de.wedoany.com-Bericht: Forscher des Institute for Intelligent Networked Systems (INSI) der Northeastern University haben das autonome KI-Framework GENESIS entwickelt, das den automatisierten Entwicklungslebenszyklus von 5G/6G-Funkzugangsnetz (RAN)-Software von Spezifikationsklauseln oder Forschungsideen bis hin zu On-Air-Übertragungscode auf kommerzieller 5G-Hardware ermöglicht. Die Arbeit, die GENESIS beschreibt (verfügbar auf arXiv: https://arxiv.org/abs/2605.27360), präsentiert das erste End-to-End-KI-Agentensystem, das in der Lage ist, den zellularen Netzwerkprotokollstapel ohne kontinuierliche menschliche Eingriffe zu synthetisieren, zu testen, zu härten, zu optimieren und zu schützen, und schließt damit einen Engineering-Zyklus, der zuvor Monate pro Iteration dauerte.
Die zellulare Forschung und Entwicklung schreitet strukturell langsam voran. Die Umsetzung von 3GPP-Spezifikationsklauseln in eine funktionierende Funkimplementierung erfordert in der Regel monatelange manuelle Ingenieursarbeit, einschließlich des Lesens dichter Standarddokumente, des Schreibens und Debuggens von Protokollcode, der Integration über mehrere Anbieter-Protokollstapel hinweg zur Gewährleistung von Konsistenz und Interoperabilität sowie der Validierung auf kommerzieller Hardware. GENESIS adressiert diesen Engpass direkt: Bei einer übergeordneten Absicht, einschließlich Spezifikationsklauseln, Telemetrieanomalien oder Forschungshypothesen, plant, codiert, testet und iteriert das Framework autonom über ein dreistufiges Validierungskontinuum, von Software-Simulation über Kanalsimulation bis hin zu Echtzeit-On-Air-Übertragung auf dem Open6G-Testbed der Northeastern University. Jedes erzeugte Artefakt, einschließlich Codeänderungen, Testergebnisse und Protokolle, wird in eine persistente Wissensdatenbank zurückgespeist, die die Systemfähigkeiten im Laufe der Zeit verbessert.
In direkten Vergleichsexperimenten mit repräsentativen 5G-Funktionsimplementierungsaufgaben erreichte GENESIS eine Erfolgsquote von 100 % über mehrere unabhängige Läufe hinweg. Im Gegensatz dazu konnte ein als Baseline dienender, hochmoderner Codierungsagent, der Zugriff auf dieselben Werkzeuge und Testplattformen erhielt, bei keinem Versuch eine funktionsfähige Implementierung erzeugen. Die GENESIS-Arbeit beschreibt detailliert drei End-to-End-Fallstudien: die Implementierung von 3GPP-Leistungsmessungen von der Spezifikation bis zum On-Air-Bericht; die Synthese und Härtung eines bedingten Übergabeprozesses mit einer Closed-Loop-Optimierungsanwendung; und die autonome Generierung und Validierung eines neuen 5G-MAC-Scheduling-Algorithmus.
Tommaso Melodia, William Lincoln Smith Professor für Elektro- und Computertechnik an der Northeastern University und Direktor des INSI, erklärte, dass autonome KI die Möglichkeiten der drahtlosen Forschung grundlegend verändere. Die Umwandlung von 3GPP-Klauseln in validierten On-Air-Übertragungscode, die historisch Monate an Expertenarbeit erforderte, dauere mit GENESIS nur noch Stunden. Dies verkürze die Zeitpläne, mit denen selbst die heutige 5G-Roadmap zu kämpfen habe, und ermögliche das für 6G erforderliche Innovationstempo. Melodia wies darauf hin, dass der Durchbruch des Systems nicht in einem einzelnen Codierungsagenten liege, sondern in der geschlossenen Schleife selbst: GENESIS lese auf 3GPP und O-RAN basierende Spezifikationen, schreibe Code, validiere ihn auf einem kontinuierlichen Testbett von der Simulation bis zum Echtzeitfunk und speise jedes Ergebnis in die nächste Iteration zurück. Dadurch werde eine Idee in nur wenigen Stunden von der Absicht zu einer funktionsfähigen Implementierung gebracht und die Tür für schnelles Prototyping geöffnet.
GENESIS ist um drei kombinierbare Primitive herum aufgebaut: Agenten (KI-Reasoner mit Domänenexpertise), Fähigkeiten (deterministische parametrisierte Programme zur Ausführung von Infrastrukturoperationen) und Hooks (ereignisgesteuerte Sicherheitsgates und Prüfpfade, die um jede Aktion herum ausgelöst werden). Diese Primitive kombinieren sich zu sechs autonomen Fähigkeitspipelines, die den gesamten RAN-Entwicklungslebenszyklus abdecken: SYNTHESIZE, TEST, HARDEN, OPTIMIZE, DISCOVER und SECURE. Eine gemeinsame Wissensschicht namens SYNAPSE basiert jede Agentenentscheidung auf sorgfältig kuratierten 3GPP- und O-RAN-Spezifikationen und akkumuliert die Ergebnisse jedes Laufs als institutionelles Gedächtnis.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
