尖峰時段可集中容量，需求下降時則可減少不必要的資源。目標是在改善服務體驗的同時控制能源消耗。

適應性產業連接

私有與產業導向的網路通常有別於一般消費寬頻的需求。工業控制、醫療保健與低空連線應用可能優先考量延遲、可靠性、隔離性或可預測的資源可用性。

智慧編排可根據這些服務需求調整網路切片與可用資源，同時也能回應干擾與變化的營運條件。

此階段也引入了更廣泛的關係，常透過兩個互補方向來描述：AI4Net 與 Net4AI。

AI4Net 是指運用人工智慧，透過更好的效率、效能、維護與資源控制來改善通訊網路本身。Net4AI 則描述相反方向：日益智慧且強大的網路，為 AI 驅動的服務與設備提供所需的連線與運算基礎。

結果是強化循環。AI 改善網路營運，而改善後的網路支援更廣泛的智慧應用。

6G 從內建智慧開始

長期的 6G 概念代表更根本的架構變革。與其先設計傳統通訊網路再添加智慧，6G 願景是從一開始就將分散式智慧、自主學習與協同決策納入網路。

通訊、感測、運算與人工智慧日益整合。網路不再僅負責將位元從一個端點傳遞到另一個端點。它也參與理解環境、分配運算任務、協調資源與支援智慧機器。

網路中的分散式智慧

未來的智慧不太可能存在於單一集中位置。不同的決策有不同的延遲、隱私、運算與資源需求。

因此，多層級架構可將智慧分散到終端、邊緣節點、基地台與雲端基礎設施。快速的本機決策可更靠近用戶做出，而較大規模的協調則可利用更廣泛的網路資訊。

這創造了一個系統，資源可根據個別服務的需求進行協調，而非在孤立的網路層內獨立控制。

語意通訊改變目標

傳統通訊系統著重於準確傳輸位元。語意通訊則探索不同的概念：傳輸對應用程式有意義的資訊，而非總是傳送每一份原始資料。

對智慧機器而言，這可能特別重要。若任務可透過共享選定的特徵、意圖或語意資訊來完成，兩個 AI 系統可能不需要交換每個原始資料樣本。

減少冗餘資訊可使未來 XR 服務、自駕車、智慧機器人等可能產生大量互動資料的應用程式更有效率。

RIS 使環境可程式化

可重構智慧表面（RIS）引入另一個重要概念。傳統無線工程在很大程度上將實體傳播環境視為網路必須應對的對象。

RIS 改變了這個假設，允許動態影響電磁傳播。結合智慧控制，反射表面可調整訊號路徑以改善涵蓋、減少干擾，或協助到達僅靠傳統傳播難以服務的區域。

與其僅透過增加更多發射硬體來改善連線，無線環境本身的部分也可變得可控。

自主性超越固定規則

前幾代高度依賴工程師預先設定的參數、門檻與規則。更具智慧的 6G 架構旨在減少這種依賴。

網路將越來越能從變化中學習、跨領域協調資源，並根據服務需求與環境條件調整其營運行為。

長期目標是能以顯著更少的人工干預來組織、最佳化與復原的通訊基礎設施。

此演進帶來的改變

朝向智慧通訊的發展，影響遠不止於在現有網路管理平台添加 AI 軟體。它改變了基礎設施應如何收集資訊、分配運算資源、執行決策與評估效能。

智慧必須跟隨工作負載

集中式雲端運算在模型訓練與大規模分析上仍有價值，但並非每個網路決策都能等待遠端資料中心。移動性、干擾、無線排程及其他時間敏感的流程，可能需要更靠近資料生成點的智慧。

因此，從 4G 到 5G 的演進展示了一項重要架構原則：運算能力必須根據回應時間要求進行分散。

資料成為營運資源

AI 無法最佳化它無法觀察的網路。無線條件、流量需求、設備狀態、移動模式與服務行為，都成為智慧決策的關鍵輸入。

當不同領域可共同分析時，這些資訊的價值也會提升。單一的無線指標可能只解釋問題的一部分，而來自接取、傳輸、核心與服務層的組合資訊則能提供更完整的營運畫面。

閉環營運變得至關重要

朝向自主的演進需要的不只是產生建議。智慧必須成為可重複循環的一部分：

1. 觀察當前網路條件；

2. 分析模式並偵測變化；

3. 預測可能的服務或設備影響；

4. 選擇適當的回應；

5. 將變更應用於網路資源；

6. 衡量結果並持續學習。

這種閉環方法正是分析型智慧與營運型智慧的區別所在。網路不僅描述自身狀態，更日益參與改善該狀態。

最佳化變成多目標

未來網路不能僅針對最大吞吐量進行最佳化。它們必須平衡涵蓋、延遲、可靠性、能耗、頻譜效率、服務需求與資源可用性。

AI 之所以有用，是因為這些目標常因地點與時間而異。擁擠交通樞紐的最佳資源配置，可能與工業專網或夜間低流量住宅區的最佳配置截然不同。

智慧排程使網路行為能更貼近實際營運條件。

網路規劃的戰略要點

從 4G 到 6G 的進展顯示出一致的方向：人工智慧正從電信營運的邊緣移向網路架構的中心。

在 4G 中，智慧工具主要幫助工程師理解歷史網路行為。在 5G 中，邊緣運算讓 AI 參與更快且更在地化的最佳化。5G-Advanced 將此方法擴展到更多網路領域，並引入更強大的預測、自我最佳化、能源管理與自動化資源協調能力。

6G 願景進一步延伸概念，將智慧變為通訊架構的原生屬性。分散式學習、語意通訊、可程式化無線環境以及協同的通訊-運算資源，指向的不僅是承載智慧服務，更是自身能智慧運作的基礎設施。

這也改變了電信領域的競爭基礎。網路能力將越來越不僅以峰值速率、頻寬、涵蓋或硬體效能來衡量，更取決於基礎設施理解需求、排程運算與通訊資源、適應不同情境以及自主營運的成效。

因此，5G-Advanced 是重要的過渡，而非僅僅是漸進式的無線升級。在此階段累積的營運資料、智慧模型、自動化經驗與應用場景，可為未來 6G 系統中更深度的智慧整合提供實務基礎。

隨著通訊、感測、運算與智慧的持續匯流，網路正逐漸從被動的傳輸基礎設施，轉變為能支援日益自主的裝置、應用與產業的主動數位基礎。

常見問題

為什麼邊緣運算對智慧行動網路很重要？

許多無線與移動性決策必須快速做出。將運算資源移近接取網路，可縮短資料收集、分析與行動之間的距離，使即時最佳化比僅依賴集中式離線處理更具實務可行性。

為什麼 5G-Advanced 被視為通往 6G 的重要橋樑？

它提供了將 AI 擴展到無線、傳輸與核心網路營運的實務環境，同時累積營運資料、自動化經驗、智慧模型與產業使用案例，可支援未來的原生智慧架構。

哪些環境從適應性最佳化中獲益最多？

需求高度變動或移動性模式複雜的地點可顯著受益。例如人口密集的市區、交通系統、校園、工業環境，以及流量隨時間或事件劇烈變化的場所。

為什麼運算資源在網路規劃中變得越來越重要？

未來服務同時依賴連線與智慧處理。隨著 AI 功能分散到終端、邊緣基礎設施、無線節點與雲端系統，協調運算資源的能力將與服務品質日益相關。

未來網路會完全消除人類操作嗎？

方向是朝向更高程度的自動化分析、預測、最佳化與復原。然而，從 5G 到更自主架構的進展是漸進的，每一代都是擴大能智慧處理的決策範圍，而非一次性改變整個營運模式。