CIS-RAN重构6G智能底座：端边网协同的内生AI体系，如何让通信与AI双向奔赴？
做通信系统的人，这几年应该都有一个很直观的感受：传统RAN的架构，正在变成进一步演进的瓶颈。我们过去引以为傲的“云化”“集中化”，在4G、5G时代解决了很多问题——无论是降低成本还是提升运维效率，Cloud-RAN都交出了一份不错的答卷。但走到6G这个节点，当低时延、高可靠、通感算智一体化成为刚需，当AI不再是网络外围的“附加应用”而是要融入网络本身时，传统RAN的“接入网管道”基因已经不太够用了。这也是CIS-RAN这个方向火起来的原因。
CIS-RAN，全称叫Communication, Sensing, Computing, Intelligence integrated RAN，直白讲就是“通感算智一体化无线接入网”。这个概念的提出，本质上就是想把通信、感知、计算、AI这四件事揉进一张网里，让它们不再是独立的功能模块，而是共享一套基础设施和资源编排体系。这样一来，AI就不再是run在网络上层的“外挂”，而是内生在网络里的“神经”，网络本身也具备了面向AI应用提供算力和数据服务的能力。这篇文章，我就顺着CIS-RAN这个主线，聊聊它的架构逻辑、内生AI的设计思路、端边网协同的关键机制，以及对产业链和从业者到底意味着什么。
我尽量不讲太多空泛的概念，多讲一些实际的技术拆分和工程路径，希望对做RAN、做边缘计算、做AI平台的朋友都有点启发。
1. 从传统RAN到CIS-RAN，到底变了什么
1.1 传统RAN的基因缺陷：网络是管道，AI是外挂
在展开CIS-RAN之前，我们得先把传统RAN的“基因缺陷”看清楚。传统RAN从4G时代的BBU+RRU架构，到5G时代的CU/DU分离架构，本质上解决的是“无线信号怎么接入”的问题——它是一根高质量管道，负责把用户的数据从空口搬到核心网。AI在这根管道里的角色，坦白说是很边缘的：要么是运维侧的网络优化，要么是应用侧的智能服务，跟RAN本身没有内在的耦合关系。
这种“管道+外挂”的模式，到了6G时代就暴露问题了。6G时代新增的业务，比如通感一体化、超低时延工业控制、全息通信、AI原生服务，它们对网络的要求不再是“带宽够大”这么简单。比如一个分布式AI推理任务，可能涉及终端产生数据、边缘节点做预处理、中心节点做模型训练——这个过程中，网络不仅要传输数据，还要感知任务对算力和时延的需求，动态调整资源分配。传统RAN根本没有这个能力，它只能“尽力而为”地搬运数据，至于数据到了哪里算、在哪一层处理，它一概不关心。
这也是为什么行业里一再强调“6G是AI原生网络”：不是把AI塞进网络就行，而是网络本身要具备感知AI任务、适配AI任务、调度AI任务的能力。CIS-RAN的出发点，就是先把传统RAN的架构松绑，让通信、感知、计算、智能四者在同一个基础设施上运行，成为后续所有智能业务的底座。
1.2 CIS-RAN的“四合一”架构逻辑
CIS-RAN的核心，是把“通感算智”这四件事放到一张网里统一设计。通信（Communication）好理解，就是空口接入和数据传输；感知（Sensing）是指利用无线信号对环境进行感知，比如通感一体化里的目标检测、定位和成像；计算（Computing）是指在网络边缘或接入节点提供算力资源，支持各类计算任务；智能（Intelligence）则是把AI框架、模型训练和推理能力内嵌到网络基础设施中。
这四个功能一体化之后，RAN就不只是一个“接入设备”了，它变成了一个“分布式智能计算平台”。举个例子：一个边缘节点的DU（分布式单元），不仅要处理基带信号，还要承担感知数据的特征提取、AI推理任务的加速等工作。节点之间通过协同协议共享算力状态、数据状态和模型状态，形成一张可以动态调配资源的智能网络。
我之前在一家设备商的实验室里看过一套CIS-RAN原型系统，最直观的感受是：它已经不太像传统的“基站+服务器”了，更像是把小型数据中心和高性能基站的混合体。每个节点都有专用的AI加速卡，都有容器化的应用运行环境，节点之间用类似服务网格的方式做服务发现和流量调度。这种架构上的变化，等于把RAN从“专用硬件设备”变成了“通用计算平台上的一个应用”，这带来的想象空间是非常大的。
1.3 CIS-RAN解决的三个实际痛点
第一，解决网络与AI“两张皮”的问题。以前AI做网络优化，数据要经过层层汇聚到中心平台，处理完再下发策略，实时性很差。CIS-RAN把AI推理放到基站侧，网络侧就能基于AI实时调整波束、调度资源和处理感知数据。
第二，解决算力资源“不透明”的问题。传统网络里算力资源是隐性的，上层应用根本不了解边缘节点还有多少算力、算力架构是什么。CIS-RAN把算力变成一种可发布、可发现、可调度的“基础设施资源”，AI应用可以直接按需申请和释放。
第三，解决“传输花在路上的时间”的问题。6G时代很多AI任务有严苛的低时延要求，比如毫秒级的工业控制辅助决策。如果数据还要绕到云端处理，物理距离就决定了时延下不来。CIS-RAN在边缘处理数据、在近端做推理，时延可以压缩到极低的水平，这是“端边网协同”最直接的收益。
2. 内生AI体系是怎么设计的
2.1 什么是真正意义上的“内生AI”
一说到内生AI，很多人第一反应是“把AI算法部署到网络设备上”或者“给基站加一块GPU”，但这些理解都比较浅。真正意义上的内生AI，是在网络架构的设计阶段就把AI作为一个一等公民来对待——网络的数据面、控制面、管理面都要为AI服务。
换句话说，内生AI不是“网络加AI”，而是“网络由AI驱动、同时AI由网络承载”的双向融合。这里面有几层含义：第一层，网络自身的运行、优化、运维都由AI来完成，包括自动化的无线资源管理、智能化的故障预测、自适应的拓扑调整；第二层，网络为外部AI应用提供算力、数据和连接服务，让AI应用可以就近部署、就近推理；第三层，网络的数据采集、传输、计算路径，本身就是为AI任务的分布式执行而设计的，而不是像传统网络那样数据汇聚到中心再统一计算。
所以，CIS-RAN里的内生AI，更像是一个“AI原生操作系统”——它管理的不只是频谱、功率、连接，还包括算力资源、模型仓库、数据管道。AI是网络操作系统的核心调度器，也是基础服务能力。
2.2 内生的AI框架：从集中式到分布式
传统网络里的AI应用，多数是集中式的。数据从各个基站汇聚到中心云平台，训练和推理都在中心完成。这种模式在离线场景没问题，但在6G的实时业务场景里根本不可行。CIS-RAN的AI框架是分布式原生设计——训练可以放在中心，推理必须下沉到边缘，增量学习在网络中持续进行。
具体到实现上，需要在网络节点内置一套轻量级的AI运行环境。比如在CU/DU内部嵌入一个AI推理引擎，支持常见的模型格式（如ONNX、TensorRT），并提供标准的模型下发和更新接口。控制面有一个模型管理模块，负责模型的版本管理、分发策略和性能监控——模型不是部署完就完事了，而是要根据线上数据持续迭代。
我之前参与过一个基站侧AI波束管理的项目，最大的体会是：边缘AI的难点往往不在模型本身，而在模型更新和回退机制。无线信道变化快，模型很快会过时需要更新，但如果新模型上线后性能反而变差，就必须有快速回退的能力。这需要网络侧对AI模型的运行状态有完整的监控和闭环管理能力，这其实是内生AI一个非常重要、但经常被忽视的技术点。
2.3 通信与AI的“双向奔赴”：两套闭环
CIS-RAN概念里经常会提到“通信与AI双向奔赴”，我觉得这是最形象的说法，背后其实是两套闭环。
第一套闭环是“AI for RAN”，即用AI来优化接入网。这是当前进展最快、落地最成熟的方向。比如利用深度强化学习做无线资源调度，利用预测模型做小区间干扰协调，利用联邦学习在分布式节点上做信道预测。这些AI算法直接嵌入到RAN的控制流程中，替代或不完全替代传统的规则算法，让RAN对动态环境有更强的自适应能力。
第二套闭环是“RAN for AI”，即接入网为AI任务提供基础设施服务。这个方向更超前，也更考验架构设计。它要求RAN节点能把算力资源和通信资源统一编排，为AI应用提供“计算+连接”一体化的服务。比如一个车路协同的感知融合应用，需要路侧摄像头的数据、车载传感器的数据、路侧单元的计算资源，这些都要通过网络协调起来——RAN在这里的角色就不再是“管道”，而是“分布式计算的调度器”。
这两套闭环是相辅相成的：AI for RAN让网络更智能，RAN for AI让AI更高效，两者共同形成正反馈。这也是CIS-RAN最核心的思想精髓。
3. 端边网协同：分布式智能的核心机制
3.1 三层架构逻辑：端侧、边缘、中心如何分工
理解端边网协同，关键是把“端、边、网”的职责边界划清楚。
端侧就是终端设备，它负责数据采集和轻量级的AI推理。比如手机、传感器、工业终端，在本地完成初步的特征提取和数据预处理，能本地处理的就不上传。边侧是网络边缘的计算节点，它承接端侧上传的数据，做进一步的特征融合和推理——比如在一个园区里，多个摄像头的视频流需要汇聚到边缘节点做跨镜头的目标跟踪，这种计算任务就是在边侧完成的。中心则负责全局性的AI模型训练和知识沉淀。
这三者不是简单的“端采集、边处理、中心训练”线性关系，而是一个动态协同的关系：时延敏感、数据量大的任务在端侧或边侧完成，需要全局知识的任务在中心完成，端边网之间可以通过模型压缩、联邦学习、知识蒸馏等手段协同工作。这种“数据不出场、模型到处走”的模式，我觉得是未来工业智能场景的主流。
3.2 任务怎么在端边网之间“智能分流”
端边网协同说起来容易，做起来难，难就难在“任务怎么分流”。设计一个合理的分流机制，需要考虑几个因素：任务的时延要求、数据量大小、算力消耗、隐私敏感度以及网络当前的负载状态。
CIS-RAN的设计思路是，把分流决策做成一个“AI编排器”的职责——这个编排器运行在网络控制面，实时监控端边网各节点的算力状态、通信状态和任务队列状态，为每个AI任务动态决策算在哪里执行。比如一个任务时延要求是5ms，数据量是100MB，边缘节点算力充足，那编排器就会把它调度到边缘；如果边缘节点已经过载，就进一步下沉到某个算力更空闲的节点。
这个编排器本身也需要AI驱动——传统启发式算法在多变量、动态变化的场景里效果有限，用强化学习来做长期调度的收益会更好。我见过一些方案是用“深度强化学习+图神经网络”来建模端边网拓扑，让编排器对网络状态有整体的理解和预测能力。
3.3 端边网协同里的一个真实案例参考
拿一个智能仓储的AGV调度场景来举例。仓库里有几十台AGV（自动导引车），每台车上都有传感器和算力，但算力有限。如果所有感知决策都放在中心服务器，时延太高且中心压力大，一个高密度AGV环境根本跑不起来。
在CIS-RAN的架构下，每个AGV是“端”，负责本车的障碍物识别和路径跟随；仓库边缘节点负责多车协同的路径规划和避障调度，同时汇聚各车的状态做局部优化；中心节点则基于历史数据做流量预测和全局调度策略训练。AGV之间的低时延通信、AGV与边缘节点的数据交互，统一由RAN节点承载。
这种方法跟我们传统的“单车智能”和“云控”都不同：单车智能在端侧做了太多事，对单机算力要求极高；云控什么都往中心拉，又必然受制于网络时延。端边网协同走的是中间路线，对实时性和成本的平衡是最好的。
4. 支撑CIS-RAN的关键使能技术
4.1 数字孪生：先从“网络镜子”里试错
提起CIS-RAN的实践路径，数字孪生是不能跳过的。要做网络层面的AI闭环优化，直接在生产网络上跑实验的风险是不可控的。数字孪生可以构建一个和物理网络同步映射的虚拟网络，把无线信道、业务模型、用户移动性全部建出来，AI策略先在孪生网络里验证，再下发到物理网络执行。
跟传统网络仿真的区别是，数字孪生要求“实时同步”：物理网络的状态变化能同步到孪生网络里，孪生网络的模拟结果也能快速反馈到物理网络。这背后需要一套高效的数据采集和同步管道。我前面提到CIS-RAN把感知数据和网络数据一体化地接入进来，这为数字孪生的实时建模提供了非常丰富的数据源。
4.2 高效数据管道：让数据在该在的地方
CIS-RAN作为AI底座，上面跑着大量分布式AI任务，这意味着数据流的设计至关重要。多个节点之间需要共享数据、模型和推理结果，这背后是一套稳定高效的数据管道。
举个例子，通感一体化场景中，某个感知节点检测到一个移动目标，需要把这个目标的位置和特征信息实时提供给周边节点做协同跟踪。这些数据是流式的、低时延的、空间相关的，用传统“汇聚到中心再分发”的模式根本不行。CIS-RAN需要支持基于主题的分布式消息分发，让数据从生产节点直接推送到消费节点，中间不做不必要的汇聚。
在设计数据管道时，我们还需要区分不同数据的分级：有些数据必须实时传输，比如波束状态的反馈；有些数据是准实时的，比如感知特征；有些数据是离线的，比如训练样本。不能把所有数据都拉进一条管道，会浪费传输资源和计算资源。
4.3 算力感知与智能调度：像管电力一样管算力
CIS-RAN对算力的管理，我打个比方，很像电网对电力的管理——整体编排、削峰填谷、智能调度，让算力资源在网络中流动起来。
这个方向的关键技术是“算力感知路由”（Computing-aware Routing）。传统网络路由只看拓扑和带宽，算力感知路由会额外把节点的算力负载、GPU使用率、推理队列长度作为路由参考因子。当某个节点的计算任务过多，它可以把部分请求路由到有闲置算力的邻居节点，从而让整个网络的算力资源更均衡地被利用。
这个思路的落地，要求各节点实时广播自己的算力状态，控制面也要有一个算力资源视图，类似SDN控制器维护全网拓扑一样。目前行业里已经有了不少算力网络的标准预研，不过距离成熟还有一段路。我个人的看法是，短期内可以先从一个区域、一个园区的规模做起——把园区里的几个边缘节点用算力调度管理起来跑通闭环，再逐步扩大到更大范围。
4.4 开放API化和安全：生态的边界
CIS-RAN如果要成为行业共用的底座，就必须有开放API。网络能力、算力能力、数据能力都要通过标准化的API开放出去，让上层的应用开发者按需调用。
不过开放接口也带来了安全挑战——AI应用的模型和数据在网络中流动，可能会受到攻击、窃取或污染。这个方向需要建立一套安全机制：模型加密传输、数据访问控制、推理结果完整性校验，缺一不可。特别是边缘节点的物理安全比较容易被忽视，节点部署在室外或园区角落，硬件安全和数据安全都需要专门加固。
5. 行业格局与影响分析
5.1 设备商、运营商、应用方的三位一体变化
CIS-RAN对产业链的影响是结构性的。
对设备商来说，过去卖的是“通讯设备”，功能边界很清晰；未来卖的是“智能通信基础设施”，需要同时提供通信能力、算力加速、AI平台和应用生态。这意味着设备商不再只是定义通信硬件，还要定义AI运行的环境和标准，这在产品设计和商业模式上都是比较大的转变。
对运营商来说，CIS-RAN让网络价值能够向上延展——从管道连接的价值延伸到算力+AI服务。运营商手里有大量边缘机房和站址资源，这些完全可以变成分布式算力节点对外提供服务。这个方向如果走通，运营商的商业模式会从“卖连接”升级为“卖算力、卖智能服务”。
对应用方来说，最大的变化是原本需要在应用侧自己解决的分布式计算问题，现在网络侧愿意提供支撑——应用不需要自己设计“终端+云”的复杂架构，而是直接基于网络能力构建端边网协同系统，开发门槛显著降低。
5.2 标准化趋势与生态演进
CIS-RAN目前还在从概念走向落地的过程，标准化体系还不完备。通信AI融合、算力网络这些方向的技术体系正在多个标准组织里讨论。国内产业界也在逐步推进相关方向的研究和验证，6G研发试验已经关注到内生AI、通感算智一体化这些主题。
这个阶段对从业者而言，既是挑战也是机会——标准和生态都还没有固化，谁能在关键技术方向上提出好的方案并付诸实践，谁就有机会参与到标准的定义中去。对于做技术选型的人来说，现在关注CIS-RAN不算早，因为底层逻辑已经逐渐清晰，更多是在等成熟的产品化方案和标准落地。
5.3 一个可参考的渐进式落地思路
对于实际做网络规划和建设的朋友，我的建议是：不要一上来就想做“大而全”的CIS-RAN，而是分步走、场景驱动。
第一步，在现有网络里先部署AI网络优化能力，比如AI波束管理、AI负载预测，这时候不需要改动架构，只需要在网元上增加AI推理模块。第二步，在典型场景里试点“通信+感知+计算”的融合节点，比如智慧园区、智能工厂，验证多功能的资源复用和管理编排。第三步，再逐步引入算力感知调度和分布式AI框架，向着完整的CIS-RAN演进。
这种路径的好处是，每一步投入都能产生相对明确的价值和反馈，而不是等全套系统建完才能看到收益，风险更可控。
6. 分歧与思辨：CIS-RAN没那么无所不能
有一点我想泼一盆冷水。CIS-RAN的概念很性感，但绝不是包治百病。我见过一些畅想方案，把几乎所有6G业务都塞到CIS-RAN里，结果要么复杂度失控，要么性能不达标。
最大的一个问题就是复杂度成本。通感算智一体化，意味着一个节点要同时处理通信链路、感知信号和AI推理——这在工程实现上的复杂度是指数级的。传统通信设备是高度专业化的硬件，讲究确定性和稳定性；AI计算则讲究吞吐和弹性。把两者融合在一起，在硬件设计、功耗控制、实时性保障上都有很多硬骨头。
另外，不是所有业务都适合在接入网侧做AI推理。比如大模型训练这种重型任务，对算力的需求是“巨量”级别的，接入网侧无论如何也提供不了；还有一些全局性业务，在中心云处理反而更合适。如果硬要把所有AI都下沉到边缘，就会造成算力的铺张浪费。所以说什么场景用CIS-RAN、什么场景用云端中心，需要有一个理性的判断。CIS-RAN的目标应该是“适合在边缘和接入侧跑的任务”，而非“所有AI任务”。
作为一个做通信技术的人，我一直比较喜欢用工程实用主义的视角看待新概念：它能不能在五年后大规模落地？成本收益算不算得过来？产业链愿不愿意跟着投入？如果这三个问题的答案都“不”或“不确定”，那概念就要先打个折扣。CIS-RAN在这三个问题上目前表现尚可，但也确实还有很长的路要走。
7. 写给从业者的几点建议
最后，给正在关注这个方向的朋友几个比较务实的建议：
第一，把“AI建模”和“通信系统”这两个领域的知识打通。CIS-RAN是一个交叉方向，懂通信不懂AI的人做不好内生智能，懂AI不懂通信的人也做不好网络感知。我认识的一些团队，已经在组织两个方向的工程师结对子做联调，这个方向会越来越吃香。
第二，重视数据基础。AI原生网络最稀缺的资源不是算力而是高质量、可标注、带时序关联的网络数据。谁能先把数据管道和数据资产管理做好，谁就掌握了后续AI优化的前提条件。这里面包括数据的采集规范、存储结构、标注方法、共享机制等，看起来不性感，但很关键。
第三，先在小场景里打磨闭环。别一开始就奔着“全网智能”去，找一个具体的痛点场景。这个场景不用大，但要能把“感知-通信-计算-AI”串起来，形成一个完整的小闭环。跑通一个闭环带来的认知价值，远大于看一百篇论文。
这一行干得久了会有一个体会：很多宏大的概念，最后真正能立住的，都是在具体的场景里一次次磨出来的。CIS-RAN想成为6G的智能底座，也需要这样一个过程。
