ИИ-агенты учат 5G-станции экономить до 42% энергии

Что открыли

Исследователи предложили новую архитектуру для сотовых сетей O-RAN, где сетью управляет не один большой ИИ, а команда специализированных LLM-агентов.

Они настроили эту систему под так называемый cell-free O-RAN — когда пользователя одновременно обслуживают много распределённых базовых станций, а не одна «своя» вышка.

Главный результат: в режиме экономии энергии система с агентами сокращает число активных радиоблоков (O-RU) на 41,93% по сравнению с тремя базовыми схемами управления.

При этом она удерживает минимально заданные скорости для пользователей, а не просто «рубит» лишние вышки.

Второй важный результат — экономия ресурсов самих ИИ. Исследователи использовали метод PEFT (parameter-efficient fine-tuning) и запустили несколько агентов на одном и том же LLM-ядре. Это уменьшило потребление памяти на 92% по сравнению с вариантом, где для каждого агента разворачивают отдельную LLM.

Как исследовали

Команда смоделировала работу cell-free O-RAN с несколькими типами агентов, каждый из которых отвечает за свою часть задачи.

1. Supervisor-агент переводит цель оператора («минимизировать энергопотребление», «максимизировать скорость» и так далее) в конкретную математическую задачу: функцию оптимизации и минимальные скорости для абонентов.
2. Агент взвешивания пользователей обращается к модулю памяти, достаёт похожие сценарии и рассчитывает приоритеты пользователей для предкодирования сигналов.
3. Агент управления O-RU включается, если в цели есть экономия энергии. Он с помощью алгоритма глубокого обучения с подкреплением выбирает, какие радиоблоки можно временно отключить.
4. Мониторинговый агент отслеживает реальные скорости пользователей и координирует остальных, если кто-то падает ниже минимального порога.

Все агенты работают поверх одного базового LLM, дообученного через PEFT. Это снижает требования к памяти и упрощает масштабирование.

Результаты получили в симуляциях, сравнив систему с тремя традиционными схемами управления энергопотреблением радиосети.

Что это меняет на практике

Для операторов связи это потенциально прямое снижение счёта за электричество и за инфраструктуру ИИ.

Сокращение числа активных O-RU почти на 42% в режиме экономии энергии — серьёзная цифра для сетей 5G и будущих 6G, где радиоблоков очень много.

При этом система не жертвует пользовательским опытом: агенты следят за минимальной скоростью и при необходимости пересобирают конфигурацию сети.

Экономия 92% памяти на стороне ИИ делает архитектуру реалистичнее для внедрения. Оператору не нужно держать зоопарк раздельных LLM для каждой задачи — достаточно одного ядра и нескольких лёгких надстроек.

Минус: всё это пока работает в симуляции. Реальный мир добавит помехи, неожиданные паттерны нагрузки, старое оборудование и регуляторные ограничения.

До коммерческих продуктов пройдёт несколько циклов стандартизации O-RAN и пилотных внедрений. Реалистичный горизонт — несколько лет, а не месяцы.

Что это значит для вас

Если вы просто пользуетесь мобильным интернетом, то в идеале ничего не заметите. Скорость останется стабильной, а сеть станет дешевле в обслуживании.

Косвенный эффект — у операторов освободятся бюджеты на расширение покрытия и запуск новых сервисов, а не только на оплату счетов за электричество.

Если вы работаете в телеком-индустрии, исследование даёт понятный референс:

• как можно строить многоагентные системы поверх одного LLM;
• какие роли агентов реально полезны для RAN;
• каких выигрышей по энергии и ресурсам ИИ можно ожидать в лучшем случае.

Для разработчиков ИИ это пример, как LLM-агенты выходят за пределы чат-ботов и начинают управлять физической инфраструктурой — от выбора активных радиоблоков до приоритизации трафика.

Но пока это черновик будущих сетей, а не готовый продукт. Ожидать мгновенного появления «самоуправляемого» 5G в вашем городе пока рано.