6月24日，2026世界移动通信大会（MWC）上海正式拉开帷幕，在当天下午举行的GTI国际产业大会上，高通技术公司工程技术高级副总裁Edward Tiedemann发表了题为《AI原生的6G：构筑智能时代的基础设施》的演讲。
Edward Tiedemann表示，我们正处于AI真正进入落地阶段的时代。他指出，高通的6G愿景围绕三大核心基石展开，首先是连接，也就是提升在空口上数据的传输能力，这也是高通在过去几代移动通信技术发展中一直在做的事情；第二个领域是广域感知，这一领域蕴含着潜在的新兴机遇，其发展很大程度上源于对无人机等目标探测需求的驱动；第三个领域是计算，这里所说的计算涵盖各种形式，包括AI计算。
此外，在AI飞速发展的当下，用户界面（UI）正经历变革。在全新的用户界面中，AI将深度融入各类应用，以全新的交互方式带来体验革新。值得一提的是，高通多年来一直在调制解调器及射频系统中集成AI处理器，并在此基础上开展了大量AI相关处理工作。Edward Tiedemann在演讲中分享了高通目前正在开展的工作，以及在技术层面所面临的挑战。
在Edward Tiedemann看来，思考如何以最优的方式管理网络，是未来极具价值的发展机遇。他提到，高通Edgewise套件目前为多家运营商提供RAN管理服务，包括各类参数的处理与优化、理解参数间的耦合关系，并能跨不同厂商操作，还能够为网络运营商提供一致的操作。与此同时，他认为能否利用和学习用户的意图是对未来网络发展具有重要意义的方向。虽然最终的落地方式仍有待确定，但关键在于如果网络能够提前规划并提供满足需求的服务。
在演讲的最后，Edward Tiedemann分享了高通在感知相关领域的最新进展。目前业界最为关注的核心问题是能否探测无人机，特别是那些未按预期运行、比如未处于预定飞行区域的设备。此外，他还阐述了构建网络数字孪生的技术演示，通过建立一个真实的网络模型，精准反映当前网络中的传播状况，并基于这一模型实现优化。他特别提出，要完全实现这些愿景，仍有大量工作要做，但这代表了未来的发展方向，也就是如何利用感知类工具与大量的AI优化技术，以充分提升网络性能。
以下为演讲实录：
大家好！非常高兴来到上海参加本届GTI国际产业大会，并再次体会这座城市卓越的建筑风貌——从外滩的Art Deco风格建筑，到其对岸宏伟的现代摩天大楼。但今天，我还想在此追溯另一段历史。大约在70年前的一周前，发生了一件意义重大的事件——达特茅斯会议，这场会议由多位洞察深远的思想家发起并参与，真正开始构建AI的框架。
70年后的今天，我们正在见证当初那些构想所结出的硕果。尽管行业在这些年的发展中经历了起伏，但我认为，我们现在已经进入了一个AI真正进入落地阶段的时代，这主要归功于两点：首先是强大的处理能力，当今的处理和半导体技术已经发展到足以支持海量运算的水平；其次是对模型理解的全面成熟，尤其是基于Transformer架构的大型语言模型，而ChatGPT正是其具象体现，这类模型采用的是生成式预训练变换器（Generative Pre-trained Transformer）架构。
如今，我们面临的挑战在于，如何整合这些AI技术，以及它们将对行业带来怎样的影响。接下来在讨论6G时，我将从高通的视角，谈谈我的看法。高通的6G愿景围绕三大核心基石展开。首先是连接，也就是提升在空口上数据的传输能力，包括路由处理，以及各种外设功能，如安全功能、服务质量等。目前来看，3GPP已经在稳步推进了。这也是高通在过去几代移动通信技术发展中一直在做的事情。
我想重点分享的第二个领域，是广域感知。这一领域蕴含着潜在的新兴机遇，其发展很大程度上源于对无人机等目标探测需求的驱动。第三个领域是计算，这里所说的计算涵盖各种形式，包括AI计算。此外，正在边缘侧发生的变革同样值得关注。更贴近用户、场景和现实世界的计算任务可以在边缘侧完成，更大范围的知识与推理任务可以部署于云端，根据实际需求还可以在运营商管理的边缘云中处理部分工作负载。
接下来我想与大家进一步探讨的是，在AI飞速发展的当下，用户界面（UI）正经历哪些变革。未来的交互方式，将不再是我们掏出手机、敲击键盘、聆听语音提示或注视屏幕，而是转向更具交互性的体验。当前，这一趋势已有所显现，例如去年推出的豆包AI手机等产品便体现了在这一领域的探索。在全新的用户界面中，AI将深度融入各类应用，以全新的交互方式带来体验革新。
值得一提的是，高通多年来一直在调制解调器及射频系统中集成AI处理器，并在此基础上开展了大量AI相关处理工作。实际上，当前终端的用户界面在一定程度上受益于这些内置于芯片的处理能力。不过，我想将讨论范围稍作扩展，不局限于手机，而是聚焦于新兴的用户终端。如这页幻灯片所示，这些设备包括智能手表，以及新兴的智能眼镜产品（尤其是面向增强现实应用的眼镜）和耳机。我想重点探讨的是，这些设备在未来将如何实现协同配合。
目前我们主要通过手机建立连接，我们将其视为“锚点终端”。不过，如今的智能手表已经能够通过蜂窝网络直接上网；未来，眼镜以及其他类型终端也将具备这一能力。关键在于这三类设备如何协同运行。在此背景下，用户环境与交互界面将发生怎样的变化？我们会采用手势控制吗？还是会借助语音指令、眼动追踪，以及通过耳机等设备输出的文字或音频信号来进行交互？这些都值得我们深入思考。
接下来谈谈我们目前正在开展的工作，以及在技术层面我们面临的部分挑战。不少人应当记得早期基于蜂窝网络的视频体验，画质非常粗糙。一方面是信号覆盖不足造成的，另一方面也存在技术层面的短板。为此行业研发了多项相关技术，例如以DASH标准为代表的HTTP动态自适应流媒体、苹果直播流媒体等。这些技术能够动态调节码率，以此解决播放卡顿、像素等问题。现阶段，我们正在研究，如何将这些技术应用于全新场景，例如扩展现实（XR）的渲染工作。当网络连接状态良好时，我们可以依托网络侧算力完成渲染处理；而当网络条件不佳时，能否在终端本地运行一套轻量化、低运算复杂度的简化渲染方案来完成处理。
除此之外，今早的开幕环节提到的人形机器人，也是我们重点关注的一个方向。人形机器人的算力分配该如何规划？有多少运算任务需要在机器人终端本地处理？又有多少运算任务需要上传至云端完成？我个人认为，绝大多数本地实时控制运算会直接部署在机器人本体。站在通信的角度来看，这其中核心的需求是保障机器人（或者智能汽车）与网络、边缘云之间高质量通信的可靠性。绝对不能出现通信突然中断的情况，一旦断连，这些设备终端应当如何处置？
相信在场很多人都熟悉服务的概念，目前行业也衍生出一些热门的概念，比如基于RAN的AI服务（AI Services on RAN），指由运营商提供、部署在无线接入网硬件设备上的AI服务。在实际落地过程中，这类服务可通过应用程序接口（API）等形式对外调用，接口逻辑独立于无线接入网核心链路。
在我看来，考虑未来如何以最优的方式管理网络，是一个未来极具价值的发展机遇。在高通，我们拥有高通Edgewise套件，该套件目前为多家运营商提供RAN管理服务，包括各类参数的处理与优化、理解参数间的耦合关系，并能跨不同厂商操作，还能够为网络运营商提供一致的操作。此外，我们一直以来还在对终端内部（即用户端UE内部）的算法进行增强，通过AI技术来更高效地替代原有的算法。但对此我们也必须非常谨慎，不能为了极小甚至负向的性能提升，而牺牲电池续航等指标。因此，在这类活动和设计中，我们需要投入大量的工程研发，还需要在现有网络体系内、以及考虑未来所有功能方向的基础上来持续推进。
我想重点探讨一个我认为对未来网络发展具有重要意义的方向——我们能否利用和学习用户的意图。举例来说，我经常在从家开车去办公室的途中，需要参加线上的视频通话，而根据所选路线的不同，通话质量也有很大波动，有时甚至相当糟糕。那么是否存在一种方式，让用户能够表明意图？比如，由用户输入一些信息，将自然语言发送给网络，网络通过自然语言处理来理解需求；或者是否可以通过数据流量来进行判断；又或是通过部署在终端侧的AI智能体来处理。最终具体会以何种方式落地，仍有待确定，但关键在于如果网络能够提前规划并提供满足需求的服务，将会非常有价值。
这对运营商和用户而言都是巨大的机遇。我认为用户有可能愿意支付溢价。就我个人而言，我确实有可能为了确保某次重要商务通话的顺利进行，而多支付一些费用。我不想细数有多少次在开车途中无法进行流畅通话或线上会议的经历，但这在中国也许不那么明显，因为截至今年4月，中国的5G基站已超过500万个、覆盖范围广泛，但对世界上许多其他国家和地区而言，这确实是一个普遍存在的问题。
在演讲的最后一部分，我想和大家重点聊聊感知相关的内容。这一领域已引起极大的关注，同时也面临着诸多挑战。目前业界最为关注的核心问题是：我们能否探测无人机，特别是那些未按预期运行、比如未处于预定飞行区域的设备？虽然许多政府正在推进相关工作，但该技术在其他领域同样具有应用潜力。在这一过程中，我们面临着双重挑战：一是技术层面的挑战，这绝非一个简单的问题，我稍后会详细展开；二是商业层面的挑战，即运营商如何通过此举实现盈利？因为如果以特定方式推进，他们必须对现有基础设施进行改造。
目前，业界讨论的主流方案，也是3GPP在Release 20中主要关注的方向，被称为“单站感知”，即在同一个基站站点进行信号的发射与接收。但这会带来诸多问题，因为通常情况下，在发射信号的同时就会接收到目标物体的反射回波，但现有的系统并非为此设计。本次演示中我们使用了两个面板，并进行了一系列复杂的处理。顺便提一下，这里展示的是其中一套解决方案。此外，还有一套基于毫米波的方案。得益于更窄的波束角度和更短的波长，该系统能够更精准地分辨目标物体。我们需要确保能够可靠地探测目标，且不会对其造成干扰。这其中存在诸多挑战，我们正致力于攻克这些难题。
最后，我想谈谈另一个有趣的方向：如果我们能获取此类感知信息，或许就可以构建网络数字孪生，建立一个真实的网络模型，以精准反映当前网络中的传播状况。这一模型将帮助我们实现优化，这在以前是难以做到的。例如，分析新基站的部署位置，以提供最佳性能；同样，我们还可以优化发射功率、天线下倾角和天线朝向等细节。此外，如果我们希望在低活跃时段关闭部分基站以节省能耗，也可以借此评估这一操作对网络覆盖及实际性能的影响。因此，这是一个极具潜力的机遇。
当然，要完全实现这些愿景，我们仍有大量工作要做，但这代表了未来的发展方向，也就是如何利用感知类工具与大量的AI优化技术，以充分提升网络性能。谢谢大家！ 
