Dari Kontrol RAN ke Kecerdasan Agentic: Arsitektur dan Visi untuk AI-RAN yang Hemat Energi

Arsitektur RAN AI-native agentic yang menjembatani kontrol terstruktur O-RAN dengan visi terpadu AI-RAN untuk 6G berkelanjutan

Sabrine Aroua; Alexis I. Aravanis; Ilias Chatzistefanidis; Hamza Abbar; Anh-Khoa Dang; Anastasios Giovanidis; Salah-Eddine El Ayoubi; Stephane Senecal; Martha Vlachou Konchylaki; Navid Nikaein· 2026· DOI 10.48550/arXiv.2606.21955

Masalah inti

Jaringan 6G mendatang diperkirakan akan bergantung pada Radio Access Network (RAN) yang sangat terdistribusi dan AI-native, di mana beban kerja komunikasi dan AI berbagi infrastruktur yang sama. Pergeseran arsitektur ini, ditambah dengan kepadatan deployment yang meningkat dan pemrosesan AI yang berkelanjutan, diperkirakan akan meningkatkan konsumsi energi RAN secara signifikan. Open RAN (O-RAN) memperkenalkan kerangka kontrol yang terprogram dan modular melalui RAN Intelligent Controller (RIC) serta Service Management and Orchestration (SMO). Namun, pendekatan O-RAN saat ini masih sebagian besar digerakkan oleh kebijakan, yang membatasi koordinasi adaptif yang sadar energi di berbagai aplikasi. Sejalan dengan itu, AI-RAN mendorong konvergensi infrastruktur AI dan RAN melalui tiga paradigma: AI-for-RAN, AI-on-RAN, dan AI-and-RAN. Terlepas dari kemajuan tersebut, mekanisme yang efisien untuk mengorkestrasi kinerja, latensi, dan energi secara bersama-sama masih menjadi tantangan yang belum terpecahkan. Artikel ini menjawab kesenjangan tersebut dengan mengusulkan arsitektur RAN AI-native agentic yang menjembatani kontrol terstruktur O-RAN dengan visi terpadu AI-RAN. Kerangka kerja ini

Inovasi

Artikel ini melaporkan bahwa arsitektur RAN AI-native agentic yang diusulkan mencapai efisiensi sumber daya yang lebih baik dan konsumsi energi operasional yang lebih rendah pada kasus penggunaan representatif AI-for-RAN dan AI-on-RAN. Dengan memanfaatkan abstraksi intent semantik dan koordinasi yang digerakkan oleh LLM, kerangka kerja ini memungkinkan orkestrasi adaptif yang mengungguli pendekatan yang digerakkan oleh kebijakan tradisional. Secara spesifik, penulis menunjukkan bahwa optimasi multi-tujuan yang sadar energi di berbagai beban kerja heterogen menghasilkan pemanfaatan infrastruktur bersama yang lebih efisien. Hasil ini menunjukkan bahwa mekanisme resolusi konflik secara efektif mengelola tujuan-tujuan yang bersaing, seperti menyeimbangkan inferensi AI yang sensitif terhadap latensi dengan tugas komunikasi yang hemat energi. Meskipun keuntungan numerik yang tepat tidak dikuantifikasi dalam abstrak, hasil kualitatif menunjukkan potensi koordinasi agentic untuk menurunkan konsumsi energi sambil mempertahankan persyaratan kinerja dan latensi. Temuan ini mendukung kelayakan arsitektur tersebut untuk jaringan 6G yang berkelanjutan, di mana efisiensi energi menjadi tujuan des

Jaringan 6G mendatang diperkirakan akan bergantung pada Radio Access Network (RAN) yang sangat terdistribusi dan AI-native, di mana beban kerja komunikasi dan AI berbagi infrastruktur yang sama. Pergeseran arsitektur ini, ditambah dengan kepadatan deployment yang meningkat dan pemrosesan AI yang berkelanjutan, diperkirakan akan meningkatkan konsumsi energi RAN secara signifikan. Open RAN (O-RAN) memperkenalkan kerangka kontrol yang terprogram dan modular melalui RAN Intelligent Controller (RIC) serta Service Management and Orchestration (SMO). Namun, pendekatan O-RAN saat ini masih sebagian besar digerakkan oleh kebijakan, yang membatasi koordinasi adaptif yang sadar energi di berbagai aplikasi. Sejalan dengan itu, AI-RAN mendorong konvergensi infrastruktur AI dan RAN melalui tiga paradigma: AI-for-RAN, AI-on-RAN, dan AI-and-RAN. Terlepas dari kemajuan tersebut, mekanisme yang efisien untuk mengorkestrasi kinerja, latensi, dan energi secara bersama-sama masih menjadi tantangan yang belum terpecahkan. Artikel ini menjawab kesenjangan tersebut dengan mengusulkan arsitektur RAN AI-native agentic yang menjembatani kontrol terstruktur O-RAN dengan visi terpadu AI-RAN. Kerangka kerja ini memanfaatkan abstraksi intent semantik dan koordinasi yang digerakkan oleh Large Language Model (LLM) untuk memungkinkan orkestrasi adaptif, resolusi konflik, dan optimasi multi-tujuan yang sadar energi di berbagai beban kerja heterogen. Melalui kasus penggunaan representatif AI-for-RAN dan AI-on-RAN, penulis menunjukkan bagaimana koordinasi semacam itu dapat meningkatkan efisiensi sumber daya dan mengurangi konsumsi energi operasional, membuka jalan menuju jaringan 6G yang berkelanjutan.

Metodologi yang diusulkan berpusat pada arsitektur RAN AI-native agentic yang mengintegrasikan struktur kontrol O-RAN dengan paradigma konvergensi AI-RAN. Arsitektur ini memperkenalkan abstraksi intent semantik untuk menerjemahkan tujuan operasional tingkat tinggi menjadi arahan yang dapat diinterpretasikan mesin. Agen koordinasi yang digerakkan oleh LLM kemudian melakukan orkestrasi adaptif di berbagai beban kerja heterogen, menyelesaikan konflik, dan mengoptimalkan berbagai tujuan secara simultan, termasuk kinerja, latensi, dan konsumsi energi. Kerangka kerja ini dirancang untuk beroperasi di dalam RIC dan SMO O-RAN, memperluas mekanisme yang digerakkan oleh kebijakan dengan kemampuan pengambilan keputusan agentic. Penulis memvalidasi pendekatan ini melalui kasus penggunaan representatif dari paradigma AI-for-RAN dan AI-on-RAN, menunjukkan peningkatan efisiensi sumber daya dan pengurangan konsumsi energi operasional. Metodologi ini menekankan orkestrasi bersama beban kerja komunikasi dan AI, memungkinkan koordinasi yang sadar energi yang tidak dapat dicapai hanya dengan kebijakan statis. Secara formal, optimasi multi-tujuan dapat dinyatakan sebagai meminimalkan fungsi biaya berbobot:

Mengapa penting

Pembahasan menyoroti bahwa pendekatan O-RAN saat ini, meskipun terprogram dan modular, masih terbatas oleh sifatnya yang digerakkan oleh kebijakan, yang membatasi koordinasi adaptif yang sadar energi di berbagai aplikasi. Arsitektur AI-native agentic yang diusulkan mengatasi keterbatasan ini dengan memperkenalkan agen yang digerakkan oleh LLM yang dapat secara dinamis menyelesaikan konflik dan mengoptimalkan berbagai tujuan secara waktu nyata. Ini merupakan pergeseran dari penegakan kebijakan statis ke orkestrasi cerdas berbasis intent. Integrasi paradigma AI-for-RAN, AI-on-RAN, dan AI-and-RAN dalam kerangka kerja terpadu memungkinkan orkestrasi bersama beban kerja komunikasi dan AI, yang penting untuk jaringan 6G mendatang di mana kedua jenis beban kerja tersebut berbagi infrastruktur. Penulis berargumen bahwa abstraksi intent semantik menyediakan antarmuka yang fleksibel bagi operator untuk menyatakan tujuan tingkat tinggi tanpa menentukan konfigurasi tingkat rendah, memungkinkan sistem beradaptasi terhadap kondisi yang berubah. Namun, tantangan masih ada, termasuk overhead komputasi dari koordinasi yang digerakkan oleh LLM, kebutuhan akan mekanisme resolusi konflik yang tangguh, dan kompleksitas pengelolaan trade-off multi-tujuan dalam lingkungan yang dinamis. Artikel ini menyimpulkan bahwa arsitektur RAN AI-native agentic dapat membuka jalan menuju jaringan 6G yang berkelanjutan dengan secara signifikan mengurangi konsumsi energi operasional sambil mempertahankan persyaratan kinerja dan latensi. Pekerjaan mendatang dapat berfokus pada penskalaan pendekatan ini ke deployment yang lebih besar dan mengintegrasikan paradigma AI tambahan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…