KDDI分散式AI优化示意图

日本KDDI及其综合研究所于2026年6月至8月期间,在全国部分商用网络中开展了利用分散式AI技术自主优化基站设置的实证试验。该技术通过多个AI协同工作,根据不同时间段的通信状况动态调整通信区域,实现了通信质量的显著提升。

此次实证成功将高峰时段的上行通信速度平均提升约60%,并减少了约30%的低速上行区域。基于此成果,KDDI计划自2026年11月起,逐步在全国商用网络中推广该分散式AI技术,并预计于2026财年全面投入运营。

实证背景与挑战

早在2026年2月,KDDI已在部分基站引入分散式AI,实现了基站区域优化和通信质量提升,同时缩短了优化所需时间,并完成了全国基站的推广。然而,为了进一步提升通信质量和稳定性,必须针对一天中通信拥堵状况剧烈变化的不同时间段进行优化。

时间段优化需要分析基站周边大量随时间变化的数据及参数组合,寻找最优设置值。此过程在技术和运营上均面临较大挑战。

分散式AI技术特点

分散式AI基于多AI协作的分布式强化学习,计算基站的最优配置。系统由“推理器”负责对各基站设置进行推断和应用,“学习器”则从各推理器的经验中学习并共享知识,实现整体优化。

为高效学习不同时间段的通信状况,实证中引入了高效压缩输入数据维度的新技术。利用预先基于全国基站数据构建的压缩模型,将海量时间序列数据转化为低维度数据,保留关键特征,剔除冗余信息。

实证内容

实证中,分散式AI自主判断并调整控制信号资源分配量,以提升上行通信速度并减少低速区域。具体做法是在高峰时段为每部智能手机分配所需控制信号资源,增加数据传输机会;在低峰时段则适当保留资源,增强连接稳定性。

  • 实施时间:2026年6月至8月
  • 试验环境:日本KDDI商用网络
  • 试验规模:全国选定的100个拥堵区域
  • 调整对象:分配给各智能手机的控制信号资源量

分散式AI优化效果图

实证结果

  • 高峰期上行速度提升:通过解决控制信号资源不足问题,智能手机获得更多数据传输资源,高峰期上行速度平均提升约60%。
  • 低速上行区域减少:上行速度低于1.5Mbps的区域数量减少约30%,上传数据更加稳定。

此次实证验证了分散式AI在动态调整通信资源、提升网络性能方面的有效性,为未来全国范围内的商用推广奠定了坚实基础。