Báo Cáo Chuyên Sâu: Phân Tích Nguyên Lý Hoạt Động và Kiến Trúc của Lớp AI Native trong Mạng Di Động 6G

 Báo Cáo Chuyên Sâu: Phân Tích Nguyên Lý Hoạt Động và Kiến Trúc của Lớp AI Native trong Mạng Di Động 6G

Phần I: Giới Thiệu về Mô Thức AI Native trong Mạng 6G

Khi ngành viễn thông toàn cầu chuyển đổi từ việc triển khai và tối ưu hóa mạng 5G sang việc định hình thế hệ tiếp theo, một mô thức kiến trúc mới và mang tính cách mạng đã nổi lên như một nguyên tắc nền tảng cho mạng 6G: AI-Native. Không giống như các thế hệ trước đây, nơi Trí tuệ Nhân tạo (AI) được tích hợp như một công cụ bổ trợ, 6G được hình dung là một hệ thống mà AI không phải là một tính năng, mà là cốt lõi. Báo cáo này sẽ phân tích sâu về các nguyên lý hoạt động, sự thay đổi kiến trúc, các công nghệ nền tảng và các ứng dụng chức năng của lớp AI-native trong mạng 6G, đồng thời xem xét các thách thức và rủi ro cố hữu của nó.

1.1. Định Nghĩa AI Native: Sự Thay Đổi Mô Thức Căn Bản

Khái niệm "AI-Native" mô tả một kiến trúc trong đó AI không phải là một thành phần bổ sung, một sự cân nhắc sau cùng hay một tính năng thứ cấp. Thay vào đó, nó là một yếu tố "cơ bản", "cốt lõi" và được tích hợp "xuyên suốt từ đầu đến cuối" trong toàn bộ mạng lưới. Đây là một nguyên tắc nền tảng và thống nhất đang định hình các hoạt động nghiên cứu và phát triển 6G trên toàn cầu. Trong bối cảnh Việt Nam, AI-Native được hiểu là một hệ thống hoặc sản phẩm được xây dựng với AI làm cốt lõi ngay từ đầu, nơi mọi quy trình và tính năng đều được tích hợp sâu với AI. Điều này tạo ra sự khác biệt rõ rệt so với "embedded AI" (AI nhúng), nơi AI chỉ là một tính năng bổ sung hoặc hỗ trợ, không phải là phần trung tâm của hệ thống.  

Sự khác biệt cơ bản này được thể hiện rõ nhất khi so sánh với cách tiếp cận "AI-Integrated" (AI tích hợp) của 5G. Trong mạng 5G, việc triển khai AI chủ yếu là một "lớp phủ" (overlay) được áp dụng để tối ưu hóa mạng. AI được sử dụng trong các chức năng cụ thể, chẳng hạn như Chức năng Phân tích Dữ liệu Mạng (NWDAF) trong mạng lõi hoặc trong các hệ thống quản lý để tự động hóa các tác vụ hiện có. Về cơ bản, AI trong 5G là một công cụ được áp dụng  

cho mạng. Ngược lại, mạng 6G được kiến trúc với và cho AI. Trí tuệ nhân tạo và Học máy (ML) được nhúng sâu vào mọi lớp của mạng, từ Mạng Truy cập Vô tuyến (RAN), mạng lõi, cho đến các hệ thống quản lý và thậm chí cả chồng giao thức (protocol stack) trên thiết bị người dùng.  

Sự thay đổi mô thức này không chỉ là một bước tiến công nghệ tự nhiên mà còn là một biện pháp khắc phục có chủ đích cho những thiếu sót của 5G. Mạng 5G đã giới thiệu các công nghệ tiên tiến như Massive MIMO và network slicing, làm tăng đáng kể độ phức tạp của mạng. Sự phức tạp này đã khiến việc quản lý dựa trên quy tắc truyền thống do con người điều khiển trở nên kém hiệu quả và tốn kém, cản trở khả năng kiếm tiền từ các khoản đầu tư mạng. AI đã được đưa vào 5G như một "lớp phủ" để cố gắng quản lý sự phức tạp này, nhưng đó là một giải pháp phản ứng, không phải là một giải pháp chủ động được thiết kế từ đầu. Do đó, cách tiếp cận AI-native trong 6G—xây dựng AI vào cốt lõi—là một sự tái kiến trúc cơ bản được thiết kế để giải quyết các vấn đề về chi phí vận hành và khả năng kiếm tiền mà 5G đã tạo ra nhưng không thể giải quyết hiệu quả bằng cách tiếp cận AI "bổ sung" của mình.  

Bảng 1: So sánh vai trò của AI trong 5G và 6G

Đặc điểm	5G (AI Tích hợp/Tăng cường)	6G (AI-Native)
Triết lý Cốt lõi	AI như một lớp phủ/tính năng bổ sung.	AI là một thành phần cơ bản, nội tại.
Mức độ Triển khai	Chủ yếu trong các chức năng mạng cụ thể (ví dụ: NWDAF) và hệ thống quản lý.	Nhúng sâu vào tất cả các lớp, bao gồm cả chồng giao thức và giao diện vô tuyến.
Mục tiêu Chính	Tối ưu hóa mạng và tự động hóa các tác vụ hiện có.	Cho phép mạng tự trị hoàn toàn và tạo ra các dịch vụ mới (AIaaS).
Mô hình Vận hành	Dựa trên quy tắc với sự hỗ trợ của AI.	Dựa trên dữ liệu, học hỏi và dựa trên ý định (intent-based).
Điều kiện Tiên quyết	Cloud-Native.	AI-Native (xây dựng trên nền tảng cloud-native).
Công nghệ Ví dụ	NWDAF, Mạng tự tổ chức (SON).	Giao diện Vô tuyến AI-Native, Truyền thông Ngữ nghĩa, Agentic AI.

1.2. Triết Lý Nền Tảng: Từ Mạng Dựa trên Quy Tắc đến Mạng Tự Trị

Triết lý nền tảng của AI-native là sự chuyển đổi từ các mô hình tĩnh, dựa trên quy tắc sang các phương pháp tiếp cận thích ứng, dựa trên học máy. Mạng 6G được thiết kế để có khả năng nhận thức, học hỏi và phản ứng với môi trường của nó trong thời gian thực, cho phép đạt đến các cấp độ hiệu suất, hiệu quả và độ tin cậy mới.  

Một trong những kết quả quan trọng nhất của triết lý này là sự ra đời của mô thức "mạng dựa trên ý định" (intent-driven network). Trong mô hình này, các nhà khai thác mạng xác định kết quả mong muốn (cái "gì") thay vì cấu hình chi tiết các tham số mạng (cái "như thế nào"). Sau đó, mạng AI-native sẽ tự động xác định cách tốt nhất để đạt được ý định đó. Điều này cho phép mạng hoạt động theo một cách thực sự "tuyên bố" (declarative), nơi các nguyên tắc tự phục hồi, tự tối ưu hóa và tự tổ chức được thực hiện một cách tự nhiên. Kiến trúc 6G-INTENSE là một ví dụ điển hình về việc tích hợp mô thức dựa trên ý định vào tất cả các lớp kiến trúc.  

Quá trình chuyển đổi này không diễn ra trong chân không; nó được xây dựng trên nền tảng vững chắc do 5G thiết lập. Các nguyên tắc kiến trúc của 5G—chẳng hạn như cloud-native, Mạng định nghĩa bằng phần mềm (SDN) và sự phân tách (disaggregation)—không bị loại bỏ mà là những điều kiện tiên quyết thiết yếu cho cấu trúc AI-native. Các chuyên gia đã khẳng định rằng "việc trở thành cloud-native là một yêu cầu để trở thành AI-native". Kiến trúc cloud-native của 5G cung cấp độ co giãn, tính linh hoạt và tính mô-đun cần thiết để tích hợp các tính năng AI một cách liền mạch. Tương tự, SDN, đã được thiết lập trong 5G, cho phép các nâng cấp dựa trên phần mềm và triển khai linh hoạt các chức năng trên các vị trí khác nhau, điều này rất quan trọng đối với một hệ thống động do AI điều khiển. Các hệ thống phân tách như Open RAN (O-RAN), ra đời từ kỷ nguyên 5G, tạo ra các giao diện mở (ví dụ: cho Bộ điều khiển RAN thông minh - RIC) nơi các ứng dụng AI có thể được cắm vào. Do đó, hành trình đến 6G AI-native không phải là sự thay thế kiến trúc của 5G mà là một sự tiến hóa tận dụng các nguyên lý cốt lõi của nó.  

1.3. Lộ Trình Tiến Hóa Ba Giai Đoạn

Sự tích hợp AI vào mạng 6G được dự đoán sẽ diễn ra theo một lộ trình tiến hóa gồm ba giai đoạn, cung cấp một khuôn khổ có cấu trúc để hiểu được vai trò ngày càng phát triển của AI.  

1. Giai đoạn 1: AI cho Mạng (AI for Network): Giai đoạn này tập trung vào việc sử dụng AI để tăng cường hiệu suất mạng, tối ưu hóa việc phân bổ tài nguyên và cải thiện trải nghiệm người dùng. Các ứng dụng bao gồm phân tích dự đoán để quản lý lưu lượng động, tự động hóa phát hiện lỗi và bảo trì chủ động, và tối ưu hóa mức tiêu thụ năng lượng trên các trạm gốc và nút biên. Giai đoạn này về cơ bản là sự mở rộng và hoàn thiện những gì đã bắt đầu trong 5G.  
2. Giai đoạn 2: Mạng cho AI (Network for AI): Ở giai đoạn này, bản thân mạng 6G được tăng cường để hỗ trợ và trao quyền cho các ứng dụng AI phân tán. Mạng sẽ cung cấp các khả năng quan trọng như suy luận AI có độ trễ cực thấp, hỗ trợ Bản sao số (Digital Twin) cho các mô phỏng thời gian thực, và các môi trường Học tập Liên kết (Federated Learning) để đào tạo các mô hình AI một cách an toàn. Mạng không chỉ được tối ưu hóa bởi AI mà còn trở thành một nền tảng cho AI.  
3. Giai đoạn 3: AI như một Dịch vụ (AI as a Service - AIaaS): Đây là giai đoạn cuối cùng và tham vọng nhất, nơi mạng 6G sẽ cung cấp các chức năng AI một cách tự nhiên như các dịch vụ có thể bán được. Các dịch vụ này sẽ hỗ trợ các kịch bản ứng dụng tiên tiến như truyền thông nhập vai, robot công nghiệp thông minh và các hệ thống tự trị phức tạp khác. Giai đoạn này đại diện cho mục tiêu cuối cùng về việc kiếm tiền và cung cấp dịch vụ của mô thức AI-native.  

Phần II: Phân Tích Sâu về Kiến Trúc Mạng 6G AI-Native

Kiến trúc AI-native của 6G không phải là một sự sửa đổi bề mặt mà là một sự tái cấu trúc sâu sắc ở mọi cấp độ của mạng. Nó giới thiệu các thành phần mới và thay đổi căn bản cách các chức năng mạng truyền thống được thiết kế và vận hành, từ giao diện vô tuyến vật lý đến các mặt phẳng quản lý trừu tượng.

2.1. Giao Diện Vô Tuyến AI-Native (AI-Native Air Interface)

Trọng tâm của cuộc cách mạng 6G là việc thiết kế lại chính giao diện vô tuyến. Liên minh Viễn thông Quốc tế (ITU) đã đề xuất rằng giao diện vô tuyến 6G mới phải là AI-native. Điều này có nghĩa là một giao diện vô tuyến động, được định nghĩa bởi AI/ML sẽ trở thành một thành phần quan trọng của các mạng tương lai.  

Cơ chế hoạt động của nó bao gồm việc thay thế hoặc tăng cường các khối xử lý tín hiệu tĩnh, dựa trên quy tắc truyền thống trong các lớp vật lý (PHY) và điều khiển truy cập môi trường (MAC) bằng các mô hình học máy đã được đào tạo. Thay vì sử dụng các sơ đồ điều chế, mã hóa kênh và dạng sóng cố định, các bộ thu phát vô tuyến sẽ có khả năng học hỏi từ môi trường và từ nhau để tự động điều chỉnh các lược đồ tín hiệu, dạng sóng, chòm sao và tín hiệu hoa tiêu của chúng để đạt được hiệu suất tốt nhất trong mọi tình huống. Ví dụ, một mạng học hỏi trong một nhà máy có thể được cấu hình để hỗ trợ các cảm biến công nghiệp vào một thời điểm, sau đó nhanh chóng được cấu hình lại để hỗ trợ các hệ thống robot hoặc giám sát video.  

Cách tiếp cận này mang lại những lợi ích đáng kể. Nó có thể tăng cường hiệu quả sử dụng phổ tần một cách đáng kể , giảm công suất phát lên đến 50% so với 5G cho cùng một tốc độ dữ liệu và băng thông , và thậm chí còn có thể thích ứng và tận dụng các đặc tính phi tuyến của phần cứng thay vì cố gắng loại bỏ chúng. Tuy nhiên, sự đồng thuận trong ngành không phải là thay thế hoàn toàn các khối xử lý truyền thống. Thay vào đó, một cách tiếp cận lai (hybrid) được cho là tối ưu nhất. Theo đó, AI được sử dụng cho các tác vụ phức tạp, phi tuyến và thay đổi động như xử lý nhiễu và ước tính kênh truyền, trong khi các phương pháp đã được chứng minh hiệu quả như biến đổi Fourier nhanh (FFT) vẫn được giữ lại cho các xử lý cơ bản.  

2.2. Mạng Truy Cập Vô Tuyến Thông Minh (AI-RAN)

AI-RAN là một bước đệm quan trọng hướng tới mạng 6G hoàn toàn AI-native. Khái niệm này liên quan đến việc đồng địa điểm hóa các khả năng xử lý AI (ví dụ: các đơn vị xử lý đồ họa - GPU) với các chức năng của RAN, làm mờ đi ranh giới truyền thống giữa mạng và tính toán.  

Kiến trúc Open RAN (O-RAN) là một yếu tố thúc đẩy chính cho AI-RAN. O-RAN cung cấp một khuôn khổ mở và có thể lập trình, trong đó Bộ điều khiển RAN thông minh (RIC) đóng vai trò trung tâm. RIC lưu trữ các ứng dụng mô-đun—được gọi là xApps cho các hoạt động thời gian thực gần (near-real-time) và rApps cho các hoạt động không thời gian thực (non-real-time)—áp dụng AI để giám sát thời gian thực, điều hướng lưu lượng, giảm thiểu nhiễu và tự tối ưu hóa. Điều này đã tạo ra một nền tảng "cửa hàng ứng dụng" cho RAN, cho phép các nhà khai thác và bên thứ ba phát triển và triển khai các ứng dụng do AI điều khiển một cách linh hoạt. Tầm quan trọng lâu dài thực sự của O-RAN không chỉ nằm ở việc đa dạng hóa nhà cung cấp, mà còn ở việc nó đã tạo ra một khuôn khổ mở, có thể lập trình (RIC) hoạt động như một "hệ điều hành" cho AI trong RAN, biến khái niệm AI-RAN trở thành một thực tế khả thi.  

Hơn nữa, các sáng kiến như Liên minh AI-RAN đang xác định các bản thiết kế cho "AI-and-RAN", nơi các khối lượng công việc của RAN và các khối lượng công việc khác, chẳng hạn như suy luận AI tạo sinh, có thể chia sẻ động cùng một tài nguyên cơ sở hạ tầng. Điều này không chỉ tối ưu hóa RAN mà còn tăng cường việc sử dụng tài nguyên và hiệu quả chi phí tổng thể.  

2.3. Mạng Lõi (Core Network) và các Mặt Phẳng (Planes) Mới

Kiến trúc 6G đang chứng kiến sự tái cấu trúc và phân lớp lại để phục vụ cho trí thông minh. Mô hình phân lớp OSI truyền thống đang được bổ sung và có thể bị thay thế bởi các "mặt phẳng" (planes) trực giao mới, đại diện cho sự thay đổi kiến trúc quan trọng nhất trong lịch sử mạng di động.

• Mặt phẳng Thông minh (Intelligent Plane): Một khái niệm mới được đề xuất cho kiến trúc 6G, đây là một mặt phẳng độc lập dành riêng cho việc điều phối, quản lý và vận hành các luồng công việc AI từ đầu đến cuối. Thay vì nhúng trí thông minh vào các mặt phẳng dữ liệu và điều khiển hiện có, việc tạo ra một mặt phẳng riêng biệt cho phép quản lý tập trung và hiệu quả hơn các tài nguyên và dịch vụ AI.  
• Mặt phẳng Ngữ nghĩa (Semantic Plane): Một khái niệm thậm chí còn tiên tiến hơn được đề xuất bởi dự án 6G-GOALS. Mặt phẳng này tăng cường cả mặt phẳng người dùng và mặt phẳng điều khiển để tạo điều kiện cho các dịch vụ ngữ nghĩa, suy luận dựa trên tri thức và truyền thông hướng mục tiêu. Nó được quản lý bởi một "Semantic Engine" và một "Semantic RIC" (S-RIC), cho phép mạng xử lý và truyền đạt "ý nghĩa" và "ý định" thay vì chỉ là dữ liệu thô.  
• Mặt phẳng Dữ liệu (Data Plane): Một số kiến trúc đề xuất một mặt phẳng dữ liệu độc lập để tạo điều kiện cho việc quản trị dữ liệu và truy cập liền mạch cho các luồng công việc AI, tách biệt khỏi các mặt phẳng điều khiển và người dùng truyền thống.  

Sự ra đời của các mặt phẳng này cho thấy kiến trúc cũ không còn đủ để quản lý chức năng chính mới của mạng: cung cấp dịch vụ thông minh. Mạng không còn chỉ là một đường ống dẫn dữ liệu; nó là một máy tính phân tán, và kiến trúc của nó phải phản ánh điều này.

2.4. Mô Hình Kiến Trúc Hướng Tác Vụ (TONA)

Kiến trúc Mạng AI-Native Hướng Tác vụ (Task-Oriented Native-AI Network Architecture - TONA) đề xuất một sự thay đổi cơ bản trong mô hình quản lý mạng: chuyển từ quản lý các "phiên" (sessions) như trong 5G sang quản lý các "tác vụ" (tasks).  

Một "tác vụ" trong TONA được định nghĩa là sự phối hợp của các tài nguyên đa nút và đa chiều để đạt được một mục tiêu nhất định, ví dụ như một tác vụ học tập liên kết. TONA vượt ra ngoài việc chỉ phân bổ kết nối. Nó điều phối bốn loại tài nguyên khác nhau:  

truyền thông, tính toán, dữ liệu và thuật toán/mô hình. Để quản lý các tác vụ phức tạp này, TONA giới thiệu một khái niệm mới gọi là  

Chất lượng Dịch vụ AI (Quality of AI Service - QoAIS). QoAIS mở rộng các chỉ số QoS truyền thống (độ trễ, thông lượng) để bao gồm các chỉ số dành riêng cho AI như độ chính xác của mô hình, thời gian đào tạo, tính công bằng, quyền riêng tư và chi phí năng lượng. Điều này cho phép mạng quản lý chất lượng dịch vụ AI ở mức độ chi tiết nhất, đảm bảo rằng các ứng dụng AI hoạt động theo yêu cầu.  

Bảng 2: Các thành phần chính trong kiến trúc 6G AI-Native

Thành phần Kiến trúc	Vị trí/Lớp	Công nghệ/Khái niệm Chính	Chức năng Chính
Giao diện Vô tuyến AI-Native	Lớp Vật lý/MAC	Dạng sóng học được, Bộ thu nơ-ron, Xử lý lai	Thích ứng thời gian thực của liên kết vô tuyến để đạt hiệu quả phổ tần và năng lượng tối đa.
AI-RAN	Mạng Truy cập Vô tuyến (RAN)	O-RAN, RIC, xApps/rApps, GPU ở biên	Lưu trữ và thực thi các ứng dụng AI/ML để tối ưu hóa và điều khiển RAN thời gian thực.
Mặt phẳng Thông minh	Toàn mạng (Mặt phẳng trực giao)	Bộ điều phối luồng công việc AI	Quản lý và điều phối từ đầu đến cuối tất cả các tác vụ và dịch vụ liên quan đến AI.
Mặt phẳng Ngữ nghĩa	Toàn mạng (Mặt phẳng trực giao)	Semantic Engine, S-RIC, Cơ sở tri thức	Xử lý và truyền đạt "ý nghĩa" và "ý định" thay vì chỉ là dữ liệu thô.
Điều khiển Hướng Tác vụ (TONA)	Lớp Điều khiển	Task Anchor (TA), Task Scheduler (TS), QoAIS	Quản lý hoạt động mạng dựa trên "tác vụ" và điều phối tài nguyên đa chiều (tính toán, dữ liệu, v.v.).
Lõi Mạng Tiến hóa	Mạng Lõi	NWDAF nâng cao, Kho tài nguyên AI	Cung cấp phân tích toàn mạng, quản lý các mô hình AI và cung cấp khả năng AI như một dịch vụ.

Phần III: Các Cơ Chế Hoạt Động Cốt Lõi và Công Nghệ Nền Tảng

Kiến trúc AI-native của 6G được hiện thực hóa bởi một loạt các công nghệ và cơ chế hoạt động cốt lõi. Những công nghệ này không chỉ là các thành phần riêng lẻ mà còn phối hợp với nhau để tạo ra một hệ thống thông minh, có khả năng học hỏi và thích ứng.

3.1. Dữ Liệu và Mô Hình AI: Nhiên liệu cho Trí thông minh

Nền tảng của bất kỳ hệ thống AI nào là dữ liệu và các mô hình được đào tạo trên đó. Mạng 6G sẽ tạo ra và tiêu thụ một lượng dữ liệu khổng lồ từ nhiều nguồn khác nhau: dữ liệu mạng thời gian thực (phân bổ phổ tần, mẫu nhiễu), dữ liệu người dùng, dữ liệu từ cảm biến và thậm chí cả dữ liệu tổng hợp được tạo ra từ các mô phỏng.  

• Mô hình Nền tảng Tiền đào tạo (PFMs) & Mô hình Ngôn ngữ Lớn (LLMs): Các mô hình quy mô lớn này, chẳng hạn như các mô hình dựa trên kiến trúc Transformer như GPT, là trung tâm của tầm nhìn AI-native. Chúng được sử dụng cho các nhiệm vụ suy luận phức tạp, tương tác bằng ngôn ngữ tự nhiên để quản lý mạng (ví dụ: "Tình trạng mạng ở khu vực X là gì?"), và lập kế hoạch tác vụ tự động. Một thách thức lớn là tùy chỉnh các mô hình tổng quát này cho lĩnh vực truyền thông cụ thể để đảm bảo chúng hoạt động hiệu quả và chính xác.  
• Tạo sinh Tăng cường Truy xuất (RAG): Để giải quyết vấn đề "ảo giác" (hallucination) của LLMs, các hệ thống RAG được sử dụng. RAG kết nối LLM với các nguồn tri thức thực tế, dành riêng cho miền (như tài liệu tiêu chuẩn kỹ thuật, nhật ký mạng thời gian thực) để cung cấp các câu trả lời dựa trên dữ kiện và đưa ra các thông tin chi tiết có thể hành động.  
• Đồ thị Tri thức (KGs): KGs được sử dụng để lập bản đồ các mối quan hệ phức tạp giữa các thành phần mạng, các dịch vụ và người dùng. Điều này cho phép thực hiện các phân tích tinh vi hơn để phát hiện lỗi, điều phối tự động và phân tích an ninh mạng.  

Sự kết hợp của các công nghệ này đang biến đổi mạng từ một hệ thống chỉ truyền tải bit một cách mù quáng thành một hệ thống có khả năng hiểu, diễn giải và hành động dựa trên nội dung và ý định của thông tin mà nó mang theo. Truyền thông ngữ nghĩa nhằm mục đích truyền tải "ý nghĩa" và "mục tiêu", không chỉ là bit. PFMs/LLMs cung cấp khả năng suy luận tổng quát, trong khi RAG cung cấp cơ chế để neo giữ suy luận này trong bối cảnh mạng thực tế và cụ thể. Khi kết hợp lại, chúng biến mạng thành một người tham gia tích cực trong quá trình truyền thông, có thể lọc, tóm tắt và ưu tiên thông tin dựa trên giá trị ngữ nghĩa và sự liên quan của nó đến một mục tiêu.  

3.2. Bản Sao Số (Digital Twin): Môi trường Thử nghiệm và Tối ưu hóa

Bản sao số là một bản sao ảo, có độ trung thực cao của mạng vật lý, phản ánh các đặc tính, hành vi và cấu hình của nó trong thời gian thực. Nó đóng một vai trò quan trọng trong vòng đời của AI trong mạng 6G.  

Chức năng chính của bản sao số là cung cấp một môi trường không rủi ro để:

• Tạo dữ liệu tổng hợp: Nó có thể tạo ra một lượng lớn dữ liệu tổng hợp để đào tạo các mô hình AI, giải quyết thách thức về tính sẵn có và chi phí của dữ liệu thực tế.  
• Mô phỏng và xác minh: Các nhà khai thác có thể mô phỏng các kịch bản khác nhau, chẳng hạn như thảm họa tự nhiên hoặc các cuộc tấn công mạng, để kiểm tra hành vi của mạng và các chiến lược phục hồi.  
• Kiểm tra và tinh chỉnh mô hình AI: Các mô hình AI/ML có thể được kiểm tra, xác thực và tinh chỉnh trong môi trường bản sao số trước khi được triển khai trên mạng trực tiếp, đảm bảo hiệu suất và độ tin cậy.  

ITU hình dung một mối quan hệ cộng sinh, trong đó bản sao số sẽ xác minh, mô phỏng và quản lý một cách thông minh mạng 6G vật lý trong thời gian thực, tạo ra một vòng lặp liên tục giữa thế giới thực và thế giới ảo để tối ưu hóa liên tục.  

3.3. Các Mô Hình Học Tập Phân Tán

Để giải quyết các vấn đề về quyền riêng tư, độ trễ và hiệu quả tính toán, kiến trúc AI-native sử dụng nhiều mô hình học tập phân tán.

• Học tập Liên kết (Federated Learning - FL): FL cho phép đào tạo các mô hình AI một cách hợp tác trên nhiều thiết bị biên hoặc trạm gốc mà không cần tập trung hóa dữ liệu thô, nhạy cảm về quyền riêng tư. Chỉ có các bản cập nhật mô hình (ví dụ: gradient) được chia sẻ, giúp bảo vệ quyền riêng tư của người dùng và giảm tải cho mạng.  
• Học tập Chuyển giao (Transfer Learning - TL) & Tìm kiếm Kiến trúc Nơ-ron (NAS): Trong một mạng có hàng ngàn mô hình ML không đồng nhất, việc đào tạo từng mô hình từ đầu là không khả thi. TL được sử dụng để điều chỉnh các mô hình hiện có cho các tác vụ hoặc môi trường mới với lượng dữ liệu mới tối thiểu, giúp giảm đáng kể thời gian và chi phí đào tạo. Đi đôi với TL là NAS, một kỹ thuật tự động hóa quá trình tìm kiếm kiến trúc mô hình tối ưu cho một tác vụ nhất định, đảm bảo rằng mạng luôn sử dụng các mô hình hiệu quả nhất cho các yêu cầu cụ thể.  

Những kỹ thuật này là một phần của một mô hình trí thông minh phân cấp đang nổi lên. Thay vì dựa vào một AI nguyên khối duy nhất, kiến trúc AI-native sử dụng một hệ thống hợp tác, phân cấp gồm các mô hình AI khác nhau. Các PFM/LLM lớn, mạnh mẽ được triển khai trên đám mây để thực hiện suy luận toàn cục, lập kế hoạch và tương tác ngôn ngữ tự nhiên. Trong khi đó, các mô hình AI nhỏ hơn, nhẹ hơn, hướng tác vụ được triển khai ở biên (ví dụ: trong RIC hoặc trên thiết bị) cho các tác vụ nhạy cảm với độ trễ và cụ thể như quản lý chùm tia hoặc xử lý tín hiệu. Các khuôn khổ được đề xuất mô tả rõ ràng sự hợp tác này: một "tác nhân giám sát" (PFM trên đám mây) phân rã một tác vụ phức tạp và giao các nhiệm vụ phụ cho các "tác nhân chuyên gia" (các mô hình nhỏ hơn ở biên), tạo ra một hệ thống phân cấp thực dụng để phân phối trí thông minh trên toàn mạng.  

3.4. Truyền Thông Ngữ Nghĩa và Hướng Mục Tiêu (Semantic & Goal-Oriented Communication)

Đây có lẽ là sự thay đổi mô thức mang tính cách mạng nhất trong kiến trúc 6G AI-native, thách thức lý thuyết thông tin cổ điển của Shannon. Thay vì tập trung vào việc truyền tải tất cả các bit dữ liệu một cách hoàn hảo, mạng tập trung vào việc truyền tải thông tin phù hợp nhất—"ý nghĩa" (ngữ nghĩa) hoặc thông tin cần thiết để đạt được một "mục tiêu" cụ thể.  

Cơ chế hoạt động của nó là chắt lọc dữ liệu đến dạng phù hợp nhất. Ví dụ, thay vì gửi một luồng video đầy đủ về một cảnh, mạng có thể chỉ gửi thông tin ngữ nghĩa: "Một chiếc ô tô đang đến gần với tốc độ 50 km/h". Cách tiếp cận này hứa hẹn mang lại những lợi ích to lớn về hiệu quả, tối ưu hóa băng thông, độ trễ và năng lượng bằng cách loại bỏ việc truyền tải dữ liệu không liên quan. Điều này được thực hiện thông qua kiến trúc Mặt phẳng Ngữ nghĩa (Semantic Plane) đã được thảo luận trước đó, nơi các mô hình AI được sử dụng để trích xuất và diễn giải ý nghĩa của dữ liệu tại nguồn trước khi truyền đi.  

Phần IV: Các Ứng Dụng Chức Năng và Trường Hợp Sử Dụng

Các khái niệm kiến trúc và công nghệ trừu tượng của lớp AI-native được chuyển thành các khả năng mạng và dịch vụ hữu hình, mang lại những cải tiến đáng kể về hiệu suất, hiệu quả và các mô hình kinh doanh mới.

4.1. Tự Động Hóa Mạng Toàn Diện (SON 2.0)

Mạng 6G sẽ hiện thực hóa hoàn toàn các nguyên tắc của Mạng tự tổ chức (SON), tiến tới quyền tự trị hoàn toàn.

• Tự tối ưu hóa (Self-Optimizing): Mạng sẽ liên tục tự tối ưu hóa để đạt hiệu suất tốt nhất dựa trên các điều kiện thay đổi như phản xạ tín hiệu, mô hình thời tiết và kiểu sử dụng của người dùng. Các thuật toán AI có thể lựa chọn trong số vô số các tham số vô tuyến một cách hiệu quả hơn nhiều so với con người, đảm bảo hiệu suất tối ưu mọi lúc.  
• Tự phục hồi (Self-Healing): Mạng có khả năng dự đoán, phát hiện và tự khắc phục sự cố. Nó có thể tự động định tuyến lại lưu lượng, cô lập các thành phần bị lỗi hoặc điều chỉnh cấu hình trước khi người dùng bị ảnh hưởng. Các phân tích do AI điều khiển trên các bản sao số có thể mô phỏng các lỗi và kiểm tra các chiến lược phục hồi, giúp mạng có khả năng phục hồi tốt hơn trước các sự kiện không lường trước.  
• Tự tổ chức (Self-Organizing): Mạng sẽ quản lý một cách thông minh cấu hình và tài nguyên của chính nó, tự động thích ứng với các thiết bị, dịch vụ và cấu trúc liên kết mạng mới mà không cần sự can thiệp thủ công.  

4.2. Quản Lý Tài Nguyên Thông Minh

AI sẽ cho phép quản lý tài nguyên mạng một cách linh hoạt và hiệu quả hơn nhiều so với các thế hệ trước.

• Phân chia Mạng (Network Slicing): Mặc dù được giới thiệu trong 5G, việc triển khai network slicing đã được mô tả là khá "vụng về". Trong 6G, AI sẽ cho phép phân chia mạng ở mức độ "rất chi tiết", có khả năng xuống đến cấp độ người dùng cá nhân. Mạng sẽ có thể tự động tạo, cấu hình và quản lý các lát mạng theo yêu cầu với các yêu cầu QoS/QoAIS cụ thể, cung cấp các dịch vụ tùy chỉnh và đảm bảo hiệu suất.  
• Quản lý Phổ tần Động: AI sẽ đóng một vai trò trung tâm trong việc quản lý và chia sẻ tài nguyên phổ tần một cách thông minh và năng động. Nó có thể dự đoán tắc nghẽn, xác định các dải tần không được sử dụng đúng mức, và quản lý nhiễu trong thời gian thực. Các kỹ thuật như học tăng cường và học sâu sẽ cho phép chia sẻ phổ tần hiệu quả, giúp tăng đáng kể hiệu quả sử dụng phổ tần, một nguồn tài nguyên khan hiếm và quý giá.  

4.3. Mạng như một Cảm biến (Network as a Sensor - NaaS)

Đây là một mô hình dịch vụ hoàn toàn mới, trong đó chính mạng 6G hoạt động như một mảng cảm biến phân tán khổng lồ. Bằng cách phân tích các đặc tính lan truyền của sóng vô tuyến—chẳng hạn như phản xạ, tán xạ và dịch chuyển Doppler—mạng có thể thực hiện các nhiệm vụ cảm biến mà không cần các cảm biến chuyên dụng.  

Các ứng dụng của NaaS bao gồm định vị có độ chính xác cao, lập bản đồ môi trường, nhận dạng cử chỉ và phát hiện/theo dõi đối tượng (ví dụ: xác định và theo dõi máy bay không người lái). Bản sao số có thể tăng cường khả năng này bằng cách cung cấp sự rõ ràng về cách các đặc tính lưu lượng RF ánh xạ tới các thuộc tính của đối tượng vật lý, giúp cải thiện độ chính xác và độ tin cậy của cảm biến.  

4.4. An Ninh và Bảo Mật Tăng Cường

Kiến trúc AI-native cũng mang lại những cải tiến đáng kể cho an ninh mạng.

• Phát hiện Mối đe dọa Chủ động: Các thuật toán AI được sử dụng để phát hiện bất thường dựa trên AI trong thời gian thực, có khả năng xác định các cuộc tấn công mạng tinh vi mà các hệ thống dựa trên chữ ký truyền thống có thể bỏ qua.  
• Phản ứng Tự động: Khả năng tự phục hồi của mạng có thể được áp dụng cho an ninh. Khi phát hiện một mối đe dọa, chẳng hạn như một cuộc tấn công từ chối dịch vụ phân tán (DDoS) hoặc sự lây lan của phần mềm độc hại, mạng có thể tự động thực hiện các hành động khắc phục. Các hành động này có thể bao gồm việc cô lập các thành phần bị ảnh hưởng, định tuyến lại lưu lượng truy cập hoặc áp dụng các chính sách bảo mật mới để khôi phục dịch vụ và giảm thiểu thiệt hại.  

Bảng 3: Ánh xạ các trường hợp sử dụng AI-Native với công nghệ nền tảng

Trường hợp Sử dụng	Mô tả	Công nghệ Nền tảng Chính
Mạng Tự phục hồi	Dự đoán lỗi chủ động và phục hồi tự trị.	Phân tích Dự đoán (mô hình LSTM), Bản sao số, Agentic AI, Đồ thị Tri thức.
Phân chia Mạng Chi tiết	Các lát mạng theo yêu cầu, cấp độ người dùng với QoAIS được đảm bảo.	Kiến trúc Phân chia Mạng AI-Native, TONA, Điều phối dựa trên PFM.
Quản lý Phổ tần Động	Phân bổ và chia sẻ phổ tần thông minh, thời gian thực.	Học Tăng cường, Học Sâu, RIC/xApps, Vô tuyến Nhận thức.
Mạng như một Cảm biến	Sử dụng tín hiệu vô tuyến để định vị, lập bản đồ và phát hiện đối tượng.	Phân tích dựa trên AI về lan truyền vô tuyến, Bản sao số để lập bản đồ RF, Giao diện Vô tuyến AI-Native.
Truyền thông Ngữ nghĩa	Truyền tải "ý nghĩa" thay vì dữ liệu thô để đạt hiệu quả.	Mặt phẳng Ngữ nghĩa, PFMs/LLMs để trích xuất ngữ nghĩa, Mã hóa Kênh-Nguồn Chung (JSCC).
Vận hành Mạng Hội thoại	Sử dụng ngôn ngữ tự nhiên để quản lý và truy vấn mạng.	LLMs, Tạo sinh Tăng cường Truy xuất (RAG).

Phần V: Thách Thức, Rủi Ro và Các Vấn Đề Mở

Mặc dù tầm nhìn về một mạng 6G AI-native rất hứa hẹn, việc hiện thực hóa nó phải đối mặt với những thách thức kỹ thuật, rủi ro vận hành và các vấn đề hệ sinh thái đáng kể. Một cái nhìn cân bằng là cần thiết để điều hướng con đường phía trước một cách thận trọng.

5.1. Thách Thức Kỹ Thuật

• Chất lượng và Tính sẵn có của Dữ liệu: Việc thu thập dữ liệu chất lượng cao, có tính đại diện và được gán nhãn ở quy mô lớn từ các mạng vật lý để đào tạo các mô hình AI là một thách thức lớn. Dữ liệu kém chất lượng có thể dẫn đến các mô hình hoạt động kém hiệu quả hoặc thậm chí đưa ra các quyết định sai lầm.  
• Vấn đề "Hộp đen": Nếu các chức năng mạng cốt lõi trở thành các quyết định AI không thể giải thích được, các nhà khai thác con người sẽ gặp khó khăn lớn trong việc gỡ lỗi, hiểu hoặc can thiệp khi có sự cố xảy ra. Điều này làm dấy lên mối lo ngại về việc mất kiểm soát và khả năng chẩn đoán. Nghiên cứu về AI có thể giải thích (XAI) là rất quan trọng để giải quyết vấn đề này, nhằm cung cấp sự minh bạch cho các quyết định của AI.  
• Nghịch lý Tiêu thụ Năng lượng: Mặc dù AI hứa hẹn sẽ tối ưu hóa việc sử dụng năng lượng của mạng , việc đào tạo và suy luận thời gian thực của các mô hình AI khổng lồ lại rất tốn kém về mặt tính toán và tiêu thụ một lượng lớn điện năng. Điều này tạo ra một sự đánh đổi quan trọng về năng lượng, đặc biệt là ở các nút biên nơi tài nguyên có hạn.  
• Độ bền và Khả năng Tổng quát hóa của Mô hình: Đảm bảo rằng các thuật toán AI hoạt động đáng tin cậy trong các điều kiện kênh truyền đa dạng và năng động, và không khuếch đại nhiễu hoặc thiên vị trong dữ liệu, là một mối quan tâm lớn. Một mô hình hoạt động tốt trong môi trường mô phỏng có thể thất bại trong thế giới thực khó lường.  

Một nghịch lý trung tâm của AI-native là việc sử dụng "sự phức tạp để giải quyết sự phức tạp". Vấn đề ban đầu là các mạng 5G trở nên quá phức tạp để quản lý theo cách truyền thống. Giải pháp được đề xuất là một lớp AI-native lan tỏa. Tuy nhiên, giải pháp này lại giới thiệu một hệ sinh thái mới gồm các thành phần cực kỳ phức tạp: PFMs, RAG, Bản sao số, Mặt phẳng Ngữ nghĩa, TONA, v.v. Hệ sinh thái mới này tạo ra những thách thức riêng của nó, bao gồm việc ra quyết định theo kiểu hộp đen, các bề mặt tấn công an ninh mới, và nhu cầu về các mô hình quản lý hoàn toàn mới. Do đó, thách thức cốt lõi của 6G không chỉ là triển khai AI, mà là quản lý sự phức tạp của chính AI. Rủi ro là chúng ta có thể đang đánh đổi một dạng phức tạp không thể quản lý này lấy một dạng khác.  

5.2. Rủi Ro An Ninh và Vận Hành

• Các Bề mặt Tấn công Mới: Các thành phần AI/ML giới thiệu các lỗ hổng bảo mật mới. Các cuộc tấn công đối kháng (adversarial attacks), chẳng hạn như đầu độc mô hình (model poisoning) hoặc đầu độc dữ liệu (data poisoning), có thể lừa mạng đưa ra các quyết định tai hại, chẳng hạn như định tuyến sai lưu lượng quan trọng hoặc bỏ qua các mối đe dọa thực sự.  
• Sự phụ thuộc vào Vận hành và Khóa nhà cung cấp (Vendor Lock-In): Một rủi ro nghiêm trọng là trở nên quá phụ thuộc vào một nền tảng AI duy nhất, ví dụ như trở thành "NVIDIA-native". Điều này có thể đổi sự khóa nhà cung cấp truyền thống lấy một sự khóa nền tảng mới, có khả năng còn hạn chế hơn, nơi nhà khai thác không sở hữu các mô hình, dữ liệu đào tạo hoặc các cơ chế thích ứng. Điều này làm dấy lên một sự thay đổi quyền lực tiềm tàng trong hệ sinh thái viễn thông, nơi các gã khổng lồ về AI và đám mây có thể giành được ảnh hưởng đáng kể so với các nhà cung cấp thiết bị mạng truyền thống.  
• Tự động hóa so với Tự trị: Vai trò của Sự phán đoán của Con người: Có một sự khác biệt quan trọng giữa việc tự động hóa các tác vụ và việc trao toàn quyền tự trị. Việc loại bỏ hoàn toàn con người khỏi vòng lặp có thể là không thận trọng đối với cơ sở hạ tầng quốc gia quan trọng. Cần có một sự hoài nghi lành mạnh và các khuôn khổ rõ ràng cho sự giám sát và can thiệp của con người, đặc biệt là trong các tình huống quan trọng hoặc không lường trước.  

5.3. Tiêu Chuẩn Hóa và Hệ Sinh Thái

• Các Khuôn khổ Toàn cầu: Sự thành công của 6G AI-native phụ thuộc vào sự hợp tác toàn cầu. Các tổ chức như ITU (với tầm nhìn IMT-2030), 3GPP và các liên minh ngành công nghiệp khác nhau (ví dụ: Liên minh AI-RAN) phải phát triển các tiêu chuẩn toàn cầu và các khuôn khổ có thể tương tác để tích hợp AI vào mạng viễn thông một cách thành công và liền mạch.  
• Sự tụt hậu về Kinh tế - Xã hội và Đạo đức: Có một sự căng thẳng ngày càng tăng giữa tốc độ đổi mới cơ sở hạ tầng nhanh chóng và các khuôn khổ kinh tế - xã hội, đạo đức và chính sách đang bị tụt hậu. Việc triển khai các mạng tự trị đặt ra các câu hỏi quan trọng về trách nhiệm, quyền riêng tư và tác động xã hội. Điều cần thiết là không nhầm lẫn sức mạnh tính toán với sự nhìn xa trông rộng.  

Phần VI: Kết Luận và Viễn Cảnh Tương Lai

6.1. Tổng Hợp Phân Tích

Phân tích toàn diện cho thấy lớp AI-native trong mạng 6G không chỉ là một sự nâng cấp gia tăng mà là một sự thay đổi mô thức cơ bản trong triết lý và kiến trúc mạng di động. Nó chuyển đổi mạng từ một cơ sở hạ tầng truyền tải dữ liệu thụ động thành một nền tảng thông minh, tự trị và có khả năng học hỏi. Sự thay đổi này được thúc đẩy bởi nhu cầu cấp thiết để vượt qua những phức tạp vận hành và thách thức về khả năng kiếm tiền của 5G, đồng thời mở ra một kỷ nguyên mới của các dịch vụ và ứng dụng thông minh.

Kiến trúc AI-native được đặc trưng bởi sự tích hợp sâu của AI/ML vào mọi lớp, từ giao diện vô tuyến động đến các mặt phẳng quản lý mới như Mặt phẳng Thông minh và Mặt phẳng Ngữ nghĩa. Nó được kích hoạt bởi một hệ sinh thái các công nghệ cốt lõi, bao gồm các mô hình nền tảng (PFMs), bản sao số, học tập phân tán và các khái niệm mang tính cách mạng như truyền thông ngữ nghĩa. Những công nghệ này cùng nhau cho phép các khả năng tự động hóa toàn diện (tự tối ưu hóa, tự phục hồi), quản lý tài nguyên thông minh (phân chia mạng chi tiết, quản lý phổ tần động) và các mô hình dịch vụ mới như Mạng như một Cảm biến.

Tuy nhiên, con đường đến một mạng 6G AI-native hoàn toàn còn nhiều chông gai. Các thách thức về kỹ thuật như vấn đề "hộp đen" và nghịch lý năng lượng, cùng với các rủi ro vận hành như các bề mặt tấn công mới và khả năng khóa nền tảng, đòi hỏi sự nghiên cứu và phát triển cẩn thận. Hơn nữa, sự thành công của nó phụ thuộc vào việc thiết lập các tiêu chuẩn toàn cầu và các khuôn khổ quản trị đạo đức để đảm bảo rằng công nghệ này được triển khai một cách có trách nhiệm.

6.2. Viễn Cảnh Tương Lai

Nhìn về tương lai, sự tiến hóa của lớp AI-native sẽ tiếp tục hướng tới một mạng 6G không chỉ thông minh mà còn có khả năng nhận thức và ý thức. Tầm nhìn dài hạn là sự hội tụ của thế giới vật lý, kỹ thuật số và sinh học, tạo điều kiện cho một thế giới không gian mạng-vật lý lấy con người làm trung tâm và lan tỏa.  

Mạng sẽ phát triển từ việc thực hiện các tác vụ được xác định trước sang việc tự mình suy luận, lập kế hoạch và thích ứng với các mục tiêu cấp cao và các tình huống chưa từng thấy. Khái niệm "Agentic AI"—các tác nhân phần mềm tự trị có khả năng ra quyết định phức tạp trong thời gian thực—sẽ trở thành hiện thực, cho phép mạng quản lý chính nó với sự can thiệp tối thiểu của con người.  

Cuối cùng, viễn cảnh của 6G AI-native là một mạng có thể học hỏi, thích ứng, suy luận và phát triển trong thời gian thực. Nó sẽ không chỉ là một mạng lưới kết nối các thiết bị mà còn là một bộ não toàn cầu, một nền tảng thông minh, tự trị thực sự cho xã hội, thúc đẩy các đổi mới mà chúng ta hiện nay chỉ mới bắt đầu tưởng tượng. Hành trình này đầy thách thức, nhưng phần thưởng tiềm năng—một thế giới kết nối liền mạch, hiệu quả và thông minh hơn—là động lực mạnh mẽ cho sự đổi mới liên tục trong lĩnh vực viễn thông.