Künstliche Intelligenz ist nicht plötzlich mit dem Aufkommen generativer KI in die Telekommunikation eingezogen. Ihr Einfluss auf Mobilfunknetze entwickelt sich seit mehr als einem Jahrzehnt und folgt dabei eng der Entwicklung von 4G über 5G und 5G-Advanced hin zu 6G. Was sich am stärksten verändert hat, ist nicht einfach die Anzahl der in den Netzen eingesetzten KI-Modelle, sondern die Rolle, die Intelligenz innerhalb der Kommunikationsarchitektur spielt.

In 4G war KI weitgehend ein offline-analytisches Werkzeug. Mit 5G rückte die Intelligenz näher an das Funknetz heran und begann, die Echtzeit-Optimierung zu unterstützen. In 5G-Advanced wird KI zunehmend Teil eines end-to-end Betriebsrahmens, der Vorhersage, Ressourcenkoordination und automatisierte Wiederherstellung ermöglicht. Die längerfristige 6G-Vision geht noch weiter, indem sie Intelligenz als native Architekturfähigkeit betrachtet – nicht als externe Funktion, die nachträglich zum Netz hinzugefügt wird.

Diese Entwicklung verändert den Zweck des Netzes selbst. Eine Mobilfunkinfrastruktur, die einst vor allem auf den Transport von Daten ausgerichtet war, wird zunehmend in der Lage, Bedingungen zu erfassen, Verhalten zu analysieren, Nachfrage vorherzusagen, Ressourcen zuzuweisen, abnormale Zustände zu erkennen und sich selbst an die Dienstleistungsanforderungen anzupassen.

Von der Unterstützung zur nativen Intelligenz

Die Beziehung zwischen KI und mobiler Kommunikation lässt sich als Fortschritt durch vier verschiedene Phasen verstehen. Jede Generation erhöht sowohl die Tiefe der Intelligenz als auch die Geschwindigkeit, mit der KI das Netzverhalten beeinflussen kann.

Der entscheidende Übergang verläuft von KI außerhalb des Netzes zu KI innerhalb des Netzsteuerungsprozesses. Frühere Systeme analysierten historische Informationen, nachdem Ereignisse bereits stattgefunden hatten. Fortschrittlichere Architekturen nutzen zunehmend Echtzeitinformationen, um zu beeinflussen, was das Netz als Nächstes tut.

Dieser Unterschied ist grundlegend. Offline-Analysen können die Überlastung von gestern erklären. Regelkreis-Intelligenz kann steigende Last erkennen, vorhersagen, was wahrscheinlich geschehen wird, Ressourcen anpassen und bewerten, ob die Änderung den Dienst tatsächlich verbessert hat.

4G: Analysen ohne Regelkreis-Steuerung

Das Hauptziel der 4G-Ära war mobiles Hochgeschwindigkeits-Breitband. Netzarchitektur, Funkgeräte, Transportressourcen und Betriebsprozesse wurden hauptsächlich darauf ausgelegt, stetig wachsende Datenmengen effizient zu übertragen.

Künstliche Intelligenz hatte nur sehr geringen Einfluss auf die zugrundeliegende Kommunikationsarchitektur. Die meiste intelligente Verarbeitung fand in zentralen IT- oder Cloud-Umgebungen statt, nicht in der Funkzugangs- oder Edge-Infrastruktur.

Typische Anwendungen umfassten Verkehrsstatistiken, Alarmklassifizierung, Beschwerdeanalyse und periodische Netzberichte. Diese Werkzeuge konnten Ingenieuren helfen zu verstehen, was geschehen war, aber sie arbeiteten normalerweise nach dem Ereignis und nicht direkt in der Netzsteuerung.

Die Optimierung hing daher stark von den Ingenieurteams ab. Zellenparameter, Nachbarzellenbeziehungen, Leistungsschwellen, Interferenzprobleme und andere Funkeinstellungen erforderten häufig manuelle Analyse und Anpassung.

Dieser Ansatz funktionierte recht gut, solange das Netzverhalten relativ vorhersagbar war, wurde aber an Standorten mit stark schwankender Nachfrage zunehmend ineffizient. Geschäftsviertel, Bahnhöfe, Verkehrsknotenpunkte und andere Gebiete können starke Verkehrsschwankungen aufweisen. Eine Konfiguration, die in ruhigen Zeiten gut funktioniert, kann bei plötzlichen Spitzen ungeeignet sein.

Ohne verteilte Edge-Computing- und intelligente Funktionen nahe der Basisstation konnte KI die lokalen Bedingungen nicht kontinuierlich analysieren und das Netzverhalten sofort ändern. Es gab keinen ausgereiften Echtzeit-Zyklus, der Datenerfassung, intelligente Analyse, Entscheidungsfindung und automatisierte Ausführung verband.

Infolgedessen bestand der Hauptwert von KI in dieser Phase in der Betriebstransparenz, nicht in der autonomen Optimierung. Sie half, Informationen für Ingenieure zu organisieren, hatte aber nur begrenzte Fähigkeit, das Netz in Echtzeit direkt zu verbessern.

5G bringt Intelligenz an den Rand

Der Übergang zu 5G veränderte die Betriebsumgebung erheblich. Hochauflösendes Video, Cloud-Gaming, großflächige IoT-Einführung und die rasch steigende Gerätedichte führten zu dynamischeren Verkehrsmustern und komplexeren Funkbedingungen.

Die traditionelle Optimierung, die hauptsächlich auf manueller Ingenieurarbeit und festen Algorithmen beruhte, wurde zunehmend schwer skalierbar. Eine wichtige architektonische Änderung war daher die Verlagerung der Rechenkapazität näher an den Netzrand.

Mit intelligenter Technologie, die näher an der Funkzugangsinfrastruktur bereitgestellt wird, konnten Netzdaten mit einer Reaktionszeit im Millisekundenbereich erfasst und analysiert werden. KI-Systeme konnten kontinuierlich Informationen wie Kanalqualität, Interferenzbedingungen, Nutzermobilität und Zellenlast beobachten, anstatt sich ausschließlich auf periodische Offline-Analysen zu verlassen.

Dies ermöglichte mehrere praktische Optimierungsfunktionen.

• Lastverteilung zwischen Zellen: Der Verkehr kann effektiver verteilt werden, wenn benachbarte Zellen unterschiedliche Nachfrageniveaus aufweisen.

• Intelligente Nutzerlenkung: Nutzer können entsprechend den aktuellen Bedingungen zu geeigneteren Netzressourcen geführt werden.

• Mobilitätsvorhersage: Bewegungsmuster können dem Netz helfen, sich auf Übergaben vorzubereiten, bevor die Dienstqualität nachlässt.

• Interferenzoptimierung: Intelligente Analysen können sich ändernde Funkbedingungen erkennen und eine anpassungsfähigere Interferenzverwaltung unterstützen.

Diese Fähigkeiten sind besonders nützlich in dicht besiedelten Stadtgebieten, U-Bahn-Systemen, Campusgeländen, Verkehrsumgebungen und anderen Orten, an denen Nutzerdichte und Bewegungsmuster sich ständig ändern.

Die Intelligenz in konventionellem 5G sollte jedoch weiterhin als zusätzliche Optimierungsfähigkeit betrachtet werden und nicht als vollständig KI-native Architektur. Die zugrundeliegenden Protokolle und die Hardware-Architektur waren ursprünglich nicht auf autonome Entscheidungsfindung in allen Netzbereichen ausgelegt.

Dies begrenzt, wie weit die Automatisierung gehen kann. Routinemäßige Überlastungs-, Mobilitäts- und Interferenzprobleme können wirksam behandelt werden, aber ungewöhnliche Situationen wie Verkehrsspitzen bei Großveranstaltungen, extremes Wetter oder komplexe Gebäudeabschattungen können weiterhin Ingenieureingriffe erfordern.

Daher bleibt das Betriebsmodell weitgehend von Menschen geführt mit KI-Unterstützung. Intelligenz verbessert die Effizienz, aber Ingenieure stellen weiterhin das letzte Sicherheitsnetz für Bedingungen dar, die außerhalb der etablierten Optimierungsmuster liegen.

5G-A bewegt sich in Richtung proaktive Autonomie

5G-Advanced steht für eine tiefere Integration zwischen Kommunikationsinfrastruktur und künstlicher Intelligenz. Anstatt KI auf isolierte Optimierungsaufgaben zu beschränken, kann Intelligenz über das Funkzugangsnetz, die Transportinfrastruktur und das Kernnetz verteilt werden.

Die wichtige Veränderung ist der Schritt vom reaktiven Management hin zum proaktiven Betrieb. Die traditionelle Wartung beginnt oft erst, nachdem ein Leistungsproblem oder Geräteausfall das Netz bereits beeinträchtigt hat. Eine intelligente Architektur kann gesammelte Betriebsdaten nutzen, um Muster zu erkennen, die auftreten, bevor der Fehler für die Nutzer sichtbar wird.

Potenzielle Alterung von Geräten, Verschlechterung der Übertragung, zunehmende Überlastung und andere abnormale Trends können daher früher analysiert werden. Ziel ist es, sich entwickelnde Probleme zu identifizieren und einzugreifen, bevor sie zu dienstbeeinträchtigenden Ausfällen werden.

Vorausschauende Netzbetriebsführung

Historische und Echtzeitdaten können kombiniert werden, um abnormales Verhalten zu erkennen. Anstatt jeden Alarm als isoliertes Ereignis zu behandeln, kann die intelligente Analyse die Beziehung zwischen Gerätestatus, Verkehrsänderungen, Leistungsindikatoren und früheren Fehlern untersuchen.

Dies verändert die Netzwartung von einem einfachen Alarm-Reaktions-Prozess hin zu einem vorausschauenderen Betriebsmodell.

Intelligenterer Einsatz von Funkressourcen

KI-gestützte Strahlformung kann verbessern, wie Funkenergie auf die Nutzer ausgerichtet wird. Durch die Anpassung der Signalübertragung an die aktuellen Funkbedingungen kann das Netz Ressourcen dort konzentrieren, wo sie benötigt werden, und gleichzeitig unnötige Interferenzen reduzieren.

Gleiches Prinzip gilt allgemeiner für die Spektrumsverwaltung. Funkressourcen werden zunehmend dynamisch, anstatt gemäß statischen Annahmen über die Nachfrage festgelegt zu bleiben.

Erfahrungs- und Energieoptimierung

Der Verkehr bleibt nicht den ganzen Tag über konstant. Geschäftsviertel, Wohngebiete, Verkehrsknotenpunkte, Industriestandorte und Campusgelände weisen alle erkennbare Nachfragemuster auf.

KI kann diese Muster lernen und dem Netz helfen, Ressourcen entsprechend anzupassen. Während der Spitzenzeiten kann die Kapazität konzentriert werden, während bei sinkender Nachfrage unnötige Ressourcen reduziert werden können. Ziel ist es, die Serviceerfahrung zu verbessern und gleichzeitig den Energieverbrauch zu kontrollieren.

Adaptive Industriekonnektivität

Private und branchenorientierte Netze haben oft Anforderungen, die sich stark von denen des normalen Verbraucher-Breitbands unterscheiden. Anwendungen der industriellen Steuerung, des Gesundheitswesens und der Niedrigflug-Konnektivität können Latenz, Zuverlässigkeit, Isolation oder vorhersagbare Ressourcenverfügbarkeit priorisieren.

Intelligente Orchestrierung kann helfen, Netz-Slices und verfügbare Ressourcen an diese Serviceanforderungen anzupassen und gleichzeitig auf Interferenzen und sich ändernde Betriebsbedingungen zu reagieren.

Diese Stufe führt auch eine umfassendere Beziehung ein, die häufig über zwei komplementäre Richtungen beschrieben wird: AI4Net und Net4AI.

AI4Net bedeutet, künstliche Intelligenz zu nutzen, um das Kommunikationsnetz selbst durch bessere Effizienz, Leistung, Wartung und Ressourcenkontrolle zu verbessern. Net4AI beschreibt die umgekehrte Richtung: Ein zunehmend intelligentes und leistungsfähiges Netz bietet die Konnektivitäts- und Rechengrundlage, die von KI-fähigen Diensten und Geräten benötigt wird.

Das Ergebnis ist ein sich selbst verstärkender Kreislauf. KI verbessert den Netzbetrieb, während das verbesserte Netz eine größere Palette intelligenter Anwendungen unterstützt.

6G beginnt mit integrierter Intelligenz

Das längerfristige 6G-Konzept stellt eine fundamentalere architektonische Veränderung dar. Anstatt zuerst ein konventionelles Kommunikationsnetz zu entwerfen und später Intelligenz hinzuzufügen, wird das Netz von vornherein mit verteilter Intelligenz, autonomem Lernen und koordinierter Entscheidungsfindung konzipiert.

Kommunikation, Sensorik, Rechnen und künstliche Intelligenz werden zunehmend integriert. Das Netz ist nicht mehr nur für die Übertragung von Bits von einem Endpunkt zum anderen verantwortlich. Es beteiligt sich auch am Verständnis der Umgebung, an der Verteilung von Rechenaufgaben, an der Koordination von Ressourcen und an der Unterstützung intelligenter Maschinen.

Verteilte Intelligenz im gesamten Netz

Zukünftige Intelligenz wird wahrscheinlich nicht an einem zentralen Ort existieren. Unterschiedliche Entscheidungen haben unterschiedliche Anforderungen an Latenz, Datenschutz, Rechenleistung und Ressourcen.

Eine mehrstufige Architektur kann daher Intelligenz über Endgeräte, Edge-Knoten, Basisstationen und Cloud-Infrastruktur verteilen. Schnelle lokale Entscheidungen können näher am Nutzer getroffen werden, während die Koordination auf größerer Ebene breitere Netzwerkinformationen nutzen kann.

Dies schafft ein System, in dem Ressourcen nach den Bedürfnissen einzelner Dienste koordiniert werden können, anstatt unabhängig voneinander in isolierten Netzschichten gesteuert zu werden.

Semantische Kommunikation verändert das Ziel

Herkömmliche Kommunikationssysteme konzentrieren sich auf die genaue Übertragung von Bits. Die semantische Kommunikation verfolgt ein anderes Konzept: die Übertragung der Informationen, die für die Anwendung bedeutsam sind, anstatt immer jedes einzelne Rohdatenteil zu übertragen.

Für intelligente Maschinen kann dies besonders wichtig sein. Zwei KI-Systeme müssen möglicherweise nicht jede ursprüngliche Datenprobe austauschen, wenn die Aufgabe durch das Teilen ausgewählter Merkmale, Absichten oder semantischer Informationen erledigt werden kann.

Die Reduzierung redundanter Informationen könnte die Kommunikation für zukünftige XR-Dienste, autonome Fahrzeuge, intelligente Roboter und andere Anwendungen effizienter machen, die enorme Mengen interaktiver Daten erzeugen können.

RIS macht die Umgebung programmierbar

Rekonfigurierbare intelligente Oberflächen (RIS) führen ein weiteres wichtiges Konzept ein. Die traditionelle Funktechnik akzeptiert die physikalische Ausbreitungsumgebung weitgehend als etwas, mit dem das Netz umgehen muss.

RIS ändert diese Annahme, indem sie eine dynamische Beeinflussung der elektromagnetischen Ausbreitung ermöglicht. In Kombination mit intelligenter Steuerung können reflektierende Oberflächen Signalpfade anpassen, um die Abdeckung zu verbessern, Interferenzen zu reduzieren oder Gebiete zu erreichen, die über herkömmliche Ausbreitung allein nur schwer zu versorgen sind.

Anstatt die Konnektivität nur durch das Hinzufügen weiterer Sendegeräte zu verbessern, können Teile der Funkumgebung selbst steuerbar werden.

Autonomie geht über feste Regeln hinaus

Frühere Generationen sind stark auf Parameter, Schwellwerte und Regeln angewiesen, die von Ingenieuren im Voraus festgelegt wurden. Eine intelligentere 6G-Architektur zielt darauf ab, diese Abhängigkeit zu verringern.

Das Netz würde zunehmend aus sich ändernden Bedingungen lernen, Ressourcen domänenübergreifend koordinieren und sein Betriebsverhalten an die Serviceanforderungen und Umgebungsbedingungen anpassen.

Das langfristige Ziel ist eine Kommunikationsinfrastruktur, die sich mit erheblich weniger manuellen Eingriffen organisieren, optimieren und wiederherstellen kann.

Was diese Entwicklung verändert

Die Bewegung hin zu intelligenter Kommunikation hat weitreichende Folgen, die über das Hinzufügen von KI-Software zu bestehenden Netzmanagementplattformen hinausgehen. Sie verändert, wie die Infrastruktur Informationen sammeln, Rechenressourcen verteilen, Entscheidungen umsetzen und Leistung bewerten sollte.

Intelligenz muss der Arbeitslast folgen

Zentrale Cloud-Computing bleibt wertvoll für das Modelltraining und die großflächige Analyse, aber nicht jede Netzentscheidung kann auf ein entferntes Rechenzentrum warten. Mobilität, Interferenzen, Funkplanung und andere zeitkritische Prozesse erfordern möglicherweise Intelligenz näher am Ort der Datenerzeugung.

Die Entwicklung von 4G zu 5G zeigt daher ein wichtiges architektonisches Prinzip: Die Rechenkapazität muss gemäß den Anforderungen an die Antwortzeit verteilt werden.

Daten werden zur Betriebsressource

KI kann kein Netz optimieren, das sie nicht beobachten kann. Funkbedingungen, Verkehrsnachfrage, Gerätestatus, Mobilitätsmuster und Serviceverhalten werden zu kritischen Eingaben für die intelligente Entscheidungsfindung.

Der Wert dieser Informationen steigt auch, wenn verschiedene Domänen gemeinsam analysiert werden können. Ein isolierter Funkindikator kann nur einen Teil eines Problems erklären, während kombinierte Informationen aus Zugangs-, Transport-, Kern- und Dienstebenen ein vollständigeres Betriebsbild liefern können.

Regelkreis-Betrieb wird unerlässlich

Die Entwicklung hin zu Autonomie erfordert mehr als nur die Erstellung von Empfehlungen. Intelligenz muss Teil eines wiederholbaren Zyklus werden:

1. Beobachten der aktuellen Netzwerkbedingungen;

2. Analysieren von Mustern und Erkennen von Veränderungen;

3. Vorhersagen der wahrscheinlichen Auswirkungen auf Dienst oder Gerät;

4. Auswählen einer geeigneten Antwort;

5. Anwenden der Änderung auf Netzressourcen;

6. Messen des Ergebnisses und Fortsetzen des Lernens.

Dieser Regelkreis-Ansatz unterscheidet analytische Intelligenz von betrieblicher Intelligenz. Das Netz beschreibt nicht nur seinen Zustand; es beteiligt sich zunehmend an der Verbesserung dieses Zustands.

Optimierung wird multiobjektiv

Zukünftige Netze können nicht nur für maximalen Durchsatz optimieren. Sie müssen Abdeckung, Latenz, Zuverlässigkeit, Energieverbrauch, Spektrumeffizienz, Serviceanforderungen und Ressourcenverfügbarkeit ausbalancieren.

KI wird nützlich, weil sich diese Ziele oft nach Standort und Zeit ändern. Die beste Ressourcenkonfiguration für einen überfüllten Verkehrsknotenpunkt kann sich stark von der besten Konfiguration für ein industrielles Privatnetz oder ein nachts wenig ausgelastetes Wohngebiet unterscheiden.

Intelligente Planung ermöglicht es, dass das Netzverhalten enger mit den tatsächlichen Betriebsbedingungen übereinstimmt.

Strategische Erkenntnisse für die Netzplanung

Der Fortschritt von 4G zu 6G zeigt eine konsistente Richtung: Künstliche Intelligenz bewegt sich vom Rand der Telekommunikationsbetriebe zur Mitte der Netzarchitektur.

In 4G halfen intelligente Werkzeuge hauptsächlich Ingenieuren, das historische Netzverhalten zu verstehen. In 5G ermöglichte Edge-Computing der KI, an schnelleren und lokalerer Optimierung teilzunehmen. 5G-Advanced erweitert diesen Ansatz auf weitere Netzdomänen und führt stärkere Fähigkeiten für Vorhersage, Selbstoptimierung, Energiemanagement und automatisierte Ressourcenkoordination ein.

Die 6G-Vision erweitert das Konzept weiter, indem sie Intelligenz zur native Eigenschaft der Kommunikationsarchitektur macht. Verteiltes Lernen, semantische Kommunikation, programmierbare Funkumgebungen und koordinierte Kommunikations-Rechen-Ressourcen weisen auf eine Infrastruktur hin, die nicht nur dafür ausgelegt ist, intelligente Dienste zu tragen, sondern selbst intelligent zu arbeiten.

Dies verändert auch die Wettbewerbsbasis in der Telekommunikation. Die Netzleistungsfähigkeit wird zunehmend nicht nur an Spitzenrate, Bandbreite, Abdeckung oder Hardwareleistung gemessen, sondern auch daran, wie effektiv die Infrastruktur Nachfrage verstehen, Rechen- und Kommunikationsressourcen planen, sich an verschiedene Szenarien anpassen und autonom arbeiten kann.

5G-Advanced ist daher ein wichtiger Übergang und nicht nur ein inkrementelles Funk-Upgrade. Die in dieser Phase gesammelten Betriebsdaten, intelligenten Modelle, Automatisierungserfahrungen und Anwendungsszenarien können praktische Grundlagen für eine tiefere Integration von Intelligenz in zukünftige 6G-Systeme liefern.

Mit der fortschreitenden Konvergenz von Kommunikation, Sensorik, Rechnen und Intelligenz wandelt sich das Netz allmählich von einer passiven Transportinfrastruktur zu einem aktiven digitalen Fundament, das zunehmend autonome Geräte, Anwendungen und Branchen unterstützen kann.

FAQ

Warum ist Edge-Computing wichtig für intelligente Mobilfunknetze?

Viele Funk- und Mobilitätsentscheidungen müssen schnell getroffen werden. Die Verlagerung von Rechenressourcen näher an das Zugangsnetz verringert die Distanz zwischen Datenerfassung, Analyse und Aktion und macht die Echtzeitoptimierung praktikabler als die alleinige Abhängigkeit von zentraler Offline-Verarbeitung.

Warum wird 5G-Advanced als wichtige Brücke zu 6G betrachtet?

Es bietet eine praktische Umgebung für die Ausweitung von KI auf Funk-, Transport- und Kernnetzbetriebe und sammelt gleichzeitig Betriebsdaten, Automatisierungserfahrungen, intelligente Modelle und Branchenanwendungsfälle, die zukünftige native Intelligenzarchitekturen unterstützen können.

Welche Umgebungen profitieren am meisten von adaptiver Optimierung?

Orte mit stark schwankender Nachfrage oder komplexen Mobilitätsmustern können erheblich profitieren. Beispiele sind dicht besiedelte Stadtgebiete, Verkehrssysteme, Campusgelände, industrielle Umgebungen und Orte, an denen der Verkehr je nach Zeit oder Ereignissen stark schwankt.

Warum werden Rechenressourcen in der Netzplanung immer wichtiger?

Zukünftige Dienste sind sowohl auf Konnektivität als auch auf intelligente Verarbeitung angewiesen. Da KI-Funktionen über Endgeräte, Edge-Infrastruktur, Funkknoten und Clouds verteilt werden, wird die Fähigkeit, Rechenressourcen zu koordinieren, zunehmend mit der Dienstqualität verknüpft.

Werden zukünftige Netze den menschlichen Betrieb völlig überflüssig machen?

Die Richtung geht zu höheren Stufen automatisierter Analyse, Vorhersage, Optimierung und Wiederherstellung. Der Fortschritt von 5G hin zu autonomeren Architekturen ist jedoch schrittweise, wobei jede Generation den Umfang der Entscheidungen erweitert, die intelligent behandelt werden können, anstatt das gesamte Betriebsmodell auf einmal zu ändern.