O-RAN的分层智能控制器RIC体系是AI-RAN的核心使能架构。它通过**非实时RICNon-RT RIC** 与**近实时RICNear-RT RIC** 的分工协作将AI/ML能力系统地注入无线接入网的各个控制层级实现从“人工规则驱动”到“数据驱动自主决策”的范式转变。## 分层架构非实时RIC与近实时RICRIC体系的分层设计围绕**控制回路的时间尺度**展开形成了清晰的职责边界。| 维度 | 非实时RIC (Non-RT RIC) | 近实时RIC (Near-RT RIC) ||---|---|---|| **时间尺度** | 1 秒秒级至分钟级 | 10 毫秒 – 1 秒 || **部署位置** | SMO服务管理与编排框架内 | RAN 内部DU/CU 附近 || **承载应用** | rApps | xApps || **核心 AI 角色** | 模型**训练**、策略生成、长期优化 | 模型**推理**、实时控制、闭环执行 || **关键接口** | A1向 Near-RT RIC 下发策略/模型、O1管理 | E2连接 RAN 节点、A1接收策略/模型 |**非实时RIC**位于SMO框架内拥有充裕的计算资源负责收集长期数据、训练AI/ML模型、生成策略意图Intent并通过A1接口将策略和模型下发给近实时RIC。它处理的是对时延不敏感的任务如网络切片编排、长期资源规划、模型生命周期管理等。**近实时RIC**则嵌入RAN内部在严格的时延约束下运行xApps执行流量引导、干扰管理、无线资源分配等需要秒级甚至亚秒级响应的控制动作。它接收来自非实时RIC的策略指导和模型更新结合实时采集的RAN数据如PRB利用率进行在线推理与闭环控制。两者通过**A1接口**形成“策略下发—执行反馈”的闭环非实时RIC借助A1向近实时RIC传递策略、意图和AI/ML模型近实时RIC则通过A1回传策略合规性和性能反馈供非实时RIC进行模型再训练与策略迭代。## AI 工作流训练与推理的分层协同RIC体系为AI/ML定义了一条清晰的工作流管线核心原则是 **“训练在非实时层推理在近实时层”**。- **模型训练与部署**非实时RIC负责利用RAN节点和终端上报的历史数据训练AI/ML模型训练完成后通过A1接口将模型部署至近实时RIC。在O-RAN的第一阶段模型训练主要限定在非实时RIC推理则发生在近实时控制回路中。- **推理与执行**近实时RIC中的xApp加载模型对实时数据进行在线推理并将推理结果转化为对RAN节点的控制指令经E2接口下发。例如近实时RIC可以基于推理结果进行负载均衡、移动性管理等操作。- **反馈与再训练**非实时RIC持续监控模型在近实时层的推理性能当性能下降时触发模型再训练或重新选择形成闭环的AI生命周期管理。这种分层协同使得**重计算的训练任务**与**低时延的推理任务**各得其所避免了在资源受限的近实时环境中执行昂贵的模型训练。## 在 AI-RAN 中的核心作用### 数据驱动的网络自治RIC将AI/ML驱动的优化嵌入O-RAN控制层级使网络能够基于实时数据和预测模型进行自主调整。非实时RIC分析长期网络行为进行预测性优化近实时RIC则根据瞬时信道条件和业务需求做出动态决策。### ️ 意图驱动的策略管理在AI-RAN的演进中非实时RIC开始承载**意图翻译**功能。大型语言模型LLM智能体可以部署在非实时RIC中将运营商的高层业务意图转化为可执行的策略和模型治理规则再通过A1接口传递给近实时RIC执行。### 安全与能效增强RIC不仅优化性能还承担安全与能效职责。近实时RIC可以实时检测和缓解网络威胁同时根据需求动态调整资源以优化功耗使网络更加智能和可持续。### 多域协同的枢纽在面向6G的AI-RAN架构中RIC被定位为跨域智能的汇聚点。非实时RIC可与其他域控制器如传输网域、核心网域协同通过跨域AI控制器实现端到端的优化变量推理。## ⚠️ 关键挑战与约束RIC体系在AI-RAN中的落地仍面临若干技术挑战- **时延预算的硬约束**近实时RIC的10ms–1s控制窗口对AI模型提出了严苛要求模型必须采用轻量化架构如决策树、浅层网络、预计算策略无法直接部署大模型。- **计算资源的非对称分布**非实时RIC拥有充裕算力进行模型训练而近实时RIC的计算容量有限需要在模型精度与推理速度之间做权衡。- **A1接口的模型分发开销**模型更新和策略下发需要经过A1接口在模型频繁迭代时可能成为瓶颈影响闭环控制的时效性。## 演进趋势RIC体系正朝着**更细粒度的分层**和**更原生的AI集成**方向演进。一方面实时RICRT-RIC的概念被提出旨在支持亚10毫秒的控制回路进一步拓展AI在物理层实时控制中的可能性。另一方面多智能体Agentic AI框架开始被引入rApp的策略生成与编排以应对xApp多样化带来的策略冲突和可扩展性挑战。这些演进将使RIC继续作为AI-RAN中智能控制的核心载体驱动网络向完全自治的目标迈进。