面向 6G 的智能协作无线接入网
(CIS-RAN)白皮书
（2026 年）
中国移动通信研究院
前 言
本白皮书旨在提出中国移动对于智能协作无线接入网的架构设计、关键技术
和服务体系构想，希望为业界规划研究 6G 网络协作化、智能化、服务化相关技
术和解决方案时提供参考和指引。
本白皮书的版权归中国移动所有，未经授权，任何单位或个人不得复制或拷
贝本建议之部分或全部内容。
摘 要
随着以人工智能、物联网、数字孪生等技术为代表的数字浪潮席卷全球，我
们正加速迈向一个万物智联、虚实共生的智能时代。移动通信网络作为社会数字
化转型的关键基础设施，其使命与内涵正经历深刻变革。第六代移动通信系统
（6G）不仅将实现通信性能的又一次量级跃升，更被赋予支撑原生智能、泛在
计算、融合感知等多维能力的全新使命，成为赋能新质生产力、构建未来数字社会
的核心基石。在此背景下，作为移动网络“第一跳”的无线接入网（RAN），其角
色亟待从传统的数据传输“管道”，向开放、智能、多维的服务平台演进。
依托全球最大规模的无线网络，中国移动一直在推动无线接入网架构升级以
高效服务快速发展的多样业务，并支持网络的可持续发展。2010 年，中国移动首
次提出 C-RAN 架构，持续支撑了中国以及全球的 3G/4G/5G 发展。面向智能时代
对 6G 无线接入网的新挑战和新需求，怀着构建协作、开放、共赢、可持续发展的
6G 产业生态愿景，我们基于 C-RAN，进一步提出面向 6G 的智能协作无线接入网
架构（Cooperative, Intelligent, and Service-based RAN，CIS-RAN）， 进一步拓
展协作化理念，引入智能化和服务化理念，以系统性解决现有无线接入网跨站协作
能力受限、多维能力难以融合、无线能力封闭固化、网络整体效率难以提升等问题。
本白皮书旨在系统阐述面向 6G 的 CIS-RAN 整体构想。本书首先分析了 6G
时代无线接入网面临的核心需求与挑战，进而提出了以“协作化、智能化、服务
化”为核心特征的 CIS-RAN 总体架构与关键使能技术。在此基础上，探讨了基于
CIS-RAN 创新无线服务体系的思考，并结合智能机器人、无线视联网等典型应
用场景，初步验证了 CIS-RAN 的潜在价值。最后，本白皮书对 CIS-RAN 未来发
展与产业协同进行了展望。
CIS-RAN 的成熟与商用，离不开全球产业界的共同努力。我们希望通过这
一白皮书与业界伙伴分享中国移动在 6G 无线接入网演进方向的初步思考，凝聚
共识，激发创新，携手推动无线网络从“连接万物”向“赋能智能”的范式转变，共
同开创一个更开放、更高效、更智能的 6G 新未来。
目 录
一、 6G 无线接入网的需求与挑战..........................................................................................1
6G 对网络性能、效能和服务能力提出新要求.............................................................1
6G 无线接入网面临的挑战.............................................................................................1
二、 从 C-RAN 到 CIS-RAN: CIS-RAN 的特征和架构 .........................................................4
C-RAN 架构向 CIS-RAN 演进 .......................................................................................4
CIS-RAN 的核心特征 .....................................................................................................5
协作化 ......................................................................................................................5
智能化 ......................................................................................................................6
服务化 ......................................................................................................................7
CIS-RAN 架构 .................................................................................................................7
三、 CIS-RAN 关键技术 ........................................................................................................10
无线协作化技术 ...........................................................................................................11
协作通信技术 ........................................................................................................11
协作感知技术 ........................................................................................................13
无线智能化技术 ...........................................................................................................15
AI for RAN 技术 .....................................................................................................15
RAN for AI 技术 .....................................................................................................22
无线服务化技术 ...........................................................................................................24
无线能力开放 ........................................................................................................25
无线功能重构 ........................................................................................................26
四、 基于 CIS-RAN 的创新无线服务体系思考....................................................................28
无线接入网服务范式升级：从流量管道到泛在 AI 服务边缘基础设施 ..................28
商业模式创新：建多方共赢的无线智能协作生态价值环........................................30
应用实践一：面向具身智能的“端网协同”新生态——以 CIS-RAN 原生算力服务实
现终端“轻量化”重构 ...........................................................................................................33
应用实践二：面向无线视联网的原子服务能力订阅——以 CIS-RAN 原生智能服务
重塑轻资产视联网运营 ......................................................................................................34
五、 总结与展望 .....................................................................................................................36
缩略语列表 ..............................................................................................................................38
参考文献 ..................................................................................................................................40
一、 6G 无线接入网的需求与挑战
6G 对网络性能、效能和服务能力提出新要求
面向万物智联时代，6G 网络将成为支撑未来社会生产和生活方式变革的关
键基础设施。不同于 5G 向 5G-A 的演进，下一代移动通信系统不仅需要支持增
强的通信性能，还需要网络提供泛在的智能、计算和感知服务能力，并支持环境
和经济的可持续性发展[1]。为此，6G 网络需要在性能、任务和效能三个维度实
现全面突破：
① 性能量级增强：6G 网络需在连接速率、时延、可靠性等方面实现数量级提
升。典型业务场景如智能工业机器人，在汽车总装环境中要求毫秒级（≤1ms） 传
输时延与 %的可靠性；智能网联车需实现 Gbps 级传输速率[2][3]。这些新
型业务对网络的传输能力、响应速度和确定性服务体验保障提出了前所未有的高要
求。
① 任务多维扩展：6G 网络的任务范畴已从传统的通信任务向通、感、智、
算多维任务拓展。例如，利用 AI 模型对网络进行自优化、自配置和能效调度，
提升无线资源利用率和用户体验；利用感知能力为具身智能业务提供厘米级乃至毫
米级的高精度定位；利用网络为 AR/VR 等业务提供确定性低时延算力供给， 实现
通算协同。这就要求网络具备多维信息的采集、处理与开放能力，实现从 “管道” 向
“平台” 的转变。
① 效能要求提升：在绿色低碳和可持续发展的全球共识下，6G 网络必须在
提升性能的同时，显著提升能源与资源利用效率。当前 5G 网络中存在的资源利
用率较低、设备叠加成本高、跨域协同不足等问题，亟需通过架构与技术创新予以
解决。6G 网络需实现系统效能的整体提升，降低建设和运维成本，支撑低成本
普惠网络部署，构建绿色、高效、可持续演进的网络体系。
6G 无线接入网面临的挑战
作为智联世界的前端入口，无线接入网将在 6G 网络中发挥关键作用。然而， 现
有无线接入网的架构设计和实现方式在应对 6G 新需求时仍面临多重技术挑战。
(1) 网络极致性能和一致用户体验的实现挑战
① 网络极致性能难逼近：受限于工程复杂性、实际系统中非理想因素和处理
能力等因素，目前实际商用网络中性能与无线网络理论性能极限仍存一定差距。现有
无线信号处理和网络优化方法存在三大挑战：一是复杂电磁环境下的干扰、信道及多
模块联合优化问题难以建立精确数学模型；二是多小区联合调度、分布 式 MIMO 预编
码等高维非凸组合优化问题求解困难，高复杂度算法（例如 MIMO 预编码和 MIMO
检测中的大规模矩阵求逆）难以工程实现，而低复杂度次优算法又无法逼近极致
性能；三是网络负载、干扰、业务模式及用户轨迹等关键要素 的预测能力不足，网
络难以实现主动式多维资源最优匹配。
① 用户一致性体验难保障：由于现网复杂的部署形态和无线环境，小区边
缘用户业务体验一直是网络核心痛点。协作组网被认为是一种关键的技术途径，
然而，现有的无线协作能力仍存在明显局限。例如，在通信方面，协作多点传输
（CoMP）的协作集规模受限，现网典型配置下仅支持不超过 4 个小区参与协作，
且协作簇以网络为中心静态配置，无法实现以用户为中心的动态自适应调整；在感
知新方面，现有技术多集中于单站感知，通过多节点协作感知提升感知精度的工程
探索仍处于早期阶段。
(2) 通感智算多元服务能力的融合挑战
现有无线网络主要面向连接服务设计，而 6G 无线接入网将原生集成通信、
感知、计算与智能等多维能力。在构建并融合上述多元化服务的过程中，仍面临以
下突出问题：
① 投资建设成本高：无线感知、计算及 AI 功能的实现依赖高实时性的强大算
力，现网基站普遍缺乏相应能力。为支持广域覆盖下的多维能力供给，需新增大量
软硬件功能，而叠加式的部署升级模式将导致高昂建设成本。
① 多维能力管控难：通感算智融合的效能发挥依赖于数据、算力、模型等
新要素的有效管控，当前仍存在多重难题，例如，空口、感知、AI、算力等多维
异构数据的采集与共享效率较低；在复杂组网与动态无线环境下，AI 模型的泛
化能力与鲁棒性面临严峻挑战，可能影响无线服务的可靠性。
① 业务网络协同难：多元服务的价值最大化需要网络与业务的深度协同。
然而，当前无线接入网与业务间的双向感知仍显不足。无线接入网对业务的差异化
支持主要依赖核心网 QoS 框架，仅能粗粒度感知业务类型，缺乏对业务流内部
结构（如 XR 关键帧）及动态特征的细粒度理解；同时，业务侧也难以获取无线
网络的实时传输与计算状态用于自适应优化；这些不足导致业务用户体验难以保
障。
(3) 敏捷差异化定制化服务供给的灵活性挑战
面向亿智智联时代，垂直行业对无线网络的敏捷响应、低成本定制和性能保
障提出了更高要求。然而，现有无线接入网在应对海量、碎片化的差异化业务需
求时，其固有架构设计与新兴业务需求之间存在显著矛盾。
① 无线能力开放不足：现有无线接入网的设计缺乏标准化的服务化开放框
架，导致业务应用（如智能体平台、工业控制系统）无法直接、按需地调用底层
网络通信、数据、AI 等多维资源。网络能力难以与行业业务逻辑深度融合，从
根本上制约了多样业务对网络的感知以及对多维能力的调用，难以充分释放网络
价值和赋能行业个性化的跨域业务体验保障与业务融合创新。
① 灵活服务供给受限：现有无线接入网各功能模块设计高度紧密耦合，面
对特定行业场景（如极低时延控制、高精度本地定位等）的个性化诉求，网络无
法实现原子级功能的灵活按需组合与可插拔式重构，导致网络升级响应周期长、
定制化研发与部署成本高，难以敏捷低成本满足行业差异化、定制化需求。
(4) 网络整体效能提升的挑战
6G 网络需同时支撑极致通信性能、泛在算力与智能服务需求，网络资源效
率和能量效率提升是 6G 网络可持续发展的关键。然而，相比 5G 单一的连接服
务，6G 通感算智融合带来的资源维度跃升和能耗结构性变化，使得网络整体效
能优化面临以下挑战：
① 多维异构资源池化管理难度提升：6G 资源维度从 5G 的频谱、时间、空间
扩展为"频谱+算力+AI 模型+数据"的多维异构资源。为提升整体资源利用效率， 需
要实现海量分布式基站的算力、数据等资源池化共享与多站点高效协同。目前，
5G 尚不支持网络 AI 计算资源池化共享与组网协同调度，缺少通信、感知和 AI
等多业务共享基础设施时的资源协同优化机制，难以支撑 6G 多维异构资源的高
效组网协同。
① 能耗结构性变化带来新挑战：6G 基站因引入 AI 计算、实时感知处理及
多模态数据融合能力，算力能耗将成为能效优化的新变量。6G 需在系统设计和
优化时综合考虑通信和计算能耗，并考虑通感算智多元服务体验与能效的联合优
化。
二、 从 C-RAN 到 CIS-RAN: CIS-RAN 的特征和架构
C-RAN 架构向 CIS-RAN 演进
2010 年，中国移动首次提出 C-RAN 架构和机制，该架构推动了无线接入网从
完全分布式的“一连接一处理”模式，向集中与分布相结合的“N 连接一处理” 模式演进，
有效实现了接入网的协作化、集中化、绿色化与云化[4]。C-RAN 架构已在商用
网络中规模部署，显著降低了网络平均综合能耗，提升了边缘用户的通信性能。C-
RAN 架构持续支撑了我国以及全球的 3G/4G/5G 发展[5]。
然而，随着 6G 在网络性能量级、任务维度和系统效能等方面提出更高要求，
C-RAN 的架构局限逐渐显现：C-RAN 重点面向以连接为核心的传统通信业务，
缺少原生感知、计算、智能能力的支持；此外，C-RAN 的协作以单点或局部协
作为主，在 6G 更大规模组网场景下，网络整体性能与效能提升均面临瓶颈； 同时，
C-RAN 缺乏统一、灵活的能力开放与服务化机制，难以适配 6G 多行业、多场景的
差异化业务需求。因此，亟需对 C-RAN 架构进行升级，以解决上述问题。
图 1 从 C-RAN 向 CIS-RAN 演进[6]
为此，本白皮书提出智能协作无线接入网（Cooperative, Intelligent, and
Service-based RAN，CIS-RAN） 架构，作为 C-RAN 向 6G 演进的重要方向。
CIS-RAN 以“协作化”、“智能化”、“服务化”为核心特征，通过深化协作机制、
原生融合 AI 能力，支持灵活的无线能力开放与定制，实现网络性能、系统效能
和多元差异化服务能力的整体跃升，为 6G 更大规模组网和多维业务提供统一、
灵活且高效的支撑。
CIS-RAN 的核心特征
协作化
协作化是提升无线网络通信性能与多维能力的必由之路。CIS-RAN 在继承
C-RAN 集中化协作优势的基础上，进一步拓宽协作范围、扩展协作维度并提升
协作精度，从而实现面向全网的系统级性能优化。
CIS-RAN 将传统以单点或局部为主的协作机制拓展为网络化协作，打破传
统 C-RAN 协作 MIMO 的边界，构建高性能、提供用户一致性体验的网络化协作
MIMO，通过实现以用户为中心的动态簇构建、高性能协作传输和平滑无感切换，
实现用户一致体验，达到网络全局优化。
在上述网络化协作通信的基础上，CIS-RAN 扩展协作维度，通过新增协作
感知与协作智能，实现网络多维能力提升。具体而言，CIS-RAN 推动通感一体
由 5G-A 阶段的以单点协作为主向网络化协作的通感一体迈进，依托多节点分类
采传、分层汇聚与融合处理机制，实现跨节点感知信息的互补利用与联合推理，
有效克服单点感知视角受限及不确定因素影响导致的感知性能瓶颈，显著提升感
知精度与感知覆盖范围；同时，CIS-RAN 引入分布智能与分层集中控制机制，
通过分布式 AI 要素的跨节点协同（协同训练、推理等），实现数据、算力与模
型等多维要素的网络化协作，克服单点智能由数据获取受限、计算资源不足导致
的推理精度受限等问题，有效提升资源效率，提高推理精度，进而有效支撑网络全
局优化决策。
协作化需要无线接入网架构在增强多点协作同步精度的基础上，引入 BBU
间实时协作信息交互，拓展数据采集和感知功能，增加多点数据协作融合处理单
元。
智能化
智能是 CIS-RAN 的核心驱动力。AI 将赋能 RAN 全流程，同时 RAN 将使能
泛在 AI 应用。
AI 赋能 RAN 的研究已覆盖从系统级组网协作到链路级处理的全流程。AI 可
用于信道特征提取、波束预测、功率控制、干扰协调、切换优化等多种场景，
实现从经验驱动向数据驱动的转变。例如，基于 AI 的信道状态估计/预测可在高
速移动环境中显著降低 CSI 反馈开销，提高频谱效率；强化学习算法可实现自适应
资源调度与动态负载平衡，提升网络整体性能。无线链路级 AI 要求毫秒级实时 AI
推理，系统级和网络级 AI 用例要求百毫秒/秒级 AI 推理。毫秒级强实时AI 功能
就近按需引入，分布嵌入到基站 BBU 内；百毫秒级近实时和秒级非实时AI 推理可
引入跨节点集中共享算力，提升资源效率，降低成本。受无线接入网各层级处理
时延和基站功耗等因素约束，AI 的工程化应用将逐步开展。AI 赋能
网络应用的第一步将从准实时的系统级组网协作相关用例开始，例如网络节能等，
后续到将逐步扩展到毫秒级实时链路级处理等场景。基于 AI 的特征提取、实时推
理、复杂算法求解等能力，智能将升级协作效能，助力突破 RAN 性能和效率瓶颈。
以协作 MIMO 为例，基于通信知识与 AI 结合的实时预编码算法，相比传
统基于数学模型的MIMO 预编码，可有效的降低 AI 推理计算复杂度和推理时间。
在 RAN 使能 AI 方面，RAN 将为用户提供无处不在、低时延 AI 服务。6G
使能 AI 的关键在于 RAN 侧，RAN 需考虑面向用户服务的流程和功能重构，支
持低时延终端计算卸载、网络/感知数据开放和 AI 新要素传输保障。
智能化需要无线接入网架构支持集中+分布式智能，通过引入 RAN 集中 AI
单元，实现跨 BBU 的协同，同时按需分布式引入“数据”、“计算”等新功能。
服务化
5G 核心网的平台化、服务化（SBA）设计，实现了从固定供给到灵活供给
的业务范式变革。6G 定制化、差异化要求更加凸显，全球不同运营商的需求和
发展节奏可能有较大差异，即使是同一个运营商，也存在多种复杂的场景，面临
多样化行业定制需求。为此，6G RAN 需要考虑向服务化方向演进。
技术上，RAN 相比 CN 更难构建松耦合、可复用、独立管理的原子服务，
因此，RAN 的服务化可逐步推进，第一步是 RAN 能力可开放，再到能力可定制。
能力可开放主要考虑以服务化方式开放 RAN 各项能力，包括通信、感知、AI
计算等多类能力，实现更高效的对外赋能。进一步，通过 RAN 功能的模块化/
原子化和交互 API，实现按需组合服务的交付，敏捷适配定制化需求，功能可插
拔，能力可定制，满足差异化需求。功能模块化/原子化重构则进一步允许运营
商或行业垂直用户对 RAN 内部功能进行自定义配置与动态组合。例如，可针对
超低时延场景优化协议栈路径，或根据应用需求实时调整算力与频谱资源的调度
策略。通过引入模块化架构和编排引擎，CIS-RAN 可实现按需组装的服务链，
支撑灵活的服务创新。服务化使 RAN 从静态配置型系统演进为可编程、可重构
的“网络即服务（Network as a Service）”平台，为 6G 的开放生态提供了基础。
能力可开放对无线接入网架构的改变主要体现在对外的交互机制上，能力可
定制需要进一步改变 BBU 内生架构与机制。
CIS-RAN 架构
本白皮书提出的 CIS-RAN 架构如图 2 所示。CIS-RAN 在 C-RAN 的集中式
资源池架构基础上，强化通信/感知/智能协作，引入智能化与服务化，通过分类
采传、分层汇聚、分布智能、能力开放、服务下沉五大关键机制实现 6G 核心目标。
CIS-RAN 主要由三类核心功能构成：智能远端射频单元（Intelligent RRU）、
智能基带处理单元（Intelligent BBU）和 RAN 集中 AI 单元（AI Node）。
图 2 CIS-RAN 架构示意图[6]
① 智能 RRU：在传统射频收发和部分物理层信号处理功能基础上，引入内生
AI 能力。RRU 可利用 AI 能力对数字预失真、自适应波束赋形等强实时空口信
号处理进行增强，显著提升空口信号质量与传输效率，并支持空口数据在采集源
端的即时处理，降低 RRU 与 BBU 之间的数据传输开销，为 BBU 和 RAN 集中 AI
单元内的 AI 模型推理提供高时效的有效数据输入。在硬件层面，为支持超大带宽
/超大规模 MIMO 等技术，可基于规范化的芯粒 D2D 接口互联方案实现高速数据
带宽、低功耗和高集成度，并兼顾兼容性和可靠性[7]。
① 智能 BBU：BBU 演进为边缘智能节点，在传统基带处理与协议栈功能之
外，引入内生 AI 能力以增强从 High PHY 到无线链路高层的多种功能。BBU 能
够实现来自多个 RRU 的通信与感知数据的语义融合，构建可支持实时 AI 推理
的丰富上下文信息；还可支持 AI 驱动的本地决策优化，如智能信道估计与预测、
智能空口收发机、智能自适应链路调整、智能干扰管理和智能资源调度等。同时，
BBU 可与 RAN 集中 AI 单元深度协同，既可将本地融合数据与推理结果
上报，也可接收并执行由 RAN 集中 AI 单元下发的全局策略与模型更新，参与跨
节点的资源联合优化。在硬件层面，可基于统一的 D2D（Die-to-Die）接口规范
实现模块化芯粒互联及差异化工艺设计，以支持多样化场景和协议演进，缩短研
发周期和降低生产设计成本。
① RAN 集中 AI 单元：RAN 集中 AI 单元是 CIS-RAN 架构中新增的核心逻辑
功能，服务“AI for RAN”与“RAN for AI”双重目标。在 AI for RAN 层面， RAN 集
中 AI 单元可实现高效数据采集与可信数据分享，避免不同用例数据的重复采集，
减少终端采集数据及其与基站交互的开销，支持跨网元、跨厂商的数据分享。RAN
集中 AI 单元与智能 BBU 的协同可进一步增强区域级协作智能，通过跨 BBU 站点
的数据和算力共享和协作，提升基站 AI 计算资源利用效率，有效支持联邦学习、
迁移学习等分布式无线 AI/ML 模型的训练和推理，提升网络AI/ML 模型的泛化性
和推理精度。在 RAN for AI 层面，RAN 集中 AI 单元可进一步支持边缘 AI 业务应
用的本地计算卸载，从而降低 AI 业务传输时延；进一步， RAN 集中AI 单元可实时
感知通/算/数/智等多维资源并对上述多维资源进行一体控制和调度，保障 AI 业务
的时延、抖动及服务连续性体验，并提升网络整体效能。同时，RAN 集中 AI 单
元可通过服务化接口开放其网络和算力状态，实现与核心网协同及对外服务开放。
在实际部署中，RAN 集中 AI 单元可采用集成于现有 5G CU 单元或作为独立资源
池的灵活形态，以平衡兼容性、升级弹性与整体成本。
基于上述功能，CIS-RAN 使能了分类采传、分类汇聚、分布智能、能力开
放、服务下沉等关键机制：
① 通过分类采传，支持对多源异构数据（如感知数据、空口 AI 数据等）的按
需压缩、同步和分发，提高数据采集和传输效率；
① 通过分层汇聚，支持根据任务需求（例如，不同精度需求的协作感知任
务）对任务数据汇聚/融合的层级（RRU、BBU 或 RAN 集中 AI 单元）和粒度（例
如，原始数据、特征或决策）进行最优决策；
① 通过分布智能，实现不同 AI 任务在网络中的高效分布和协同，在满足实
时性约束的前提下优化资源利用效率；
① 通过能力开放，将 RAN 侧数据、算力资源及网络能力等安全可控地开
放给运营商或第三方应用，使能对网络行为的按需灵活定制；
① 通过服务下沉，为边缘业务提供确定性的超低时延保障。
三、 CIS-RAN 关键技术
CIS-RAN 的愿景实现，依赖于一套相互关联、协同演进的技术体系。这一
技术体系以“协作化、智能化、服务化”三大核心特征为牵引，涵盖无线协作化、无线
智能化、无线服务化三个技术维度，如图 3 所示。
图 3 CIS-RAN 关键技术体系
① 在无线协作化技术层面，CIS-RAN 突破传统小区边界限制，通过网络化
协作 MIMO 实现以用户为中心的无边界协同传输，并依托多节点数据融合、同
步误差消除与智能融合算法，构建通感一体的协作感知能力，为网络性能跃升奠
定物理层基础。
① 在无线智能化技术层面，CIS-RAN 构建"AI for RAN"与"RAN for AI"的双
向赋能格局：一方面通过低开销数据采集、高可靠模型管理与分布式 AI 协同，
实现网络自身的智能自治与持续演进；另一方面通过连接增强、算力编排与通算
联合优化等技术，将 RAN 重塑为 AI 业务的原生支撑平台。
① 在无线服务化技术层面，CIS-RAN 从"能力可开放"与"功能可定制"两个层
面推进架构变革，通过通用开放框架设计实现通感算智能力的灵活对外开放，
并通过功能原子化重构和协议创新，支持网络能力的按需编排与敏捷交付。
无线协作化技术
无线协作技术主要涉及协作通信和协作感知两大方向，协作通信主要通过协
作 MIMO 技术降低干扰，提升网络频谱效率，而协作感知则利用多节点的感知
信号联合收发处理，提高感知精度。
协作通信技术
为了应对蜂窝网络中的干扰问题，现有 C-RAN 架构将多个节点（TRP）组
成协作簇，通过簇内 TRP 的协作实现更高的空间分辨率和频谱效率，如图 4 所
示。然而，受限于协作簇本身的边界，协作区域仍然是“有界”的，不同区域间仍存
在严重干扰，导致用户体验差。
（a） 蜂窝网络 （b）协作MIMO（C-RAN）
图 4 C-RAN 架构下的协作MIMO
为此，CIS-RAN 架构在增强多点协作同步精度的基础上，引入 BBU 间实时
协作信息交互，增加多点融合处理单元，从而支持网络化协作 MIMO 技术。如
图 5 所示，网络化协作 MIMO 通过打破传统小区边界，构建以用户为中心的多
站分布式协作传输机制，实现从以基站为中心到以用户为中心的根本范式转变，
达成“网随人动”的一致性体验。其核心技术特征包括：
① 从单点接入到“always on”协作接入：构建动态的、以用户为中心的协作
簇，实现“接入即协作”，同时支持无感簇重构，确保用户全程处于稳定协作服务状
态。
① 从非相干传输到相干联合传输：通过提升多站同步精度，实现精准相干
传输，显著提升协作增益与频谱效率。
① 从有界协作到无界协作：打破传统 C-RAN 架构协作簇的边界，支持跨
多个 BBU 的实时协作，为用户提供跨区域无缝服务，达成平滑无感切换。
图 5 网络化协作 MIMO
图 6 展示了传统 RAN、C-RAN 及 CIS-RAN 三类架构的通信性能，其中， 传
统 RAN 架构支持单点传输，C-RAN 架构支持以网络为中心的协作传输，而CIS-
RAN 架构则支持以用户为中心的网络化协作传输。图 6 (a)对比了不同 RAN 架构
下的频谱效率，可见 CIS-RAN 架构可凭借以用户为中心的协作机制有效抑制干扰。
相较于 C-RAN 频谱效率提升达 45%。图 6 (b)对比了不同 RAN 架构下的覆盖概率
（即接收 SINR 超过给定阈值的概率）。尽管在低发射 SNR 场景下， 单点传输覆
盖概率略高于协作传输（单点传输模式下基站可将有限功率集中服务于附近用户，
而协作传输需在多用户间进行功率分配，导致协作增益下降），但随着发射 SNR
不断提升，协作增益逐步凸显，两类协作传输的覆盖概率快速上升，其中 CIS-
RAN 架构相较于 C-RAN 的覆盖概率提升 15%以上。
(a) 频谱效率 (b)覆盖概率
图 6 CIS-RAN 架构下的通信性能对比
协作感知技术
传统单站感知受限于发射信号信噪比、频段带宽、积累时长及阵列孔径等物
理瓶颈，其距离、速度和角度的感知精度难以满足未来 6G 场景的极致需求。为此，
需要基于感知目标的各向异性散射特性（即不同观测方向下目标的散射强度不同）
发展多节点协作感知理论，为实现低成本、高增益的 CIS-RAN 多节点协作感知提
供了坚实的数学基础与物理依据。理论证明，通过多节点间的网络化协作，可以
显著突破单站性能极限，实现三重增益：1）更多的可利用径：通过多发多收扩展
信号覆盖与捕获能力，提升回波信号能量；2）更强的散射强度：利用协作机制捕
捉目标在不同角度下的最强散射截面积（RCS）；3）更优的协作增益：通过多维
信息互补与智能融合、多节点几何拓扑最优规划，提升感知精度。
高精度时间同步
图 7 多节点数据融合理论增益
在多节点协作感知中，高精度的时钟同步是实现数据有效融合的前提。然而， 现
网中不同节点的系统时钟存在差异，导致感知精度下降。数据表明，现网典型的
65ns 同步误差将导致约 20 米的测距偏差；而要实现 6G 愿景中的亚米级感知精度，
理论上要求同步误差小于 3 纳秒[8]，这为网络部署提出了严峻挑战。
为此，可以在数据处理中引入“基于参考径的同步误差消除技术”。该方法利用
已知参考目标或直射径距离，精确计算并补偿时钟偏差，在算法层面实现节点间
的“虚拟同步”，如图 8 所示。实测验证显示，在同步误差未补偿时，由
于时间异步导致的测距偏差超过 100 米，感知功能基本失效；而在应用该技术后，
测距精度显著收敛至 米左右，确保了在复杂网络环境下的亚米级的精准感知
[9]。
图 8 基于参考径的同步误差消除技术
自适应智能融合
在 CIS-RAN 多节点协作网络中，系统面临着海量感知数据处理的挑战。由
于各协作节点与目标的相对位置、信道环境各异，导致不同节点获取的感知数据
置信度存在显著差异。若采用传统的直接融合方式，低置信度的数据往往会“污染”
整体结果，导致难以获取高精度感知结果。
为此，一种可行的方法是利用信道参量实现感知数据的智能融合。该方法基于
加权最小二乘法构建了智能融合模型，通过分析多发多收中的几何关系与信号强
度，自适应地计算距离与角度的权重参数，确保了系统能够智能地向高置信度节点
倾斜，从而成倍提升感知精度[10]。
在无人机与车辆典型场景中，95%的概率下，多节点智能融合的定位精度相
比单站感知提升了 1 倍, 如图 9 所示。这一技术有效解决了异构数据融合难题，
确立了 CIS-RAN 在复杂环境下的性能优势。
图 9 自适应智能融合技术
无线智能化技术
无线智能化技术涉及“AI 赋能网络”（AI for RAN）和“网络赋能 AI（RAN for
AI）两大方向，“AI 赋能网络”（AI for RAN）通过人工智能技术提升网络自身
的性能、效率与自动化水平，而“网络赋能 AI”（RAN for AI）则将无线接入网构
建为支持边缘 AI 服务的关键基础设施。这两大方向的深度融合，将使能CIS-
RAN 成为具备原生智能的下一代无线接入网架构[11]。
AI for RAN 技术
CIS-RAN 架构通过对 RRU 与 BBU 的智能化增强，并引入 RAN 集中式 AI 单
元，推动 RAN 全流程的智能化升级，显著提升了系统性能与资源利用效率。AI
的性能高度依赖数据、模型与算力等关键要素，然而，无线网络的多样 AI 任
务、高动态网络环境和泛在资源分布等特征为 CIS-RAN 智能化特性的应用带来
了一系列挑战。具体而言，现有面向通信业务的数据采集机制难以高效率、高质量、
低开销地满足多样 AI 任务的数据采集需求；模型设计与管理方面，难以兼顾高性
能、强泛化和低复杂度，且对复杂高动态网络环境的自适应性有限；此外， 泛在分布
计算资源的分散特性为系统整体效能的提高带来了挑战。为此，亟需面向 AI for
RAN 构建系统性的关键技术体系，通过引入任务驱动的跨域实时高效数据采集、
绿色强泛化 AI 模型设计和高可靠模型管理，分布式 AI 计算协同等技术，支撑 CIS-
RAN 智能能力的高效落地与规模化应用。
任务驱动的跨域实时高效数据采集
在原生智能的 CIS-RAN 中，高效的数据采集是 AI 模型训练与推理的基础。传
统的无线数据采集机制（如 PM/MDT/MR 等）主要面向连接控制和无线资源管理
设计，难以满足 AI 任务对数据多样性、实时性与定制化的需求。为此，可以引入
一系列面向差异化 AI 任务的新型数据采集机制，包括专用空口无线承载、跨域数据
采集和高可定制化数据采集等。在空口上，通过引入新型无线承载，可 实现 UE 侧无
线数据的高效采集，减少大批量 AI 数据采集对业务数据和关键信令的影响；为获
取更丰富的数据，CIS-RAN 可通过跨域数据采集机制从核心网、应用服务器等多
域实时获取丰富的业务流特征、用户体验指标、用户行为预测等 信息，如图 10 所
示；同时，为减轻设备和传输开销，CIS-RAN 可支持基于服务类型、区域范围或用
户设备状态等过滤条件按需配置无线数据采集任务，如图 11 所示。例如，在为高铁
用户训练专用 AI 模型时，可设置“UE 速度>250km/h”的采集条件，避免对低速 UE
进行不必要的数据收集，显著降低空口开销的同时确保数据采集的精准性。这些任
务驱动的跨域实时高效数据采集机制相比传统方式， 可显著降低无线数据采集开销，
同时保证 AI 模型训练所需的数据质量。
图 10 跨域数据采集和开放
图 11 任务驱动的定制化数据采集
绿色强泛化 AI 模型设计和高可靠模型生命周期管理
AI 在特征表征、实时推理和复杂决策等方面的强大能力，为突破传统网络
优化方法在性能与资源效率上的瓶颈提供了新的技术路径。然而，无线网络的强
动态信道环境、用户行为不确定性以及边缘侧计算与能耗受限等工程约束，对 AI
模型的实时性、能效与跨场景泛化能力提出了更高要求。因此，无线网络 AI 模
型设计需要考虑模型能力、质量与代价的均衡[12]，设计绿色强泛化的 AI 模型，
并构建高可靠模型管理机制，以确保模型在复杂动态环境中的长期稳定运行。
(1) 绿色强泛化性 AI 模型设计
绿色强泛化性 AI 模型设计，可采用以下两种方式: 一是融合无线通信领域
先验知识设计专用小模型，在模型结构或训练过程中引入网络拓扑、优化算法结
构及策略内在性质等先验信息，降低对数据样本量和质量的依赖，在满足实时性
与能效约束的前提下提升系统性能和泛化能力；二是构建多任务与跨场景应用的
高性能多模态无线基础模型，深度挖掘信道传播与物理环境的相互作用，提升多
个任务在跨场景及动态无线环境下的性能，并大幅增强网络在动态未知环境中的
鲁棒性与自适应能力。
a) 融合无线通信先验知识的绿色专用模型
目前，业界通常针对单个无线任务对应的功能模块设计专用模型、利用从特定
环境中采集的数据学习策略，所设计的模型参数规模小、计算复杂度低，具备较高的
能效比与较低的推理时延，能够较好地满足无线网络对实时性和部署成本的严格要求。
然而，这类模型依赖特定任务场景与数据分布进行训练，跨场景泛化能力较弱，难以
适应网络拓扑、天线规模、用户密度和信道环境的动态变化。为了增强模型的泛化
能力和鲁棒性、使之能够应对复杂的网络环境，可以利用无线通信领域的先验知
识优化模型结构，例如：1）图神经网络（Graph Neural Network, GNN）：通过将
无线网络建模为图，GNN 能够利用拓扑先验高效捕捉图中各节点之间的依赖关
系，提升系统性能。此外，根据置换性质引入参数共享机制，能够减小 GNN 的假
设空间、降低复杂度，并使其自由参数个数与系统规模无关，提升维度泛化能力。
例如，文献[13]把多用户系统中的用户、基站天线分别建模为了图中的两类顶点，
在所得异构图上设计了 GNN 学习预编码策略， 该 GNN 的训练复杂度可降低至传
统全连接神经网络、卷积神经网络的 9%，并且对用户数具有更强的泛化能力。2）
数学模型驱动的神经网络：通过在训练过程中利用所考虑优化问题的数学模型，
能够简化神经网络需要学习的函数关系， 提高学习效率和系统性能。引入数学模
型的方式包括利用最优解结构简化模型输出[14]、将迭代算法中的每次迭代展开为
神经网络一层的“深度展开” [15]、以及在损失函数中引入额外约束的物理信息神经
网络（Physics-Informed Neural
Network, PINN）[16][17]等。这些数学模型驱动的神经网络可应用与信道估计、
模拟或数字预编码、功率分配等问题，能够在拟合训练数据的同时遵循物理规律， 具
有更强的可解释性与泛化能力。
b) 多任务跨场景高性能多模态无线基础模型
受相关领域基础模型技术启发，无线通信领域可引入多模态无线基础模型，
有效破解模型泛化能力不足的难题，显著提升无线网络在复杂动态场景下的鲁棒
性。相较专用模型，多模态无线基础模型为应对 6G 时代复杂的信道环境与多样
化的业务需求提供了全新技术路径。
多模态无线基础模型通过多模态数据融合-大规模自监督学习-多下游任务
适配的技术路径实现突破，如图 12 所示。首先，利用多模态模型架构，无线基
础模型能够联合嵌入并融合处理无线信号、环境感知及用户行为等多源异构数据，
统一提取抽象环境状态表征，提升网络对复杂环境的全局感知能力。其次，多模 态
无线基础模型利用海量无标签多模态原始数据进行大规模自监督预训练，通过 掩码
重建和联合嵌入预测技术使模型自主挖掘底层信道传播规律与通用特征，可 以显著降
低模型对标签数据的依赖并提升了泛化性能[20][21]。最后，基于准确 且丰富的环境表
征，模型能够以极低的微调代价，迅速适配不同下游任务，可以 有效支持信道预测、
波束管理等多个任务在跨场景及动态无线环境下的性能提升， 大幅增强网络在动态未
知环境中的鲁棒性与自适应能力。目前，多模态无线基础 模型的研究主要聚焦在基
于信道特征的物理层，可考虑进一步延伸至 L2/L3 层资源调度、链路自适应、移动性
管理等跨层协同特征的挖掘与建模；在模型能力演 进方面，基于模型的通用特征表
征能力，可进一步构建无线世界模型，融合时空 维度的网络拓扑状态、用户行为轨
迹、环境动态变化等多元信息，形成对无线环 境的全域认知、动态推演与提前预判能
力，为 CSI-RAN 提供统一、通用的智能 能力底座。
图 12 无线基础模型及典型任务
多模态无线基础模型可与专用模型协同，融合二者技术优势，实现性能表现 与
工程部署要求的平衡优化。可能的协同方式包括：1）专用模型作为基础模型 的下
游任务执行分支，负责快速处理边缘的局部任务，如信道预测、调度优化等， 确保低
延迟和高效响应。2）专用模型微调与适应：基础模型可以为专用模型提 供全局优化策
略，并通过微调的方式将这些策略应用于特定场景，从而提升专用 模型在不同网络环
境中的适应能力。3）双向知识交互：基础模型提供的全局优 化和跨场景知识可以通过
蒸馏或参数更新反馈给专用模型，增强其跨场景泛化能 力；专用模型的实时推理结果又
能为大模型的长期优化和决策调整提供数据支持。在部署方面，可借助 CIS-RAN 架
构优势，将低算力需求的专用模型部署于 BBU 或 RRU，以实现低延迟处理；而涉
及跨域协同或高算力需求的无线基础模型， 可考虑部署于 RAN 集中 AI 单元，由
其提供多域数据与强大算力支撑，满足复杂任务需求。
(3) 高可靠模型生命周期管理
在模型能力持续增强的同时，高可靠模型生命周期管理成为 AI 在 RAN 中规
模化部署的关键保障。CIS-RAN 在 5G 基础上进一步增强模型生命周期管理机制，
构建了涵盖模型性能、网络性能和资源利用率的多维性能监控体系。该体系不仅监
测模型精度、泛化能力等传统指标，还结合网络关键性能指标如时延、吞
吐量，以及资源指标如 CPU/GPU 利用率、能耗状态，实现端到端可观测，使能网
络在数据漂移、场景变化和业务波动等情况下的稳定性。其次，在模型持续迭代方
面，CIS-RAN 使能了模型的在线学习，支持性能触发的重训练和数字孪生辅助的
预验证，当检测到模型性能退化或数据分布漂移时，自动启动重训练流程， 通过数字
孪生环境进行可靠性验证后再部署到现网，如图 13 所示。CIS-RAN 架构支持上
述功能的灵活集成部署，例如：模型验证与仿真模块可部署于 RAN 集中 AI 单元，
便于基于全局网络数据和业务数据进行环境模拟和可靠性验证；性能监测、高级
AI/ML 支撑等功能模块可根据实际需求，灵活采用集中或分布式部署等多种方式。
图 13 高可靠的模型生命周期管理框架
分布式 AI 计算协同
为克服单节点计算资源受限与数据孤岛问题，CIS-RAN 原生支持分布式协
同 AI 计算，通过数据与算力共享实现协作智能。根据多节点间数据与算力共享
的程度不同，分布式协同 AI 计算可分为协同训练、协同推理，以及协同预训练
+微调三种方式。在协同训练方式下，通过联邦学习或分裂学习，在多节点间协
同训练全局或个性化模型，BBU 基于本地数据训练模型参数，RAN 集中 AI 单
元负责聚合更新，既保护数据隐私又提升模型泛化能力。在协同推理方式下，多
节点间可灵活分配推理任务，资源受限的 BBU 可将复杂推理任务卸载到 RAN 集
中 AI 单元，而 RAN 集中 AI 单元基于多源数据生成全局优化策略后分发给各
BBU 执行。在协同预训练与微调方式下，RAN 集中 AI 单元分发预训练的基础
模型，BBU 基于本地数据进行轻量级微调，既适应局部环境特征，又将微调后
的更新贡献给全局模型，从而显著减低模型训练开销并提升模型性能。
RAN for AI 技术
面向 AI 业务的连接保障
以具身智能为代表的 AI 业务将成为未来 6G 网络的核心业务形态之一，保障
此类 AI 业务数据的高效传输具有基础性意义。相较于传统移动业务，此类 AI 应用
具备新传输要素、新流量特征与新保障指标：在传输要素层面，业务数据为特征数
据、token 等语义结构化数据单元，具备一定传输容错能力与语义重要性差异；在
流量形态层面，智能体交互呈现多模态突发特征，并与边缘或云端模型推理过程深
度耦合，数据到达与生成时间与计算进度紧密相关；在保障指标层面， 需关注 AI 应用
端到端效果指标，如首 token 时间（Time to First Token，TTFT） 等。然而，现有
连接保障机制主要围绕比特与分组的可靠交付设计，调度策略侧重峰值带宽保障与
吞吐优化，缺乏对语义重要性、任务体验、流量特征的感知与动态适配能力，难以高
效保障智能体业务的数据传输与体验。
为此，可引入面向 AI 任务特征的新型传输保障机制，包括基于特征数据、
token 等语义重要性感知的精细化调度、应用层测量体系扩展以及基于流量特征
感知的预调度技术。在精细化调度方面，可建立基于多模态特征数据、token 数
据重要性与关联性的打包与标识机制，使 RAN 结合实时负载状态，对低重要性
特征、token 实施选择性丢弃或减少重传，对高重要性特征、token 强化保障，从
而提升空口利用效率并控制交互时延波动。如图 14 所示，将视频特征矩阵拆分为
重要性不同的多流数据，仅传输高重要性数据时仍能高质量恢复原视频。在应用层
测量体系扩展方面，可纳入 TTFT 等任务级指标，并结合网络与业务多维数据训练
预测模型，使 RAN 能够对业务体验进行主动预测，动态优化调度优先级、
重传策略及资源预留比例，实现面向任务效果的智能化自主闭环优化。在流量特
征感知与调度层面，可推动网业协同的智能资源适配，通过开放接口允许应用侧
向网络提供轻量级预测信息，如用户意图预测或预计内容生成时刻，使 RAN 侧
能够提前按需预调度资源，在提升端到端交互体验的同时提高系统容量与资源利
用效率。
图 14 AI 任务数据差异化传输与体验保障验证实验
RAN 边缘计算卸载
通过将终端计算任务卸载到 RAN 边缘，CIS-RAN 能够为 AI 业务应用提供
低时延的边缘推理与训练服务。
RAN 边缘计算卸载可在 CIS-RAN 与业务应用间实现直连数据通路，显著降
低端到端时延。存在多种可能的实现方案，一种方式是核心网 UPF 和计算单元下
沉到 CIS-RAN 计算基础设施平台，另一种潜在的方式是为 CIS-RAN 引入一种终结
于 RAN 侧的 PDU 会话（如图 15）。这种 PDU 会话由核心网根据 UE 对本地服务
的需求向 RAN 侧配置，相关的无线承载由 RAN 自主管理。该 PDU 会话在 UE 侧
的处理与传统 PDU 会话相同，可最大限度地减少对传统 UE 的影响。为支持高效
的 RAN 边缘计算卸载，需对各类 AI 加速器（包括 GPU、NPU、DPU 等）进行高效
管理和调度。例如，为实现 AI 任务的并行处理，可利用多实例 GPU
（Multi-Instance GPU，MIG）技术或多进程服务（Multi-Process Service，MPS）
实现计算资源在多任务间的灵活分配。此外，针对多种类型的异构计算平台，可
通过统一计算模型、加速器抽象层（Accelerator Abstraction Layer，AAL）、虚拟
化及容器化等手段实现跨平台统一编排，以降低开发复杂度，并提升资源利用率。
通算联合优化
图 15 终结于 RAN 侧的 PDU 会话
CIS-RAN 需为本地智能服务提供端到端的服务质量保障。为此，需要对通
信和计算进行联合优化，保障 AI 任务端到端时延、准确度等用户体验指标，同
时提升系统整体效能。CIS-RAN 引入了 AI 服务质量指标体系，通过通算融合管
控机制，可实时监测无线链路质量与计算节点负载，动态调整通信与计算资源分配。
例如，在给定端到端时延约束时，若空口时延因无线链路质量恶化而增加时， 系统自
动分配更多计算资源以压缩处理延迟，维持端到端时延在业务可接受范围内。同时，
针对 UE 移动性，RAN 集中 AI 单元可根据 UE 实时需求和目标基站的计算资源可
用性，智能决策是否触发计算任务迁移，确保计算服务的连续性和可靠性。此外，
CIS-RAN 可在不同类型任务间按需动态分配资源，在网络负载较高时优先保障关
键 AI 任务的通信与计算资源，在网络空闲时段充分利用闲置资源进行模型训练
或数据预处理，提高资源利用率。进一步，在端边协同的通算联合优化方案下，可
综合考虑无线通信情况、终端自身情况（算力、电量等）和需求，由终端进行小模
型、模型基本层或者特征提取等处理，基站侧完成大模型、剩余模型层等复杂模型
处理，通过端边协同提高计算效率，实现终端轻量化。
无线服务化技术
面向 6G 时代，网络的定制化、差异化需求将更加显著，6G RAN 可通过服
务化更好地支撑未来网络的多样化场景。RAN 的服务化主要包括无线能力开放
和无线功能重构两个层面。
无线能力开放
传统 RAN 系统相对封闭，外部系统难以直接调用其内部的通信、数据、计
算等能力。通过引入服务化接口，可对 RAN 的连接、计算、数据与智能等多维
资源与能力进行统一抽象与封装，外部系统可以通过标准的 API 按需、按权限
地获取这些服务。例如，RAN 可将能力开放给核心网，提升分布式边缘算力与
数据等资源利用率；也可开放给第三方消费者，加速业务创新；同时还可开放给
终端，为终端设备提供低时延模型推理与渲染加速等服务。
广义而言，RAN 能力开放可以包括对网络内部开放（如 CN 和 UE）和对网
络外部开放（第三方消费者）。
图 16 两种潜在的 RAN 能力开放模式
(1) RAN 能力对内开放
RAN 可通过服务化接口向 CN 开放服务，使能 RAN 服务的高效调用，实
现端到端网络能力的最大化利用。例如，CN 可直接调用 RAN 提供的计算、数
据服务，满足 UE 更低时延的 AI 处理需求，RAN 对 CN 服务开放如图 16(a)所示。
进一步，如图 16 (b)所示，借助 CN NF，UE 与 RAN 可间接调用彼此提供的服
务。
基于 RAN-CN 之间的服务化接口，RAN 可以与非 AMF 之外的 CN NF 直接
交互(例如 CN 侧 AI、计算等相关功能)，而不需要经过 AMF 转发，避免 AMF 成
为单点瓶颈，同时避免过多的 P2P 接口定义，提升通信效率。此外，端到端
流程可以被进一步拆解，支持多个子流程的并行执行，缩短信令流程、降低响应
等待导致的端到端时延长问题，同时缓解服务调用栈太深导致的新功能引入门槛
高、调用失败回退流程长等问题。
(2) RAN 能力对外开放
对于对外开放，可以沿用 3GPP 定义的能力开放框架实现与核心网能力开放
的统一[18]。开放路径方面，RAN 可考虑首先支持 3GPP 已定义的通过核心网
NEF 对外能力开放的间接开放模式[19]，如图 16 (c)所示。进一步的，考虑未来
多样化业务应用快速上线及对低时延服务的边缘卸载需求，可借助 RAN 集中 AI
单元直接将 RAN 能力开放至运营商能力开放平台或第三方应用，如图 16 (d)所
示。这种直接开放方式具有时延低、路径短的优势，更适配高度交互的实时沉浸式
应用、工业控制等时延敏感的业务场景，满足用户极致业务体验需求。
无线功能重构
无线功能重构涉及无线能力解耦、高灵活性空口协议等方面，以实现无线功
能可插拔和网络可定制。
(1) 无线能力解耦
传统基站采用单体架构，内部功能紧耦合，上下文相互依赖，数据关联性高， 为
此，采用“高内聚”“松耦合”的设计原则，以服务的形式定义 RAN 的原子能力，如
图 17 所示。对于通信控制面，可定义 UP 管理服务、连接与移动性管理服务、消
息传输服务、多播广播服务、信息开放服务等。对于通信用户面，可定义策略管理
服务、数据传输服务等。数据传输服务可被 API 调用，其内部可以通过一系列功
能模块按需串联提供。此外，计算、AI 等新能力也需要作为服务引入。例如，
AI 类服务可包括 AI 任务控制服务、AI 模型管理服务；数据类服务可包括数据采
集服务、数据存储服务、数据处理服务；计算类服务可包括计算控制服务、计算执
行服务等。服务化为框架性技术，新能力的服务定义取决于算力、数据、模型的服
务化需求。为更好发挥 RAN-CN 协同效果，RAN 新能力服务定义应与 CN 尽量保
持一致。此外，为避免新能力与传统通信能力的耦合设计影响彼此升级迭代，RAN
可通过一个新的功能（AI Node）提供计算、AI、数
据等新能力。
(2) 高灵活性协议栈
图 17 通感算智融合的无线能力
如图 18 所示，在功能层面，服务化 RAN 设计打破了传统分层协议模型的
限制，实现更灵活高效的处理方式；在资源层面，可使能敏捷、精细化的资源扩缩。
① 功能间跨层调用：服务化的解耦特性降低了层次间的耦合度，提升了系
统的可扩展性和可组合性，使得功能重组和业务逻辑调整更加便捷，这将有助于
新功能的快速引入与已有功能的迭代升级。
① 多功能并行处理：传统数据处理采用串行模型，数据处理时延逐层叠加。
为了满足更加多样化的、极致的业务应用需求，以往通常通过新协议层或在原有协
议层中增加新功能以增强能力，但这进一步加剧了时延问题。针对此，可以利用多
服务并行处理数据包，实现从串行到并行的处理模式转变，显著降低数据处理时延。
① 功能级资源扩缩：模块化设计使得 RAN 在应对业务波动时，可以针对性
地对特定功能模块进行独立的扩缩容操作，而无需调整整个系统。例如，在流量
高峰期间，仅需对负载较高的模块增加计算或存储资源，而其他模块保持不变， 从而
显著提升了资源利用效率，并保证了系统容量。
图 18 灵活功能链处理与资源按需扩缩
四、 基于 CIS-RAN 的创新无线服务体系思考
CIS-RAN 将实现无线接入网从单一流量管道向泛在 AI 服务边缘基础设施的
范式跃迁。技术演进与升级将进一步促进商业价值重塑，驱动无线服务模式的创新
升级，为移动通信产业打开新的价值空间。作为泛在 AI 服务边缘基础设施， CIS-
RAN 提供了“超高可靠通信”、“在网边缘算力”与“原生边缘智能”三层融合无线服
务体系，推动运营商、终端厂商与垂直行业的共赢价值生态。
无线接入网服务范式升级：从流量管道到泛在 AI 服务边缘基础设施
亿智互联的智能体将成为 6G 网络的核心服务对象，预计 2030 其数量将超
越人类用户总数。智能体与传统人类用户在需求本质上的巨大差异，驱动无线接
入网从单一连接向“连接+计算+智能”的复合能力跃升。为此，CIS-RAN 系统性
构建了“确定性通信”、“在网边缘算力”与“原生边缘智能”三层融合的服务体系，推
动网络价值从流量传输向计算与智能处理全面跃迁，为智能时代构筑坚实的数字
底座。
图 19 CIS-RAN 创新三层服务体系
① 确定性通信服务：从比特传输向确定性价值跃迁。CIS-RAN 将传统连接能
力升级为面向关键业务的“确定性保障”服务，突破流量经营模式，针对不同客户群
体构建分层分级的差异化连接保障能力。面向垂直行业（2B），为工业控制、远
程驾驶等关键业务提供“可承诺、可管理”的工业级确定性服务，支持按需定制时延低
于 10ms、可靠性达 %的“铂金级”专线，将连接转化为可预期的生产要素。
面向个人用户（2C），针对移动终端智能体业务，网络可动态识别业务特征并触
发“VIP 加速通道”，优先保障拥塞或弱覆盖环境下的关键体验。基于 CIS-RAN 的智
能感知与按需保障能力，实现网络资源效率最大化， 推动商业模式从单一流量价
值向“流量+体验”的多维价值拓展。
① 无线在网边缘算力服务：从连接管道向算力供给延伸。在超高可靠连接基
础之上，CIS-RAN 可进一步将服务边界向“算力”拓展，为算力、成本、功耗受限
的移动智能终端提供触手可及的在网边缘算力服务。面对移动智能体在 “极致算
力、低廉成本、持久功耗”之间的固有矛盾，CIS-RAN 通过 AI 服务下沉，将遍布全
网的基站升级为分布式的边缘算力节点，为智能终端提供了一条“硬件减负”的新路径：
通过将高能耗的 AI 推理、SLAM 建模或视频转码任务实时卸载至最近的基站，可以
显著降低终端的直接材料成本与散热压力，加速轻量化、低成本、长续航产品的普及。
网络将以即取即用的在网容器租赁或函数计算形式提供服务，支持算力弹性伸缩与按
需供给，并采用灵活的算力单位（如 vCPU/GPU 时长）或任务结果（如按识别次数）
进行计费，智能体无需为峰值任务预埋昂贵
硬件，而是动态调用网络资源，实现从硬件绑定到服务消费的转变，真正兑现“网络即
计算”的愿景。
① 泛在边缘智能服务：从单体智能向全局智能升维。构建于超高可靠的无
线通信能力与最靠近用户的低时延 AI 计算等底层能力，通过网络对物理世界的
全域感知力与模型能力封装为通用智能服务，CIS-RAN 将进一步升级为 AI 开发
者的“超级外脑”，实现网络价值从服务万物泛在通信迈向服务物理世界认知和智能
决策。开发者无需从零构建庞大的感知基础设施，只需通过 MaaS（模型即服务）
API，即可获得超越单体视距的“环境感知”、精准的“意图预测”及高效的“多机协
同决策”能力。无论是单体的智能交互加速，还是集群的 AGV 协同编队，CIS-
RAN 均可作为局域智群融通枢纽提供支撑。在这一层级，商业模式将演进为以
API 调用次数、Token 消耗量或协同服务为核心的“能力变现”模式，极大地降低
了 AI 应用门槛，赋能千行百业快速构建具备全局视野的智能应用。
商业模式创新：建多方共赢的无线智能协作生态价值环
CIS-RAN 推动的服务范式升级，不仅是网络能力的演进，更是产业价值链
的深度重构。随着网络从单一的信息传输通道演变为泛在的 AI 服务基础设施，
传统以“流量变现”为核心的单边商业模式正逐步让位于基于“能力变现”与“价值共生”的
全新生态。电信运营商、终端制造商、AI 应用开发者及垂直行业客户之间的关系，
从简单的供需交易向深度的能力耦合转变，各方将在 CIS-RAN 构建的新型生产
关系中找到全新的增长极。图 20 给出了 CIS-RAN 产业新价值与生态共赢愿景图。
图 20 CIS-RAN 产业新价值与生态共赢全景图
对于网络运营商和设备商，CIS-RAN 开启了从“基础设施建设者”向“数字
生态使能者”转型的关键窗口。CIS-RAN 所构建的三层服务体系为运营商和设备
商开辟了价值创造的新维度：可靠通信服务使其具备差异化 SLA 的供给能力，
将通用连接升级为适配客户痛点需求的差异化精准服务，实现网络连接的价值转化；
在网边缘算力服务使其能够盘活广泛分布的基站资源，切入边缘 AI 计算增量市场；
而原生边缘智能服务则将网络转化为 AI 能力的分发枢纽。运营商将成为产业数字
化的融通中枢，通过标准化 API 将多维能力开放共享，实现从B2C/B2B 向
B2B2X 模式延伸，在赋能合作伙伴的同时共享智能经济增长红利。实现从
B2C/B2B 向 B2B2X 模式的延伸，在赋能合作伙伴的同时，共享智能经济增长
的红利。
终端制造商将迎来“端云协同”的硬件形态变革，以此突破“重资产、高功耗”的
边际效益瓶颈。长期以来，为适配复杂的 AI 算法，智能终端被迫不断堆叠高性
能处理器与电池，导致成本高企且形态受限。CIS-RAN 将加速“端网云深度协同”
演进：通过将高负载的渲染、感知与决策任务卸载至网络侧，厂商可显著降低物料
清单（Bill of Materials, BOM）成本，将研发重心回归到传感器创新与交互体验
打磨上。这种“轻终端、强智能”的新形态将大幅降低消费级市场的准入门槛，推动
终端规模化普及，使厂商的收益来源从单纯的硬件销售延伸至全生命周期的服务
增值。
对于 AI 应用与算法开发者，CIS-RAN 提供了一个“低门槛、广覆盖”的创
新底座。传统模式下，开发具备环境感知能力的智能应用往往面临高昂的基础设施
建设与模型训练成本。在 CIS-RAN 生态中，网络本身即是最大的感知源与模型
库。开发者只需调用网络开放的服务 API，即可获得超越单体视距的视觉识别、
精准定位及多机协同能力。这不仅缩短从创意到落地的周期，更重塑分发模式——
算法可如应用般部署于边缘基站，借助网络的触角直达海量用户。开发者将从底
层基建中解放，专注于业务逻辑创新，加速 AI 应用创新与普惠化落地， 释放全
社会数字化生产力。
基于多方共赢的智能协作生态，CIS-RAN 将加速垂直行业的数智化升级，
并为数十亿智能体开启体验升级的新通道。
在垂直行业领域，CIS-RAN 以“连接+算力+智能”融合服务重构企业数字化
路径。运营商将超高可靠通信、在网算力与智能能力封装为可订阅的行业服务包；
基站设备商提供内生智能的无线节点，构筑泛在的联接与计算融合底座；终端厂商
推出轻量化接入终端，降低现场侧硬件复杂度；AI 应用开发者将行业知识封装为
可调用的模型服务。四方协同供给，使行业客户无需自建私有算力集群与专网，即
可按需获取确定性连接与智能服务。这一模式将网络技术的确定性转化为生产效率的
确定性，以低试错成本加速企业智能化升级，实现从“自建能力” 到“订阅服务”的模式
跃迁。
在消费市场层面，CIS-RAN 为数十亿智能体开启体验升级的新通道。随着
终端设备向“原生智能体”演进，随着终端向原生智能体演进，用户对连接质量与智
能计算的双重诉求日益凸显。CIS-RAN 将使能两类新的消费级商业闭环：
① 能力后向变现的 B2B2C 模式：赋能终端厂商，构建“端网智”联合生态。在这
种模式下，运营商将网络侧连接保障、边缘算力与模型加速能力，通过 API 封装提
供给终端制造商（OEM）或操作系统商。例如，当手机终端智能体执行“根据用
户习惯自动下单购物”或“跨平台比价订票”等复杂任务时，需与云端服务频繁交互
完成意图理解、信息检索与决策确认。网络可智能识别该类业务的高可靠低时延需求，
动态调度空口资源，调用基站边缘 AI 推理服务进行加速，
保障端到端传输质量，降低多轮交互时延，确保智能体在复杂任务中始终保持流
畅响应。终端厂商得以为用户提供“无感的高性能体验”，在降低硬件门槛与功耗压
力的同时，实现复杂智能体场景下的体验保障，最终通过产品竞争力提升实现多方
共赢。
① 服务前向变现的直接 2C 模式：推出“体验保障+权益”套餐，以差异化服
务满足用户多元需求。 运营商打破传统流量计费模式，将确定性连接保障与边
缘智能能力转化为可订阅的增值服务：如“云游戏/XR 加速包”保障弱网下的低时
延体验；“AI 助理增强包”利用基站侧部署的专属模型，提供比端侧更强大、知
识库更实时的个人智能服务。网络价值从单一的“连接时长”计量向“服务体验等级”供
给演进，让用户按需获得相匹配的连接保障与智能服务体验。
在这幅全新的产业图景中，CIS-RAN 成为价值高效流转和生态聚合的“核
心融通枢纽”。数据要素从海量智能体汇聚至网络，驱动 AI 模型的持续迭代优化；
不断进化的智能服务从网络侧向下分发，赋能终端决策与行业应用；价值回报则随
着服务的交付，在网络运营商和设备商、AI 应用开发者、终端厂商与最终用户
之间形成良性循环。这是一个边际成本递减与智能价值递增并存的正向演化系统：
随着接入网络的智能体规模持续扩大，网络的基础设施边际成本逐步摊薄，而基于
数据飞轮效应沉淀的智能能力则不断增值。所有参与者均在这一协同演化的价值
共同体中，共同推动并分享 6G 智能时代的产业红利。
应用实践一：面向具身智能的“端网协同”新生态——以 CIS-RAN
原生算力服务实现终端“轻量化”重构
以具身智能机器人为代表的移动智能体在规模化落地时，面临着终端算力、
功耗与成本之间的内在矛盾：若追求大模型带来的高智能，终端硬件的算力与功
耗将剧增，导致成本高昂且续航缩短；若追求轻量化与低成本，则算力不足以应对
复杂的交互与决策任务。传统的云端算力卸载方案受限于数据远距离回传带来的时延
不确定性，难以满足机器人对实时运动决策控制的苛刻要求。
该方案利用基站侧闲置算力或内嵌 AI 加速卡构建近源边缘智算资源池，机
器人终端可通过无线能力开放接口，将高能耗的视觉大模型推理与 SLAM 建图
等计算任务实时卸载至距离最近的 CIS-RAN 基站。利用智能计算数据分流技术，
数据流无需绕行核心网，实现了毫秒级的算力响应。实测验证表明，通过网络侧算
力卸载，极大降低了本体算力与电池的部署规模，显著压缩了机器人的直接材料成
本，在大幅提升终端续航能力的同时，为具身智能终端的低成本、规模化普及扫清了
硬件障碍。在典型场景中，网络时延低于 10ms，初步验证了边缘 AI
服务的工程可行性和价值增益。
基于本方案研发的“CIS-RAN 无线智脑系统原型”，成功构建了赋能 AI 感知的
无线具身大脑，并以硅基讲解员作为典型应用场景在中国移动信息港完成应用部署，
该硅基讲解员依托 CIS-RAN 提供的毫秒级低时延在网算力，支持基于现场音频与
视觉的自主感知、大模型决策以及实时讲解互动等全业务流程，已常态化承担展
厅的接待与讲解任务。该无线具身大脑方案将向更多垂直领域延伸。在智能制造场
景中，可支持工厂 AGV 与机械臂的高精度协同作业与柔性生产； 在智慧物流领
域，能为无人配送车提供更可靠的实时环境感知与路径规划；在家庭康养场景中，
可大幅降低陪护机器人的硬件门槛，推动高阶智能服务向家庭规模化普及。
图 21 面向具身智能的 CIS-RAN 原型样机
应用实践二：面向无线视联网的原子服务能力订阅——以 CIS-RAN
原生智能服务重塑轻资产视联网运营
作为智慧城市与千行百业的感知触角，视联网正加速从室内固定点位向广域
户外与移动场景延伸。在森林防火监测、高压线路巡检等场景中，移动通信网络
是数据回传的重要手段。然而，实际落地面临严峻挑战：一方面，海量高清视频
全量回传产生高昂的无线流量成本（OPEX）；另一方面，户外单独部署边缘计
算盒子面临供电难、环境恶劣及建设成本（CAPEX）高企的问题。
CIS-RAN 架构通过服务下沉与能力开放重构了视联网的业务形态。我们构
建了“视算一体”的基站原型，将 AI 视频分析服务直接下沉部署在 RAN 侧。通过
能力开放平台，用户可像订阅手机套餐一样，按需订阅“客流分析”、“周界入侵检
测”等 AI 原子服务能力。当摄像头视频流到达基站时，通过智能计算数据分流
机制直接在基站内完成 AI 推理，这种流量不出站的本地闭环模式，成功破解了
视联网带宽成本高与智能化落地难的双重困局。
基于本方案研发的“灵瞳无线视联网”原型，成功构建了面向无线视联网的原子
服务能力，并在马鞍山地区开展了室内外多场景的系统性落地验证。在室内营业厅
场景中，该系统依托基站侧下沉的边缘 AI 算力，完成了营业厅客流分析与人员
异常行为识别（“黄牛”检测）等服务的按需订阅与实时处理；在室外蟹塘养殖场
景中，系统克服了野外复杂环境下的边缘 AI 设备部署限制，实现了基于 5G 无
线视联网的蟹塘周界入侵检测与全天候电子围栏监控服务。目前，这些视联网智
能服务已在试点区域投入实际运行。
图 22 无线视联网系统架构及典型业务系统
该视联网原生智能服务方案将向更多领域与户外场景延伸。在智慧城市治理
中，可支持道路交通违章的实时抓拍与突发事件的边缘预警；在能源电力领域，
能为高压线路与偏远变电站的无人机巡检提供即时的图像分析与隐患排查；在自
然资源保护场景中，可大幅降低森林防火监测节点的建设门槛，推动广域视联网
向轻资产、高智能方向演进。
五、 总结与展望
从 C-RAN 演进至协作化、智能化、服务化的 CIS-RAN，是 6G 时代无线接
入网架构的重大变革。基于“协作化、智能化、服务化”三大核心特征，CIS-RAN
能够有效应对 6G 网络在性能、效率与业务多样性方面的挑战。在协作化方面，
CIS-RAN 实现了跨节点、跨域的协同传输与感知，提升了频谱效率和用户体验
一致性；在智能化方面，通过 AI 与 RAN 的深度融合，实现了网络自优化与智能
服务供给；在服务化方面，通过能力开放与功能可编排，支撑了差异化、定制化
的业务需求。
近年来，中国移动对 CIS-RAN 进行了初步架构设计和技术研究，但其规模
化部署与生态构建仍面临三大挑战，亟需产业界协同攻关：一是标准化路径与节
奏共识，涉及关键接口、无线数据采集、AI 模型管理等方面的统筹规划；二是
异构智算硬件生态构建，需解决 GPU、CPU、ASIC、FPGA 等多元化硬件与 RAN
功能的适配问题，并推动开放协同的 RAN 智算平台发展；三是通算智一体的系
统优化，需重点研究通算联合调度、多模态数据协同，以及安全、可靠、能效等
系统级课题。
CIS-RAN 不仅是 6G 无线接入网的一次技术架构革新，更是移动通信产业应
对 AI 时代挑战、重塑自身价值定位的关键一步。它将无线网络从被动的“流量管道”
推向主动的“智算服务平台”，使其成为智能世界中不可或缺的核心基础设施与
价值创造中心。为实现这一愿景，我们呼吁全产业链的合作伙伴，包括电信运营
商、设备制造商、芯片设计商、AI 算法公司、学术研究机构以及各垂直行业应
用开发者，共同投入到 CIS-RAN 的研发与生态建设中。通过联合攻关关键技术
与标准、共建开放试验平台、推动跨行业创新示范，我们能够加速 CIS-RAN 从
理念走向实践，从原型走向商用。
让我们携手推进智能协作无线接入网的标准制定、技术验证与产研结合，共
同开创一个由“连接”与“智能”深度融合驱动的全新未来！
缩略语列表
缩略语 英文全称 中文解释
5G
Fifth Generation Mobile Communication
System
第五代移动通信系统
6G
Sixth Generation Mobile Communication
System
第六代移动通信系统
AAL Accelerator Abstraction Layer 加速器抽象层
AEF API Exposure Function API 暴露功能
AGV Automated Guided Vehicle 自动导引运输车
AI Artificial Intelligence 人工智能
AMF API Management Function API 管理功能
B2B Business to Business 企业对企业
B2B2C Business to Business to Consumer 企业对企业再对消费者
B2C Business to Consumer 企业对消费者
BBU Baseband Unit 基带单元
CAPIF Common API Framework 通用 API 框架
CIS-RAN
Cooperative, Intelligent, and Service-based
RAN
协作化、智能化、服务化的无
线接入网
GNN Graph Neural Network 图神经网络
CoMP Coordinated Multi-Point 协同多点传输
C-RAN Centralized Radio Access Network 集中式无线接入网
CSI Channel State Information 信道状态信息
DPU Data Processing Unit 数据处理单元
GPU Graphics Processing Unit 图形处理单元
IMT International Mobile Telecommunications 国际移动通信
ITU-R
International Telecommunication Union -
Radiocommunication Sector
国际电信联盟无线电通信部门
MDT Minimization of Drive Tests 最小化路测
MIG Multi-Instance GPU 多实例 GPU
MIMO Multiple-Input Multiple-Output 多输入多输出
MPS Multi-Process Service 多进程服务
MR Measurement Report 测量报告
NEF Network Exposure Function 网络开放功能
NF Network Function 网络功能
NPU Neural Processing Unit 神经处理单元
PM Performance Measurement 性能测量
QoS Quality of Service 服务质量
RAN Radio Access Network 无线接入网
RCS Radar Cross-Section 雷达散射截面积
RRU Remote Radio Unit 远端射频单元
SLA Service Level Agreement 服务等级协议
UPF User Plane Function 用户面功能
参考文献
[1] ITU-R. Recommendation -0: "Framework and overall objectives of t
he future development of IMT for 2030 and beyond", 2023.
[2] 3GPP. 3GPP TR : "Study on 6G Use Cases and Service Requireme nts".
. .
[3] 中国移动. "5G-A 赋智新业务融合创新白皮书". 2025.
[4] 王晓云等. "C-RAN:面向绿色的未来无线接入网演进." 中国通信：英文版 7.
3(2010):6.
[5] 中国移动. "迈向 5G-C-RAN：需求、架构与挑战". 2016.
[6] X. Wang, N. Li, Q. Sun, Y. Wang, Y. Yan, S. Wang, X. Xu, N. Li, and
J. Jin. "CIS-RAN: Evolving C-RAN Towards Cooperative, Intelligent, and
Service-Based RAN for 6G". Science China Information Sciences (submitt ed).
2026.
[7] UCIe. Universal Chiplet Interconnect Express Specifications. 2026. https://w
[8] G. Liu, L. Han, R. Xi, L. Ma, Z. Han, Y. Xue, H. Zhao, J. Jin, Q. Wan g,
and F. Xu, "Cooperative sensing for 6G ISAC: Concept, key technologi es,
performance evaluation, and field trial". Engineering, vol. 56, no. 1, pp. 130-148,
Jan. 2026.
[9] G. Liu, R. Xi, Z. Han, L. Han, X. Zhang, L. Ma, Y. Wang, M. Lou, J. J in,
Q. Wang, and J. Wang, "Cooperative sensing for 6g mobile cellular ne tworks:
Feasibility, performance, and field trial". IEEE Journal on Selected Areas in
Communications, vol. 42, no. 10, pp. 2863-2876, 2024.
[10] X. Wang, Z. Han, R. Xi, G. Liu, L. Han, J. Jin, Y. Xue, L. Ma, Y. Wan g,
T. Jiang, M. Lou, Q. Wang, and J. Wang, "Cooperative Integrated Sens ing
and Communication in 6G: From Operators Perspective". IEEE Wireles s
Communications, vol. 32, no. 1, pp. 52-59, 2025.
[11] Nan Li, Qi Sun, Lehan Wang, Xiaofei Xu, Jinri Huang, Chunhui Liu, Jing Gao,
and Yuhong Huang. "Towards AI-Native RAN: An Operator's Persp ective of
6G Day 1 Standardization". arXiv preprint arXiv: (202 5).
[12] 王晓云, 韩双锋, 刘志明, 王启星, 王江舟, 易芝玲. "AI 驱动的 6G 空口：
技术应用场景与均衡设计方法". 2025.
[13] Zhao B, Guo J, Yang C. "Understanding the performance of learning prec
oding policies with graph and convolutional neural networks". IEEE Transa
ctions on Communications, 2024, 72(9): 5657-5673.
[14] Xia W, Zheng G, Zhu Y, et al. "A deep learning framework for optimizat
ion of MISO downlink beamforming". IEEE Transactions on Communicatio ns,
2019, 68(3): 1866-1880.
[15] Hu Q, Cai Y, Shi Q, et al. "Iterative algorithm induced deep-unfolding ne
ural networks: Precoding design for multiuser MIMO systems". IEEE Trans
actions on Wireless Communications, 2020, 20(2): 1394-1410.
[16] Wang Y, Sun Q, Yan Y, et al. "Physics-Guided Adaptive CSI Prediction
With Irregular Observations". IEEE Transactions on Vehicular Technology
(submitted), 2026.
[17] Zhao B, Sun Q, Wang Z, et al. D2AN: "Delay-Doppler Attention Network
for Channel Estimation in OFDM systems". IEEE Wireless Communicatio
n Letters (submitted), 2026.
[18] 3GPP TS : "Common API Framework for 3GPP Northbound APIs".
. .
[19] 3GPP TS : "System architecture for the 5G System (5GS)". .
.
[20] K. He, X. Chen, S. Xie, Y. Li, P. Dollár, and R. Girshick, "Masked Auto
encoders Are Scalable Vision Learners", in 2022 IEEE/CVF Conference on
Computer Vision and Pattern Recognition (CVPR), 2022, pp. 15979-1598 8.
[21] M. Assran, A. Bardes, D. Fan, Q. Garrido, R. Howes, M. J. Muckley, A. Rizvi,
C. Roberts, K. Sinha, A. Zholus, and S. Arnaud, "V-JEPA 2: Self- Supervised
Video Models Enable Understanding, Prediction and Planning", 2022
IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR),
2025. [Online]. Available: arXiv:.
