迈向自主O-RAN：面向实时网络控制与管理的多尺度智能体AI框架

开放无线接入网络（O-RAN）通过解耦和软件驱动的组件以及开放接口，为6G网络提供了灵活的接入方式，但其可编程性也增加了操作复杂性。服务管理层与RAN智能控制器（RIC）中存在多个控制回路，而独立开发的控制应用可能以非预期的方式交互。近年来生成式人工智能的进步推动了从孤立AI模型向智能体AI系统的转变，这些系统能够解释目标、协调多个模型和控制功能，并随时间适应行为。本文提出了一种面向O-RAN的多尺度智能体AI框架，将RAN智能组织为跨非实时（Non-RT）、近实时（Near-RT）和实时（RT）控制回路的协调分层结构：（i）在非实时RIC中的大型语言模型（LLM）代理将运营商意图转化为策略并管理模型生命周期；（ii）在近实时RIC中的小型语言模型（SLM）代理执行低延迟优化，并可激活、调整或禁用现有控制应用；（iii）靠近分布式单元的无线物理层基础模型（WPFM）代理提供接近空中接口的快速推理。我们描述了这些代理如何通过标准化的O-RAN接口和遥测数据进行协作。使用基于开源模型、软件和数据集的原型实现，我们在两个代表性场景中展示了所提出的智能体方法：在非平稳条件下的鲁棒运行和意图驱动的切片资源控制。