人工智能（AI）正逐步滲透至各類通信網絡之中，引領通信行業步入一場前所未有的變革。AI技術的飛速發展，使其在通信系統設計、優化及自動化方面的作用愈發凸顯，對地面網絡（TN）與非地面網絡（NTN）均產生了深遠影響。

地面網絡，作為傳統地基基礎設施的集合，支撐著全球的通信連接。而非地面網絡，則通過衛星系統、高空平臺及無人機系統，將通信能力拓展至偏遠及服務不足區域。這兩大網絡共同構建了一個全面的通信生態系統，旨在各類環境中實現無縫連接。

AI在優化這些網絡時展現出了巨大潛力，有效應對了資源分配、動態流量管理、干擾抑制及安全威脅等挑戰。對于非地面網絡，AI的引入增強了其在衛星移動、大氣干擾等快速變化條件下的自適應網絡規劃能力。而在地面網絡中，AI則助力實現了高效運營、穩健的故障管理以及更優的用戶體驗。這一融合對于6G及后續網絡的演進至關重要，有助于推動全球無縫通信及物聯網的擴展。

在連接需求激增、連接設備數量猛增以及現代網絡復雜性提升的背景下，AI正重塑通信格局。通過先進的機器學習算法、數據分析及自動化技術，AI在多個方面發揮著關鍵作用。例如，AI可實現復雜操作的自動化，用智能自動化替代傳統人工流程，實現網絡的自管理和動態自調整，從而減少人為錯誤并提高運營效率。自優化網絡（SON）能夠根據實時網絡條件自主調整參數，包括信號強度、頻率分配和路由路徑。

AI還增強了網絡的可擴展性，能夠動態適應網絡需求的不斷增長，確保在設備數量和數據量持續增加的情況下，網絡性能依然流暢穩定。AI利用預測分析預測網絡使用趨勢，并主動擴展資源，以滿足不斷增長的需求。

邊緣AI是另一大亮點。邊緣計算，特別是多接入邊緣計算（MEC），通過讓數據處理更靠近終端用戶，降低了延遲并減少了網絡擁塞。這使得自動駕駛汽車、機器人等延遲關鍵應用能夠充分利用5G能力。AI已成為邊緣計算的關鍵驅動力，實現了關鍵應用的快速數據處理和實時決策，包括機器控制、遠程手術及AI輔助駕駛等。邊緣AI通過在本地分析敏感數據，改善了用戶體驗，增強了安全性，并降低了對集中式云存儲的依賴。

衛星與AI的結合也帶來了顯著變革。衛星通信生態系統正經歷由尖端技術推動的重大轉型。傳統衛星通信系統嚴重依賴人類專業知識和人工操作，這增加了運營支出并帶來了延遲。同時，現代太空場景中無線電環境的快速演進需要超越人工限制的自適應機制。未來衛星通信將支持日益多樣化的應用和服務，產生海量數據。為應對這些挑戰，衛星必須具備自主處理數據并做出可靠、獨立決策的能力。

AI在衛星通信中的應用，通過波束成形優化、移動性管理、能效提升及高級流量分析等方式，進一步提升了衛星的性能。AI能夠動態調整衛星波束，最大化覆蓋范圍，增強信號質量并降低干擾。同時，AI通過智能管理地面和衛星網絡之間的切換，確保了無縫不間斷連接。AI驅動的優化還能夠最小化衛星運營的功耗，有助于維持長期可持續性并顯著降低運營成本。

在地面網絡與非地面網絡中集成AI，為物聯網、智慧城市及自主系統等新興技術的發展應用奠定了堅實基礎。AI與無線接入網（RAN）、核心網及邊緣設備等網絡組件的融合，推動了網絡的智能化發展。

在RAN中，AI利用RAN生成的大量數據實時做出智能決策，使網絡具備自組織、自優化和自修復能力。這對于管理動態網絡條件尤為重要。AI在云RAN（C-RAN）中的應用，通過智能資源管理和預測性維護，優化了網絡運行并提高了性能。而在開放式RAN（O-RAN）中，AI通過干擾抑制及自動化、AI驅動的集成和決策等，提高了網絡性能并降低了運營成本。

在核心網中，AI通過網絡數據分析功能（NWDAF）收集、分析和解釋網絡數據，增強了核心網環境的性能和效率。生成式AI和聯邦學習等技術的應用，進一步提升了核心網的智能化水平。生成式AI通過提供基于情境感知的響應、預測和解決方案，突破了傳統分析的局限。而聯邦學習則在不共享原始數據的情況下，實現了跨設備或網絡的協同模型訓練，有效應對了數據隱私、延遲和可擴展性等挑戰。

AI驅動的端到端網絡優化，涵蓋了從規劃、設計到實時管理和優化的整個通信網絡生命周期。這些解決方案利用AI技術實現流程自動化、優化資源分配并提高網絡中各部分的服務質量。然而，在實施端到端AI驅動的網絡優化時，也面臨著一系列挑戰，包括跨多個網絡層集成AI的復雜性、實時處理的難度以及不同技術之間的兼容性等。

AI在終端設備中的應用同樣引人注目。通過集成AI，終端用戶設備的功能性、用戶體驗及連接能力得到了顯著增強。例如，AI驅動的工具提高了手機、筆記本電腦等設備的工作效能，實現了無縫視頻會議并通過基于行為的威脅檢測增強了安全性。在聯網車輛中，AI通過處理傳感器數據進行導航、交通分析和車聯網通信，支持了自動駕駛并確保了車輛的安全高效運行。

盡管AI在地面網絡與非地面網絡中的集成帶來了諸多機遇，但也伴隨著一系列挑戰。這些挑戰涵蓋技術、監管、安全和操作領域，需要確保AI系統的公平性、透明性和可問責性。隨著AI在網絡管理和服務交付中的作用日益關鍵，解決數據隱私、安全風險等問題并確保可信、可解釋且符合倫理的AI部署變得至關重要。

數據隱私與安全是首要挑戰。AI模型依賴大量數據集進行訓練并實現有效決策和優化，但收集和處理這些數據引發了重大隱私問題、監管限制和網絡安全風險。聯邦學習為解決這些問題提供了一種有前景的解決方案，它支持在不集中存儲數據的情況下進行AI訓練，可在保護隱私的同時遵守數據共享限制法規。

AI驅動的無線網絡攻擊也是一大威脅。惡意行為者可以利用AI發起復雜攻擊，如智能干擾、欺騙和竊聽。因此，需要采取有效措施加強網絡安全防護。

可信、可解釋且符合倫理的AI部署同樣重要。AI模型通常作為復雜“黑箱”運行，這使得網絡運營商難以解讀決策、診斷故障或確保符合法規。通過可解釋AI技術，可以實現對AI模型運行方式的透明認知，增強利益相關方對AI行為的信任。

標準化與互操作性也是關鍵。需要制定全球標準，確保跨多供應商生態系統的無縫集成、兼容性和協作，促進創新并提升成本效益。互操作性使AI驅動的電信網絡能夠跨不同基礎設施、設備和服務提供商運行，確保性能一致性和可擴展性。

隨著AI技術的不斷發展，其在通信網絡中的作用預計將持續增長。未來的AI驅動網絡將不僅優化性能，還將催生具備自學習、自主運行和高度自適應性的通信系統，以應對下一代連接的復雜性。硬件解決方案的創新，如神經形態計算、量子計算和專用集成電路（ASIC）等，將進一步提升AI在通信網絡中的處理能力。同時，AI將深度嵌入6G網絡架構核心，推動6G及后續技術的顛覆性變革。