AI e reti mobili: la sfida del 5G

L’intelligenza artificiale sta rapidamente trasformando il settore delle telecomunicazioni mobili, ma dietro termini come AI-RAN, Physical AI e AI-Native Air Interface si nascondono scenari tecnologici molto diversi tra loro. A fare chiarezza è un nuovo report di Mobile Experts, che analizza l’impatto dell’AI sull’evoluzione delle reti 5G e sulle future architetture 6G.Indice degli argomenti

AI-RAN, dalla teoria alle prime implementazioni commercialiLa prossima frontiera: reti progettate intorno all’intelligenza artificialePhysical AI, la spinta che arriva da robot e macchine autonomeIl boom del traffico generato dall’AI mette sotto pressione il 5GDove verrà eseguita l’inferenza AIEdge computing e reti private per l’industriaAI-RAN, dalla teoria alle prime implementazioni commercialiSecondo gli analisti, il concetto di AI-RAN comprende innanzitutto l’utilizzo dell’intelligenza artificiale per migliorare le prestazioni della rete radio. In questa categoria rientra l’approccio definito “AI-for-RAN”, che punta ad aumentare la capacità delle reti mobili e a ottimizzare aspetti come l’efficienza energetica e la gestione delle risorse radio.Una delle declinazioni più concrete è rappresentata dall’“AI-in-RAN”, dove algoritmi di machine learning vengono integrati direttamente negli stack di rete di livello L1-L3. Si tratta di una tecnologia che ha già superato la fase teorica ed è oggi oggetto di trial commerciali.Più speculative risultano invece le varianti AI-on-RAN, AI-and-RAN e AI-with-RAN, che prevedono l’esecuzione di carichi di lavoro di intelligenza artificiale non legati alle telecomunicazioni all’interno dell’infrastruttura radio. Mobile Experts evidenzia come, al momento, questi modelli non abbiano ancora trovato casi d’uso consolidati né una domanda commerciale significativa.La prossima frontiera: reti progettate intorno all’intelligenza artificialeGuardando al lungo periodo, il report individua nell’AI-Native RAN uno dei principali pilastri delle future reti 6G.L’idea è quella di costruire infrastrutture radio in cui l’intelligenza artificiale sia parte integrante delle funzioni fondamentali della rete e non un semplice elemento aggiuntivo. Tra gli esempi citati figura la possibilità di modificare dinamicamente gli schemi di modulazione radio per ottimizzare throughput, affidabilità ed efficienza energetica in tempo reale.Per raggiungere questo obiettivo sarà necessario un livello di integrazione molto più stretto tra produttori di smartphone e fornitori di infrastrutture di rete. Per questo motivo gli analisti prevedono che le future interfacce radio basate sull’AI saranno fortemente standardizzate nell’ambito del 6G.Physical AI, la spinta che arriva da robot e macchine autonomeUn altro concetto destinato a diventare centrale è quello di Physical AI, ovvero l’utilizzo dell’intelligenza artificiale per governare sistemi fisici in movimento come robot, droni, veicoli autonomi e macchine industriali.Queste applicazioni richiedono connessioni estremamente affidabili e latenze molto contenute, poiché devono prendere decisioni in tempi rapidissimi. I modelli di AI più semplici possono essere eseguiti direttamente a bordo dei dispositivi, ma quelli più sofisticati avranno bisogno del supporto della rete per attività di inferenza e addestramento.La diffusione della robotica intelligente potrebbe quindi trasformare le reti mobili in una componente essenziale dei processi decisionali distribuiti, ampliando il ruolo delle telecomunicazioni ben oltre la semplice connettività.Il boom del traffico generato dall’AI mette sotto pressione il 5GLa crescita dell’intelligenza artificiale generativa sta già modificando i flussi di traffico delle reti mobili. Sempre più utenti e dispositivi inviano immagini e video verso la rete affinché vengano elaborati da modelli avanzati.Secondo Mobile Experts, nel breve periodo i benefici derivanti dall’AI-for-RAN saranno superiori all’incremento di traffico prodotto dalle nuove applicazioni. Gli algoritmi di ottimizzazione consentiranno infatti di aumentare la capacità disponibile e migliorare l’efficienza complessiva della rete.Nel lungo termine, però, la situazione potrebbe cambiare. La domanda di traffico uplink legata all’intelligenza artificiale è destinata a crescere più rapidamente della capacità aggiuntiva ottenibile attraverso l’ottimizzazione della rete.Gli analisti stimano che già nel 2029 la domanda di capacità in uplink potrebbe superare le risorse disponibili. Successivamente, l’espansione della Physical AI potrebbe spingere il tasso di crescita del traffico verso valori compresi tra il 20% e il 25% annuo, creando una nuova pressione sulla disponibilità di spettro radio.Dove verrà eseguita l’inferenza AIOggi i modelli di intelligenza artificiale vengono eseguiti principalmente in due ambienti: sui dispositivi finali e nei grandi data center centralizzati.L’evoluzione della Physical AI porterà però alla nascita di una terza dimensione, costituita da risorse computazionali distribuite lungo la rete. Robot per le consegne, macchine industriali e sistemi di automazione richiederanno infatti decisioni quasi istantanee, incompatibili con i tempi di risposta dei data center più lontani.In questo scenario assumeranno un ruolo crescente le torri cellulari dotate di capacità elaborativa e le infrastrutture edge installate presso aziende e siti produttivi.Edge computing e reti private per l’industriaPer le grandi imprese, il modello di riferimento sarà sempre più quello basato su reti private 5G e piattaforme di edge computing installate direttamente ia nei siti industriali.Il fenomeno è già visibile nei contesti manifatturieri che hanno adottato reti LTE private e stanno evolvendo verso applicazioni sempre più avanzate basate su sensori distribuiti e modelli di intelligenza artificiale.Molte aziende scelgono questa architettura per mantenere il pieno controllo dei dati e garantire elevati livelli di sicurezza. All’estremo opposto continueranno a operare gli hyperscale data center, destinati a ospitare i modelli generativi più complessi, con migliaia di miliardi di parametri e forti economie di scala.Il risultato sarà un ecosistema distribuito in cui l’elaborazione dell’intelligenza artificiale verrà eseguita nel punto più adatto in funzione di latenza, costi, capacità di calcolo e requisiti di sicurezza.