Rakuten Mobile e Intel stanno sperimentando un approccio che pone l’intelligenza artificiale al centro della RAN virtualizzata, con l’obiettivo di trasformare operazioni manuali in processi automatici e adattativi. Dalle carte visionate emerge la volontà di aumentare la capacità della rete controllando al contempo consumi e complessità operative: l’analisi non viene più delegata a sistemi esterni, ma integrata direttamente nell’infrastruttura radio per abilitare decisioni in tempo reale e politiche dinamiche. I test preliminari indicano che questa strada potrebbe ridurre interventi umani ripetitivi, ottimizzando l’uso delle risorse e la reattività a variazioni di traffico.
Le evidenze raccolte
Nei documenti analizzati compaiono moduli di machine learning inseriti nei layer di controllo della RAN, con algoritmi dedicati all’allocazione dinamica delle risorse e alla previsione dei picchi di domanda. Tra gli obiettivi operativi figurano anche KPI legati all’efficienza energetica. Le prove citate riguardano soprattutto ambienti virtualizzati e simulazioni mirate a verificare la stabilità delle funzioni critiche una volta eseguite in tempo reale all’interno della rete.
Architettura cloud-native e piattaforme “AI-ready”
La soluzione si basa su un’architettura cloud-native che combina virtualizzazione end-to-end della RAN con piattaforme di calcolo ottimizzate per carichi AI. L’idea è trasformare l’intelligenza in una risorsa compute-native, disponibile nei cicli decisionali della rete senza passaggi di orchestrazione pesanti. Questo approccio abbassa la latenza delle inferenze e rende più praticabile l’adozione di funzioni adattative in produzione, soprattutto in scenari dove il tempo di risposta è critico.
Toolkit software e gestione dei modelli
La partnership propone un reference software e kit di sviluppo pensati per vRAN, comprensivi di librerie ottimizzate per inferenza e training a basso overhead. Questi strumenti orchestrano i workload AI della RAN — dalla classificazione del traffico alla predizione della domanda, fino al controllo dello spettro — e sono progettati per funzionare in ambienti commerciali con vincoli di latenza stringenti. Sono previste interfacce di monitoraggio e metriche di performance per la validazione continua dei modelli; il passo successivo sarà la certificazione delle toolchain presso operatori pilota.
AI nei layer radio: cosa cambia
Inserire modelli AI nei livelli 1 e 2 della RAN modifica profondamente il modo in cui le reti mobili vengono gestite. L’esecuzione di inferenze in tempo reale consente di adattare parametri fisici e politiche di schedulazione alla dinamica del traffico in modo molto più rapido rispetto ai processi tradizionali. I dati preliminari segnalano incrementi di throughput, miglior uso dello spettro e risparmi energetici: la rete assume caratteristiche self-optimizing, con meno interventi manuali e tempi di reazione sensibilmente ridotti. La tappa successiva sarà la validazione su reti pilota per confermare questi benefici in condizioni operative reali.
Ruolo dell’hardware e prestazioni in real time
L’hardware gioca un ruolo cruciale: processori con accelerazione dedicata permettono inferenze a bassa latenza, requisito fondamentale per le decisioni nei cicli radio. Le piattaforme analizzate spostano funzioni originariamente centralizzate verso nodi più prossimi al piano radio, così da rispettare vincoli temporali stringenti richiesti dalle applicazioni critiche. Anche qui, i test su reti pilota saranno determinanti per verificare il comportamento in esercizio.
Impatto operativo: meno OPEX, più continuità
Se i risultati dei field trial saranno confermati, l’automazione avanzata potrebbe ridurre il total cost of ownership sfruttando capacità predittive per individuare guasti e riallocare risorse in modo automatico. L’automantenimento tradurrebbe interventi predittivi in minore manutenzione manuale e maggior resilienza del servizio — un vantaggio importante per scenari come la realtà aumentata o le comunicazioni ultra-affidabili a bassa latenza. In sostanza, reti più elastiche e con comportamento predittivo migliore sotto carico variabile.
Verso reti AI-native
L’integrazione dell’intelligenza nel piano radio non è solo un aggiornamento tecnologico: è un cambio di paradigma. Una RAN “AI-native” concepisce intelligenza e automazione come componenti strutturali, non come aggiunte successive. Per realizzare questa visione servono piattaforme compatibili con workload intelligenti e una virtualizzazione che preservi controllo e visibilità operativa. La cooperazione tra operatori, vendor di silicon e fornitori software sembra fondamentale per contenere costi energetici e operativi; i prossimi sviluppi punteranno alla validazione su scala commerciale e all’adozione di metriche standard per misurare capacità auto-ottimizzanti e impatto sul TCO. Se le promesse si tradurranno in risultati concreti, le reti mobili potrebbero diventare molto più reattive, efficienti e autonome di quanto lo siano oggi.