本文来自 6GANA（6G Alliance of Network AI and Automation）SIG2 工作组。参与者包括华为、中国移动、中国电信、中国联通、中兴、清华大学、浙江大学、鹏城实验室等机构的近 30 位研究者，经过贵阳和大连两次专题研讨会的讨论，从 50 余条候选问题中提炼出了网络大模型的十大基础问题。

这份白皮书的贡献很明确：第一次系统性地定义了「网络大模型」（NetGPT），并从理论、场景、架构、部署、安全、数据、评测、管控等维度梳理了核心研究挑战。用白皮书的话说——NetGPT 既要造得出，也要用得好。

为什么 6G 网络需要自己的大模型

ITU-R WP5D 第 44 次会议通过了一个重要文件——《IMT 面向 2030 及未来发展的框架和总体目标建议书》。这份建议书把 AI 与通信融合列为 6G 的六大关键场景之一，和 6GANA 一直推动的 Network AI 理念不谋而合。

大模型过去两年在 NLP、CV、语音等领域展现出的能力有目共睹。ChatGPT 能理解用户意图并生成文本，多模态技术让它持续向更多领域渗透。把这些能力搬进通信网络，看起来是顺理成章的事。但一个根本性的问题在于：大模型和传统 AI 在网络中的应用逻辑完全不同。传统 AI 是从零开始——收集数据、设计模型、训练推理，关注的是怎么为具体任务定制模型结构、怎么收集数据、怎么提供算力支撑。大模型则是另一条路：以预训练基础模型为底座，通过 prompt、fine-tune、向量库等策略适配各类任务，再加上意图理解和「涌现能力」，可以做基于意图的编排、调用工具完成具体任务。

听起来很美好。但大模型的巨大参数量和算力需求，放在移动网络里就是另一回事了。所以 6GANA 认为有必要重新梳理大模型和网络结合领域的关键问题，不能简单套用 LLM 的经验。

NetGPT 的三层架构：L0、L1、L2

白皮书对「网络大模型」给出了一个明确的定义：NetGPT 不是一个通吃所有场景的单一模型，而是一系列模型的组合。

三层架构的逻辑很清晰。L0 是全网通用大模型，包含电信领域的基础知识，要在 RAN（无线接入网）、CN（核心网）、OAM（运维管理）各领域通用。L1 是领域大模型，分别对应 RAN/CN/OAM 等不同技术域，通用性局限在各自领域内。L2 则是特定场景下的网络模型——信道预测、负载均衡这类具体任务，参数量小很多，方便部署在网络边缘和端侧。

几个关键数字：业界普遍认为产生智能「涌现」的最少参数量在 70 亿级别，所以 L0/L1 的参数量要达到这个门槛。而 L2 的参数量可以低至 1-10 亿。通用性逐层递减，但基础性要求不变——L0/L1 都要能通过 few-shot 甚至 zero-shot 适配下游任务，L1 更要充当 L2 的基础模型，让 L2 不需要从头训练。

这三层不是各自为政的。L0 为 L1 提供预训练底座，L1 通过微调适配出 L2。反过来，L2 在真实场景收集的增量数据反馈给 L1，L1 的反馈数据再优化 L0。一套有机循环的智能体系。

十大基础问题全景：从「造得出」到「用得好」

白皮书把十大问题分为两类：大模型本身的设计类问题，和网络设计如何支撑大模型应用的部署类问题。

场景与需求：NetGPT 到底能干什么

网络技术研究以需求和场景始，以部署和验证终。白皮书提出了一个很现实的问题：NetGPT 的需求是否真实存在？

从 IT 视角看，GPT 既是 AI 大模型也是超级应用；从 CT 视角看，它既可以是辅助手段，也可以是新的设计范式。但无线网络边缘设备的算力远不如云端，NetGPT 不能像传统 AI 那样简单替换网络功能和算法，需要重新设计。这里涉及三个层面的思考：一是 NetGPT 在网络中「提质、增效、降本、拓收」的具体场景——自动化故障排除、网络优化、资源分配、威胁检测，这些大模型到底能不能做得比现有方案好？二是 6G 网络架构本身能否原生支撑 NetGPT，比如移动算力网络、分布式架构这些新技术能否为 NetGPT 提供土壤。三是 NetGPT 在 6G 中的边界——层级越低对 QoS 要求越高，大模型是否只能用在空中接口高层，而不适用于物理层？

基础理论：NetGPT ≠ LLM

这是整份白皮书最核心的论断之一。

很多人直接拿 LLM 微调一下就去处理网络任务，但通信领域和自然语言处理有根本差异。首先是数据特性——NetGPT 处理的是通信信号、通道信息这类高维张量数据，和 LLM 处理的 token 序列完全不是一回事。然后是任务多样性——无线网络的任务种类远超 NLP，输出形式五花八门，不可能套用 token-in-token-out 的范式。最后是模型规模——基站里的 NetGPT-L2 参数量可能只有 1-10 亿，和动辄 500-2000 亿参数的集中式 LLM 差了两个数量级。

更深层的问题是 Transformer 本身的局限。它在一定程度上牺牲了捕捉局部特征的能力，位置编码（Position Embedding）对时序数据来说只是权宜之计。移动通信系统对时序的要求远高于自然语言。Transformer 的 Embedding 对结构化数据处理效果也不理想，而非连续数据到向量空间的映射问题至今没有好的解决方案——这对以结构化数据为主的电信运营商来说是硬伤。

所以白皮书抛出了一个开放性问题：NetGPT 到底应该沿用 Transformer 架构，还是会激发出全新的理论和架构？

极致性能：毫秒级调度与可靠性

基站上的资源调度时间粒度是 0.5-1ms。大模型的推理延迟能不能做到这个量级？目前看很难。

白皮书列出了四个维度的性能挑战。实时性要求：自动驾驶、远程医疗等场景容不得半点延迟，但大模型的复杂计算和大规模参数天然带来推理瓶颈。可靠性要求：大模型的「幻觉」问题在网络中可能引发事故——错误决策的代价不是生成一段不准确的文本，而是网络瘫痪。高可用性要求：无线传输环境复杂，硬件规模庞大，模型训练和推理都可能遇到故障，必须具备容错和容灾能力。灵活性要求：传感器网络、智能物联网让网络规模持续膨胀，模型必须能适应不同协议、设备类型和制式。

解决方案的方向包括：硬件加速、模型压缩、增量学习，以及在架构层面重新设计和简化模型结构。但说实话，这些方案目前都还在探索阶段。

大小模型协同：谁干粗活，谁动脑筋

一味做大模型不是出路。参数规模越大，性能提升的边际效益越低，能耗却不减反增。

白皮书给出的思路是大小模型协同进化。大模型（L0/L1）部署在云端，输出模型能力；小模型（L2）部署在边缘，负责实际推理和执行，同时收集增量数据反馈给大模型。训练层面是数据协同和参数协同——L0 给 L1 提供预训练底座，L1 通过蒸馏和微调生成 L2；反过来 L2 的反馈数据再优化 L1 和 L0。推理层面是任务协同和知识协同——L0 调度多个 L1 处理跨域任务，L1 调度多个 L2 处理单域任务。

但协同本身也带来了新问题：大模型知识如何有效降维迁移到小模型？小模型的小样本学习如何升维融合回大模型？数学上如何保证协同后的效果等价和一致性？跨供应商协作的标准化怎么推进？

分布式部署、架构变革与安全隐私

大模型的部署本身就是个大工程。GPT-4 万亿参数的庞然大物要放进网络，不能只靠云端，还得部署到边缘甚至基站和终端。分布式拆分、分布式训练、节点间通信——每个环节都有坑。网络节点间的传输带宽远不如数据中心里的高速通道，通信瓶颈会直接拖慢模型训练和推理。

网络架构层面，白皮书认为 NetGPT 可能从根本上改变网络接口和协议的设计。基于 Token 和 Prompt 的模型协作接口，可能取代当前基于标准化字符串的接口协议。网元本身也会智能化演进——从「事后触发优化」变成「事前预测和主动优化」，NetGPT 最终可能以独立网元的形式存在于 6G 网络中。

安全问题则更加尖锐。越狱攻击（Jailbreaking Attack）可以让大模型解锁伦理限制，后门（Backdoor）攻击可能让 NetGPT 在特定场景下泄露网络漏洞。模型越大，偏见越重，可信度越低。可解释性不足让安全审计几乎无法进行。隐私方面，训练数据泄露和用户输入泄露是两大风险——2023 年三星芯片数据泄露事件就是前车之鉴，苹果随即禁止员工使用 ChatGPT。

数据、评测与生命周期管控

最后三个问题可以放在一起看，因为它们都指向同一个困境：网络数据比自然语言数据难获取得多。

ChatGPT 和 LLaMA 的训练语料达到了 TB 级别，而且网上有大量公开文本。但 NetGPT 需要的空口数据、RAN 调度数据、资源管理数据，很多要从网络系统中实时获取——异构、碎片化、实时性要求高。白皮书提出用知识图谱来辅助 NetGPT，通过结构化思维链减少幻觉，但知识图谱本身的多模态表示和深度知识抽取也还没解决。

评测体系同样薄弱。现有的 Accuracy、F1 Score、EM、BLEU 等指标不适用于网络场景。NetGPT 需要的是功能正确性、任务成功率、推理链长度等针对性指标。通信领域公开标注数据少，低频任务的评测样本更难获取。安全性评测也缺乏对抗性攻击的评估基准。

生命周期管控涉及模型的拆分与聚合、更新与维护、知识产权保护。多厂商环境下，NetGPT 的所有者可能不是运营商——如何在协同管理中保护各方利益，是个绕不开的治理问题。

总结

这份白皮书的最大价值不在于给出答案，而在于提出正确的问题。十大问题覆盖了从 NetGPT 的定义（L0/L1/L2 三层架构）、基础理论（与 LLM 的本质差异、泛化能力、参数规模），到工程落地（极致性能、分布式部署、大小模型协同），再到治理层面（安全隐私、数据服务、评测体系、生命周期管控）的完整链条。

几个核心判断值得记住：NetGPT 不是对 LLM 的简单套用，通信领域的独特性决定了它可能需要全新的模型架构；70 亿参数是智能涌现的门槛，但网络边缘的 L2 模型只需要 1-10 亿参数；大小模型协同进化比一味追求规模更务实。

未来，如何获取大规模高质量的网络训练数据、如何设计适合通信时序特征的新架构、如何在真实网络环境中验证 NetGPT 的鲁棒性，这些仍是需要持续探索的方向。白皮书最后呼吁跨学科合作——计算科学、数学、物理领域的最新成果都可能推动 NetGPT 的持续创新。

论文链接：6GANA SIG2 白皮书