3GPP在實體層的標準制訂上排除了規範AI／ML算法的部分，各種新興AI技術如知識蒸餾和大型語言模型等皆有表現的機會。
前言
隨著5G商用化的持續演進與成熟，業界與學界對於次世代通訊技術──第六代行動通訊（6G）的研究正如火如荼地展開。在2023年於日內瓦舉辦的第44屆國際電信聯盟（International Telecommunication Union, ITU）正式完成了「IMT-2030與未來國際行動電信之發展框架與總體目標（Framework and overall objectives of the future development of IMT for 2030 and beyond）」建議書，即所謂「6G願景」，預期6G將於2030年前後實現商轉，同時人工智慧與機器學習（AI／ML）和通訊技術的深度融合被視為重點開發方向。在5G世代漸漸進入尾聲的這段期間，為因應AI／ML於通訊系統中的應用需求，國際標準組織如3GPP正積極制定相應技術規範，本文旨在探討其現況、專利趨勢與未來挑戰等面向。
3GPP AI／ML技術標準制定現況
3GPP作為全球行動通訊標準的核心制定機構，自Release 17（Rel-17）與Release 18（Rel-18）起，開始大規模引入AI／ML技術，以提升網路效能與服務品質，推動行動通訊系統進入智慧化新紀元。AI／ML標準化工作聚焦於兩大技術主軸——「AI／ML for NG-RAN」與「AI／ML for NR Air Interface」分別由RAN3與RAN1兩個標準制定的技術工作組負責，構成AI／ML標準化的核心框架。
在「AI／ML for NG-RAN」方面，該議題自Rel-17作為探討議題展開，並於Rel-18起列入正式標準制定議題，其成果記載於TR 37.817。此項目主要聚焦於三項應用：網路節能（network energy saving）、負載平衡（load balance）與移動性管理（mobility management）。標準化重點在於探討新無線（New Radio, NR）與通用陸面無線接入新無線（E-UTRAN NR）雙連結（EN-DC）架構中導入AI／ML的可行性與潛在效能增益，並強化資料收集（data collection）能力以支援後續AI推論。為此，3GPP特別制定以下RAN支援AI／ML之架構，如圖1所示。
圖1 RAN支援AI／ML之架構[1]
相較之下，「AI／ML for NR Air Interface」則自Rel-18起由RAN1主導，並於Rel-19正式列為標準制定議題，其核心應用包括：一般性議題、通道狀態資訊（CSI）回饋增強、波束管理、定位準確度強化。該議題的標準化原則包括：1、不對具體AI／ML演算法進行標準化；2、保護用戶資料隱私；3、建立於現有RAN架構上，不引入新空中接口。上述相關內容詳載於TR 38.843。
在一般性議題方面，3GPP重點工作包括：統一AI／ML專有名詞定義、明確模型訓練與推論的工作流程（如圖2與圖3）、規劃使用者設備（User Equipment, UE）與基地台（next-generation Node B, gNB）間三種推論合作模式（gNB端、UE端、雙邊推論）、三種合作層級（Level x、y、z），以及三種模型生命週期管理（LCM）架構，對於未來AI模型在實體層部署具有高度參考價值。
圖2 3GPP模型訓練工作流與是否有標準制定需求
圖3 3GPP模型推論工作流與是否有標準制定需求
在通道狀態資訊回饋增強方面，標準化聚焦於兩個子議題：CSI壓縮與CSI預測。由於無線通道維度龐大，合適的壓縮機制可有效縮短CSI長度；若能準確預測未來CSI，則可進一步減少傳輸負擔。3GPP提出雙邊模型（two-side model）架構，包含：UE端的AI／ML壓縮模型與gNB端的重建模型，典型架構如autoencoder（AE）等深度學習技術（如圖4）。
圖4 以AE作為雙邊模型CSI架構之工作流
波束管理方面，AI／ML被用來分析多維特徵（例如：參考訊號接收功率（Reference Signal Received Power, RSRP）、接收訊號強度指示（Received Signal Strength Indicator, RSSI）、角度資訊等，以提升波束選擇與維護效率，縮短波束搜尋時間。3GPP制定了空間與時間的波束預測方法，並支援單邊（gNB端或UE端）預測模型的部署。
定位增強則特別針對工業場景（如智慧工廠）進行研究，AI／ML技術應用於TR 38.901統計通道模型產生之合成資料集，進行兩類定位方法的研究：直接定位（AI模型輸出位置信息）與輔助定位（改善視距／非視距判斷（Line-of-Sight／Non-Line-of-Sight, LOS／NLOS）、量測時間與角度等），根據不同場景選擇適用方案，展現AI模型於高精度定位的潛力。
於2024年啟動的Rel-19為5G的倒數第二個版本（預計Rel-20為最後版本），技術議題數量已精簡為13項，如表1所示。其中「AI／ML for NG-RAN」與「AI／ML for NR Air Interface」持續為核心議題，並新增移動管理（mobility management）應用例。該應用例主要聚焦於三個子議題：
- 無線資源管理量測預測： 該子議題主要聚焦於參考信號接收功率（reference signal received power, RSRP）之預測，並考慮於UE端與網路端雙邊之模型推論。
- 量測條件預測：目前3GPP針對換手（handover）已制定八個換手條件，該子議題主要聚焦於預測哪一個換手條件將要發生。本子議題只考慮UE端單邊進行模型推論。
- 無線鏈結中斷／換手失敗預測： 該子議題主要聚焦於無線鏈結中斷是否會發生，或換手失敗是否會發生。本子議題只考慮UE端單邊進行模型推論。
表1 3GPP Rel-19所涵蓋之13項技術議題
專利布局分析
3GPP在支援AI／ML的標準制定中，主要聚焦於兩大議題：「AI／ML for NG-RAN」與「AI／ML for NR Air Interface」；其中，後者涵蓋五項核心應用場景：一般性框架議題、通道狀態資訊回饋增強、波束管理、定位準確度強化，以及移動管理等。
針對通道狀態資訊回饋增強的專利布局，從Global Patent Search System （GPSS）中以關鍵字「CSI feedback」、「autoencoder」、「machine learning」、「ML」、「artificial intelligence」、「AI」與「deep」進行查詢發現，美國專利中除「autoencoder」外，其餘皆超過400件，顯示業界對此技術領域投入甚深。歐洲雖相對件數較少，多集中在100至200件間，但整體仍具相當活躍的技術發展。
在波束管理方面，採用「beam management」、「beam tracking」、「beam control」等組合關鍵字與AI／ML進行檢索，美國專利資料顯示，與machine learning、artificial intelligence相關的「beam management」專利超過600件、「beam control」介於200至400件、「beam tracking」則約100件。歐洲在此領域亦呈現類似趨勢，數量雖不及美國，整體發展依然活躍。此結果突顯波束管理已成為AI／ML在實體層的重要應用重點之一。
至於移動管理的AI應用，則處於較早期的發展階段Rel-19，以「RSRP」、「SINR」、「prediction」、「handover event」結合AI／ML相關關鍵字進行查詢，顯示無論在美國或歐洲，專利數量皆明顯少於前述之應用例。這反映出目前5G NR的標準未對移動管理引入新信令設計，使AI／ML應用空間受限；不過，隨著6G預期將引入新的介面與信令，該領域未來仍具高度發展潛力。
AI／ML關鍵議題之展望
以目前對於「AI／ML for NR Air Interface」的應用例而言，當中的波束管理和定位準確度強化被視為推行進度較為順利的兩個應用例。儘管如此，截至目前3GPP會議所達成的共識為止，上述兩個應用例仍有以下待克服之挑戰：
- 模型部署與管理的複雜性：AI／ML模型的部署需配合更上層定義的生命週期管理，包括模型的訓練、更新、驗證與部署等流程。因為模型需在不同的設備（如gNB或UE）上運行，且需適應多變的無線環境，模型的版本控制與切換需要標準化，以確保系統的一致性與穩定性。
- 模型識別、泛化（Generalization）與匹配問題：由於AI／ML模型在不同場景下的泛化能力有限，特別是在未見過的環境中，模型的性能可能顯著下降。在實體層對應的應用例中，可能存在多個適用於不同場景的AI／ML模型。例如，針對不同移動速度的UE，可能需要不同的波束預測模型。然而，若模型識別做得不夠細緻，可能導致系統無法匹配最佳模型，影響系統性能。
- 如何兼容既有RAN架構下通道狀態資訊回報機制，以及計算資源、模型參數所占記憶體與延遲限制等議題。
目前台灣在參與3GPP標準制定的活躍度相較歐美日韓仍顯不足。依據GPSS檢索結果顯示，台灣地區的專利布局相對較少，尤其在美國與歐洲專利系統中的參與度有限。另一方面，過往台灣廠商大多專精於單點技術，例如射頻、系統單晶片（System on Chip, SoC）、演算法開發，欠缺橫跨標準、演算法與產品驗證的完整鏈結，尤其AI／ML通訊技術多需跨越多個通訊協定層級，包括物理層（Physical Layer, PHY,）、媒體存取控制層（Medium Access Control, MAC）與無線資源控制層（Radio Resource Control, RRC），進行系統設計與大規模數據訓練。
由於台灣缺乏大型網路運營商之間的合作資料共享平台，訓練資料得來不易，更遑論培養專門應用於通訊技術的大型模型；然而，台灣部分科技公司與學研機構，諸如聯發科、中華電信研究院、工研院、以及部分大專校院，已逐步參與3GPP的討論會議與標準草案撰寫，相信在累積一定程度的研究能量與技術理解之後對於跨層系統設定的推動會更有幫助。另外，台灣具備晶片設計、演算法實作與邊緣設備製造的產業優勢，倘若政府能協助資源整合提供國家級6G AI-RAN試驗場域或模擬平台，並串聯IC設計業者、電信業者與學術單位，並開發如低功耗AI模型壓縮或適用於小型基地台之邊緣AI模型等差異化技術，依舊有望在未來智慧通訊領域另鑿一片藍海。
結論
3GPP Rel-18與19已為未來6G標準整合AI奠定初步基礎，未來將持續擴大其應用深度與範疇，智慧通訊的時代即將展開，目前為止3GPP對於AI應用於通訊的發展仍趨於保守，以維持現有RAN架構為前提。另外，由於3GPP至少在實體層的標準制訂上排除了規範AI／ML算法的部分，各種新興AI技術如知識蒸餾（knowledge distillation）和大型語言模型（Large Language Model, LLM）等皆有表現的機會。因此，未來智慧通訊的演進，將是一場既根植於現有通訊基礎、又融合前瞻AI創新技術的雙軌整合之旅。
參考文獻
[1] 3GPP TR 37.817 v17.0.0, “Study on enhancement for data collection for NR and ENDC,” Apr. 2022.
[2] 3GPP TR 38.843 v18.0.0, “Study on artificial intelligence (ai)／ machine learning (ml) for nr air interface (release-18),” Jan 2024.
[3] 3GPP TR 38.901 v18.0.0, “Technical specification group radio access network; study on channel model for frequencies from 0.5 to 100 ghz (release 18),” Jan 2024.
