6G AI原生系统：从网络架构到端侧终端的全面重构

6G 的官方定义还在路上但衡量一个人是不是真懂 6G现在已经有了一个很简单的试金石是把“6G”当成网速更快的 5G还是当成一套从设计第一天就把 AI 写进骨子里的系统高通公司马德嘉在一场专访中给出了明确的判断6G 是 AI 原生系统。这句判断的份量比字面上看起来要重得多。过去二十年我们习惯的是“先有网络再在上面加智能”而“AI 原生”意味着反过来——先有智能再把网络设计成智能需要的样子。这不是修辞而是网络架构层面的方向切换。这篇文章不打算复述专访全文而是想把“6G 是 AI 原生系统”这句话拆开讲清楚三件事它到底改变了网络的哪一层为什么高通会点名赞赏豆包手机这类 AI 终端以及作为开发者现在可以做哪些具体准备而不是等标准冻结之后再补课。1. 这不是“5G 加了个 AI”而是底层逻辑换了从行业应用看5G 网络并不是没有 AI。信道估计、波束管理、网络节能很多环节都已经有人在使用 AI 模型做辅助优化。但这类 AI 有一个共同特征它是“外挂”的。空口协议是预先定死的信令流程是标准化的AI 只是在某一个模块旁边做一个优化器帮助传统算法跑得更好。一旦换一个基站厂商、换一个频段组合模型往往要重新适配。6G 的“AI 原生”完全不同。它要求的是从协议设计的第一天起就把 AI 当作系统的默认能力而不是事后补丁。这句话听起来抽象可以拿“云计算”到“云原生”的演进类比。云计算时代企业把物理机迁到虚拟机本质上还是运维传统应用的思路云原生时代应用从架构上就按容器、编排、弹性伸缩来设计。同样的5G 是“在无线网络上叠加 AI”6G 是“为 AI 设计无线网络”。这里有三层不一样第一AI 不再只是一个模块。它可能贯穿物理层、MAC 层、网络层和业务层空口参数可以随场景动态生成而不是写死在协议里。第二网络的自智能力成为默认要求。运维从“工程师看指标调参数”变成“系统根据意图自行决策、自行验证、自行优化”。第三终端也是网络的一部分。端侧模型、端云协同不再停留在应用层而是和连接层的资源调度联动起来。还有一个更值得关注的方向是语义通信。传统通信传输的是比特追求的是“把 0 和 1 尽量传对”AI 原生网络可以传输语义追求的是“把接收方的意图尽量还原”。视频通话不再需要把每一帧像素完整传过去而是传表情、姿态、关键目标等语义信息接收端再用生成式模型重建。这在 5G 体系里很难做因为它要求网络本身就理解内容。这几层变化叠加起来基本结论很清晰6G 之所以被称作 AI 原生系统是因为 AI 进入了网络的骨架而不是皮肤。只看速率参数的人很容易低估这一点。2. 什么是“AI 原生系统”三个层面拆解2.1 无线空口从规则驱动到模型驱动无线通信最底层的挑战是信道的不确定性。信号在空气中传播会受到多径、干扰、移动速度的影响。传统 4G/5G 的解决办法是定义大量导频、反馈机制和固定算法让系统根据测量结果查询码本、调整预编码。这套设计在协议里非常成熟但代价是开销高、响应慢。AI 原生空口的思路是让模型直接参与信道表征。例如用神经网络在线预测信道变化从而减少导频开销用强化学习决策波束指向替代一部分穷举扫描用模型压缩与重建减少 CSI 反馈量。这些方向在 5G 时代就有研究但在 6G 里会被标准化为系统能力。在这个层面网络像一辆自动驾驶汽车而不是一台被遥控的玩具车。它有自己的“感知-决策-执行”循环只是感知对象从路况变成了无线环境。对算法工程师来说这意味着无线侧会出现大量真实场景数据、可部署的模型推理链路以及持续在线学习的需求。2.2 网络管理从人工调参到意图驱动5G 网络参数多到什么程度单个基站涉及的天线权值、调度优先级、功率配置就有成百上千项。靠有经验的工程师调优只能覆盖典型场景无法覆盖城市里千差万别的无线环境。这是网络管理长期以来的痛点。6G 引入了意图驱动网络。所谓意图就是用户告诉系统“我要什么”而不是“怎么做到”。比如“为这个园区提供 5ms 时延的类工业控制业务”系统自动拆解为 QoS 策略、切片配置、资源预留和 AI 调度模型并持续验证目标是否达成。网络从“被动执行配置”变成“主动完成目标”。下面这段 YAML 只用于表达概念不是任何标准协议但它能帮助理解意图驱动的结构# 概念示意AI 原生的意图驱动网络策略非真实标准协议 intent: service: industrial-control goal: latency_ms: 5 reliability: 99.999% ai_policy: model: resource-scheduler-v2 input: - sinr - queue_length - service_type action_space: - dl_prb_allocation - ul_prb_allocation - scheduling_priority update_interval: 5s verification: metric: [latency, packet_loss] threshold: latency_ms: 5 packet_loss: 1e-5这段配置反映的核心变化是网络的很多决策从“写死的规则”变成“可训练的模型”。模型上线前要验证运行时还要不断评估效果这本质上是一种持续演进的软件系统。网络工程师过去熟悉的参数配置表未来会被模型版本、训练数据、推理指标替代掉一大部分。2.3 终端体验从功能手机到场景化智能终端前两层主要在网络侧第三层的 AI 原生离开发者更近终端。AI 原生的终端不再把 AI 当作一个 App而是把模型放进操作系统的底层。手机会主动理解屏幕上的内容、用户的语气、摄像头看到的场景然后调度本地或云端模型完成任务。用户不需要先在应用列表里找到某个工具再一步步操作而是把目标直接说出来。从产品形态看这就是豆包手机这类 AI 终端正在做的事屏幕共享、摄像头感知、语音交互、端侧模型推理全部被串成一条完整的交互链路。它像是一台随身携带的智能体终端而不只是一台可以装 App 的通信设备。这也是为什么做芯片的高通会在一场 6G 专访里反复提到它——因为它代表的是终端侧 AI 原生的落地路径。3. 豆包手机与端侧 AI为什么高通会点名赞赏材料中明确提到在专访中马德嘉多次点名赞赏豆包手机。对芯片公司来说公开点名表扬一款手机并不常见。从技术逻辑看这种赞赏背后的对象不只是某个产品而是它代表的产品路径。豆包手机这一类终端核心是把“AI 助手”从应用层提升到系统层。原来的语音助手只是语音识别加命令映射用户问天气、设闹钟、放音乐本质上还是在执行预制命令。而新的 AI 手机助手可以直接观察屏幕内容可以调用系统能力甚至可以调度端侧小模型完成隐私敏感的推理任务。交互逻辑从“用户操作 App”变成了“用户表达意图系统拆解并执行”。要做到这一点终端必须在本地跑得动模型。这就牵扯到几个很现实的工程约束第一模型体积和显存。8B 级模型已经是社区讨论较多的“甜点位”之一量化之后可以压缩到几个 GB 级别但仍需要为模型和上下文预留充足内存。第二NPU 的调度。芯片不仅要能算还要把 CPU、GPU、NPU、DSP 合理调度起来让模型推理不抢占前台应用的资源。第三端云协同。低时延、隐私敏感的任务在端侧处理复杂推理放到云端网络要能顺畅地把两端调度起来。高通一直强调的 Hexagon NPU 和全套 AI Engine本质上就是在给这条路铺底座。马德嘉点名赞赏豆包手机更合理的解读是高通的端侧 AI 路线需要一个标志性的产品场景来证明而豆包手机恰好把这条路跑通了。这里需要明确边界文章不是给任何品牌做背书。从开发者视角看真正值得学习的是产品路径——把大模型能力做成系统能力让 AI 从“功能点”变成“操作系统默认属性”。这个路径是否成立不取决于某一家厂商而取决于模型部署、工具调用、端云调度这些工程问题能否被系统化解决。4. 高通的 6G 布局无线 AI 与端侧 AI 的汇合高通是少数同时做通信基带和终端 SoC 的大厂。这个位置有一个独特的优势无线侧发生什么终端侧能第一时间感知终端需要什么无线侧可以向标准提出需求。因此在 AI 原生的 6G 语境下高通的布局可以拆成两条线。第一条线是无线 AI。从公开研究方向和标准化讨论看AI for NRAI/ML for New Radio是 5G Advanced 和 6G 的重要主题包括 CSI 压缩、波束管理、定位增强、能耗优化等。未来 6G 会把这类 AI/ML 能力从前向兼容的“可选增强”变成网络的基本能力。第二条线是终端 AI。高通的 Hexagon NPU 已经迭代多代面向大语言模型和多模态模型的端侧推理做了不少针对性优化包括量化算子、内存带宽和低功耗设计。从公开信息看高通更强调“混合 AI”架构AI 工作负载根据延迟、隐私、成本在端侧和云端之间动态分配。把两条线放在一起看结论很清楚6G 的 AI 原生不是靠网络厂商单独完成的而是需要终端、芯片、网络三者协同定义。高通在专访中点名豆包手机并不是随口赞美而是因为这类终端正好站在三条线的交汇点上。对于开发者来说这意味着生态会越来越“端到端”。你写的模型可能会被部署到基站附近也可能会被压缩后塞进手机应用的交互对象不再只是服务器而是包括网络和终端侧的一整套 AI 基础设施。5. 开发者视角6G 原生 AI 带来的三个新机会5.1 网络侧AI 算法工程师的新战场过去搞无线网络需要懂信道、协议栈、信令流程。6G 之后网络侧的工程量会明显增加信道预测、波束决策、资源调度、网络自愈每一个传统模块都面临被模型替换的机会。这不是说传统通信知识没用了而是通信知识必须和深度学习、强化学习、在线学习结合起来。这个方向的技能栈大致包括无线通信基础、Python 或 C、PyTorch/TensorFlow、强化学习以及网络级仿真平台的使用。入门方式可以从经典的 CSI 反馈、波束管理任务开始这些任务数据相对好构造验证链路也清晰。能提前把无线数据变成 AI 训练样本的人会是最稀缺的。5.2 终端侧大模型推理优化的新约束终端侧的机会更直接。手机、眼镜、汽车凡是高端移动芯片能到达的地方都可能需要本地跑模型。端侧开发最核心的约束是资源显存或内存不到几十 GB算力远低于云端 GPU还要控制功耗。因此模型压缩量化、剪枝、蒸馏、推理框架适配、NPU 算子优化、内存复用这些技能会越来越值钱。社区里热议的“8B 级模型在 6GB 显存上跑”本质上就是端侧和边缘侧资源受限时的一条现实路径用更小的位宽、更短的上下文换取可用的推理能力。这类优化经验未来可以直接迁移到手机端侧模型部署中。5.3 应用侧从 App 逻辑到意图逻辑对应用开发者来说变化可能比想象中更快。过去用户通过界面点击操作应用AI 原生时代模型要通过工具调用Function Calling / Tool Calling操作应用。应用要把自己暴露成一组可被模型调用的工具查询天气、下单、打开相机、读取屏幕内容。这意味着应用工程的