2021年12月17日，在RAN#94-e會議上，5G-Advanced確定了Release 18的首批28個專案。專案相關的提案號和提案名稱如下表：
R18確定的28個研究專案
在所立項的28個專案中，有兩個AI/ML的專案比較特別。因為除了這兩個專案之外，其他的專案都是傳統的通訊技術演進，比如，MIMO增強、移動性增強、功耗增強、覆蓋增強等等。而這兩個AI/ML的專案是研究如何將人工智慧/機器學習應用於NR空口以及下一代RAN，比較令人期待。
我們可以看到最近幾年人工智慧/機器學習比較熱，它已經被廣泛的應用於很多行業。在終端上，利用人工智慧/機器學習進行影象處理、場景檢測的應用也比較多。各移動終端平臺也推出了各自的適用於移動終端的人工智慧平臺和框架。那麼，對於3GPP R18而言，這兩個研究專案的研究範圍是怎樣的呢？我們一起來看看。
RP-213599這個研究專案的全名叫做，Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR Air Interface。這個專案由高通主導，中國資訊通訊研究院和愛立信作為聯合報告人，參與的企業達到48家，包括主要的運營商、裝置商、晶片商、終端廠商等等，足以說明這個研究專案的受重視程度。
下面是這項研究的目標：
“In this study, we explore the benefits of augmenting the air-interface with features enabling improved support of AI/ML based algorithms for enhanced performance and/or reduced complexity/overhead. Enhanced performance here depends on the use cases under consideration and could be, e.g., improved throughput, robustness, accuracy or reliability, etc. “
這項研究的內容包括：
(1)主要的應用場景:
1) CSI feedback enhancement
2) Beam management
3) Positioning accuracy enhancements
(2)AI/ML模型相關的研究
1) AI/ML的演算法以及複雜度；
2) UE與gNB的協作；
3) AI/ML模型管理；
4) 用於訓練、測試、推理的資料集；
5) AI/ML相關功能、流程和介面的標識和術語；
(3)關於效能評估的研究
1) 評估AI/ML演算法的效能：
--- 基於統計模型的方法：
a) 擴充套件3GPP原有評估方法更好適應基於AI/ML的技術；
b) 實網資料用於評估的效能和魯棒性；
c) 對訓練、驗證和測試資料集的要求；
d) 模型訓練策略、協作等級；
e) 用於校準的AI模型；
f) AI模型描述和訓練方法；
--- KPIs:
a) 效能、推理時延、計算複雜度；
b) Overhead、功耗、記憶體消耗、硬體要求；
2)評估對協議的影響
---物理層(RAN1)
a) AI模型生命週期管理以及資料集建立的影響；
b) 用於訓練和驗證的信令帶來的影響；
---協議層(RAN2)
a) 包括能力指示、配置、控制流程(訓練/推理)、AI/ML模型和資料的管理；
b) 協作層面相關的影響；
---互操作和可測試性(RAN4)
a) 用於驗證AI/ML效能的測試框架，確保UE和gNB能夠滿足最低要求；
b) AI/ML處理能力的定義；
關於RP-213599這個研究專案的詳細內容，可以參考如下連結研究報告：
https://www.3gpp.org/ftp/tsg_ran/TSG_RAN/TSGR_94e/Docs
