Agentic AI 结合混合专家与 LLM，实现 6G 网络智能优化
当大模型遇见网络优化：一种面向6G的Agentic AI框架
未来6G移动网络将部署大量高度专业化的优化专家，但如何根据高层意图和不确定性描述，灵活地选择、组合和编排这些专家，成为关键挑战。近日，一篇发表在arXiv上的论文提出了一种基于Agentic AI的网络优化框架，通过融合混合专家（MoE）架构与大语言模型（LLM），实现了从人类可读意图到底层资源分配决策的端到端智能优化。
核心思路：LLM作为“语义门”，动态调度专家
该框架的核心创新在于让LLM扮演一个**“语义门”的角色。传统的MoE中，门控网络通常基于数值特征选择专家；而这里，LLM能够理解运营商用自然语言描述的目标（如“优先降低时延”或“保障公平性”），并据此动态组合出合适的优化专家集合。这种方式使得框架具备模型无关性**，可适配不同的网络场景和优化目标。
技术实现：从高层次意图到低层资源分配
论文以联合通信与计算网络为例，设计了一个包含多种优化专家的库，覆盖吞吐量、公平性、时延等目标，并同时支持常规和鲁棒（robust）条件下的优化。数值仿真表明，该Agentic MoE框架在性能上接近穷举所有专家组合的最优结果，并且在时延最小化、吞吐量最大化等不同目标上，均优于单一专家方案。
行业意义：AI编排网络的新范式
这项研究为6G网络的自智化提供了新思路。传统网络优化往往依赖人工配置或固定算法，难以应对动态多变的需求。而该框架利用LLM的语义理解能力，将运营商的高层意图直接转化为可执行的优化策略，大幅降低了运维门槛。同时，MoE架构保证了计算效率——无需激活所有专家，仅需LLM选定的子集即可完成任务。
局限与展望
目前该工作仍处于仿真验证阶段，实际部署还需考虑LLM的推理延迟、专家库的扩展性以及安全可靠性等问题。但不可否认，Agentic AI + MoE + LLM 的组合为未来通信网络与AI的深度融合提供了一个有潜力的技术方向。
论文由Robert-Jeron Reifert等人撰写，共16页，包含16张图和9张表，已提交至IEEE。