Argomenti trattati
Negli ultimi anni la crescita dell’intelligenza artificiale ha modificato non soltanto la quantità di dati, ma il modo stesso in cui questi vengono scambiati sulla rete di accesso radio. In questo contesto Nokia propone l’AI-Ran come un cambiamento strutturale: non una semplice funzione aggiunta, ma una diversa logica di sviluppo per il Ran. Il punto di partenza è riconoscere che i nuovi carichi, guidati da modelli linguistici e agenti autonomi, generano pattern di traffico più imprevedibili e più esigenti in termini di latenza e determinismo.
Questa trasformazione richiede che la rete prenda decisioni più complesse in tempi estremamente ridotti: il Ran deve rispondere a variazioni radio in finestre misurate in microsecondi. Per farlo, l’approccio tradizionale basato su regole e integrazione stretta tra hardware e software diventa limitante. AI-Ran propone invece di portare l’intelligenza appresa direttamente nei loop decisionali della rete, consentendo innovazioni continuative via software senza vincoli di retrofit hardware.
Perché l’AI cambia il Ran
L’introduzione di applicazioni native per l’AI altera i pattern di uplink e rende il traffico più “bursty”, imponendo requisiti severi su jitter e latenza. In questo scenario gli agenti software possono generare flussi costanti e intensi: “gli agenti non dormono”, come sottolinea Nokia, e di conseguenza nemmeno le reti che li supportano possono permettersi pause operative. Per gestire questa pressione il Ran deve poter valutare molte più decisioni in tempo reale e adattare parametri come scheduling e link adaptation con algoritmi che apprendono dalle condizioni operative.
Domini separati per stabilità e innovazione
Una scelta cruciale dell’approccio è la separazione tra il dominio di esecuzione e il dominio di apprendimento. Nel primo, le decisioni devono rispettare vincoli temporali rigidissimi per non compromettere l’operatività; nel secondo, i modelli vengono addestrati, monitorati, aggiornati o ritirati in cicli continui. Questa distinzione consente di sperimentare e distribuire nuove logiche senza mettere a rischio la stabilità della rete, mantenendo al contempo la possibilità di ottimizzare in modo iterativo le funzioni radio.
Architettura: separazione hardware e software
Al cuore dell’AI-Ran c’è il principio del decoupling tra hardware e software. Storicamente i miglioramenti più rilevanti nelle reti radio sono nati dall’accoppiamento stretto tra componenti fisiche e algoritmi, ma quel modello lega l’innovazione ai cicli di refresh dell’hardware. Per affrontare l’evoluzione rapida dei modelli di intelligenza artificiale, Nokia propone un hardware abstraction layer che mette in condizione il software di evolvere indipendentemente dalla piattaforma sottostante, definendo il ruolo dell’hardware come mera disponibilità di potenza computazionale.
Iniezione controllata di intelligenza
La filosofia adottata è di “iniettare” l’intelligenza piuttosto che fonderla nel sistema di base: i moduli AI vengono introdotti attraverso interfacce governate che specificano chiaramente input, output e limiti operativi. Questo approccio mantiene la rete osservabile e verificabile, evitando di trasformarla in una black box opaca e favorendo la fiducia degli operatori. I modelli possono così essere sostituiti o ritirati senza dipendere dal ciclo di vita dell’hardware o della piattaforma core.
Piattaforma programmabile, ecosistema e benefici
Per eseguire carichi AI nei vincoli temporali del segnale radio serve una capacità di calcolo parallela superiore: il substrato proposto sfrutta questa peculiarità del Ran per ospitare un piano software parallelo, allineato all’ecosistema globale di AI. La collaborazione con Nvidia e il lavoro su Arc-Pro illustrano come le piattaforme accelerate da GPU e i framework standard possano integrarsi con lo stack carrier-grade di Nokia, offrendo sia un ambiente open source per la sperimentazione sia uno stack commerciale per il deployment in rete.
I vantaggi pratici si sommano nel tempo: la programmabilità permette di valutare più decisioni in tempo reale, rendendo accessibili algoritmi avanzati prima impraticabili. Nokia riporta miglioramenti concreti già misurati in rete reale: fino al 25% di incremento del throughput utente, fino all’11% nei guadagni Mimo multi-utente e fino al 12% nella selezione delle celle secondarie. Questi non sono meri scenari teorici, ma risultati disponibili via aggiornamento software.
Oltre l’ottimizzazione: nuovi servizi e monetizzazione
L’AI-Ran abilita anche casi d’uso inediti come l’Integrated Sensing and Communications, dove l’infrastruttura radio funge anche da piattaforma di sensing per rilevamento di presenza, tracciamento di droni o analisi atmosferiche, dimostrati da Nokia al MWC. Inoltre il substrato permette di eseguire carichi di inferenza AI all’edge, aprendo opportunità di monetizzazione per gli operatori che vorranno offrire servizi a bassa latenza e alto valore aggiunto.
Sul piano della roadmap, Nokia ha lanciato l’iniziativa AI-Ran a ottobre 2026, ha avviato dimostrazioni con T-Mobile e prevede trial commerciali nel 2026 con rilascio sul mercato nel 2027. Per l’azienda il 6G non rappresenta un taglio netto ma un’evoluzione software e architetturale che si costruisce già oggi, con il Ran al centro del cambiamento che renderà le reti davvero adattive.