移动通信网络每一代际的更迭都伴随着核心设计逻辑的重新定义。从第一代到第五代，通信系统的架构演进主要围绕频谱效率、峰值速率、连接密度与时延等传统性能指标展开，人工智能技术在这一过程中长期处于辅助位置，用于网络优化、故障诊断或流量预测等外围功能。第六代移动通信系统提出了内生智能的全新架构理念，其本质是将人工智能从外部工具升级为网络内部的原生能力。这意味着智能不再是附加在网络之上的优化模块，而是与通信协议栈、资源调度机制以及网络控制平面深度融合的基础要素。内生智能架构要求网络在设计之初就为人工智能算法的运行提供数据接口、计算资源与执行环境，使得智能决策成为通信过程的内嵌环节而非事后处理。这一转变对通信底层的逻辑产生了结构性影响，从信号处理到资源分配，从连接管理到服务保障，各个环节的决策主体正在从预设规则转向数据驱动模型。
内生智能架构的核心特征在于网络协议栈的智能化重构。传统通信系统的协议栈采用分层设计，物理层、数据链路层、网络层乃至更高层之间通过标准接口交互，每一层的功能与算法均基于确定性数学模型，如信道编码、调制映射、混合自动重传请求以及路由协议等。这些算法虽然经过严格的理论优化，但在面对动态变化的无线环境时缺乏自适应能力。6G内生智能架构将轻量化人工智能模型嵌入协议栈各层，使每一层都能够根据实时信道状态、用户行为模式以及业务流量特征调整自身参数。物理层可以采用神经网络替代传统的信道估计与均衡算法，数据链路层的调度器可以基于强化学习动态调整资源分配策略，网络层的路由决策可以借助图神经网络实时感知拓扑变化。这种跨层智能协同机制打破了传统分层设计的刚性边界，协议栈各层之间不再仅仅通过固定原语通信，而是共享智能模型产生的中间特征与决策置信度，形成联合优化的闭环。
内生智能对无线接入网架构的改造集中体现在基带处理与射频前端的协同智能化上。在现有网络中，基带单元与射频单元之间通过前传接口连接，基带处理主要执行信道编码、调制、多天线预编码等计算密集型任务。内生智能架构下，基带处理中的部分功能可以下沉至射频单元附近，利用边缘计算能力完成实时性要求极高的智能推理任务。例如射频前端采集的瞬时信道信息可以直接输入到部署在远端单元上的小型神经网络，输出结果用于即时调整波束权重或调制编码方案，无需等待基带单元的回环处理。这一机制降低了传统协作多点传输中对理想前传链路的依赖，使非理想前传条件下的分布式接入架构成为可能。同时射频单元与基带单元之间形成智能协同关系，射频单元负责快速响应与低层次特征提取，基带单元负责全局优化与长时间尺度的模型更新。这种分工使得无线接入网能够在维持较高频谱效率的前提下，支持更多类型的终端设备与业务场景，包括超高可靠低时延通信与大规模机器类通信。
核心网侧的内生智能体现为控制面与用户面的智能协同调度。第五代移动通信系统的核心网采用了基于服务化架构的控制面设计，各网络功能之间通过标准化的服务接口交互，但策略决策仍主要依赖运营管理人员预先配置的规则与阈值。内生智能架构引入了智能控制面，其中部署了专门的模型训练与推理功能单元，这些单元持续分析全网范围内的用户移动模式、业务到达规律以及资源占用情况，动态生成网络策略。接入与移动性管理功能不再使用固定的切换门限，而是根据终端历史轨迹与当前信道质量预测最佳切换时机。会话管理功能不再使用静态的服务质量流配置，而是基于业务流量的实时特征动态调整保障策略。此外用户面功能中的报文处理与转发决策也可以由轻量化智能模型驱动，根据业务优先级与链路拥塞状态实时更新转发规则。控制面与用户面的协同在智能模型的统一调度下达到更高的一致性，控制面负责长期策略优化，用户面负责短期快速响应，两者之间的时延与信令开销通过分布式学习机制得到控制。
内生智能架构对网络运维与管理模式产生了根本性改变。传统网络运维依赖专家经验与离线分析，网络状态监控、故障定位与性能优化通常由独立的管理系统完成，与通信系统的运行平面相对分离。这种模式在应对复杂故障场景或突发流量冲击时响应缓慢，往往需要人工介入。6G内生智能架构将网络智能运维作为内生能力嵌入系统运行全过程。网络中的每个节点都具备自我感知能力，能够实时采集本地状态信息，包括负载水平、干扰强度、资源利用率以及用户服务质量满足情况。这些信息通过控制通道汇聚至分布式智能引擎，引擎运行联合学习或联邦推理算法，在不暴露原始数据的前提下完成全局态势感知与异常检测。当检测到性能劣化或潜在故障时，网络可以自动触发调整动作，如重新分配频谱资源、调整波束指向或者迁移用户会话，整个过程无需人工干预。这种闭环自动化能力覆盖了网络规划、部署、优化与自愈的全生命周期，使得网络管理从离线、被动、人工驱动模式转变为在线、主动、模型驱动模式。
内生智能架构的工程实现面临多维度的约束条件，这些约束反过来塑造了6G网络的具体形态。计算资源与通信资源必须统一调度，因为智能模型的训练与推理需要消耗处理器的周期与内存空间，而这些资源原本全部用于通信协议处理。网络节点需要在通信任务与计算任务之间动态分配硬件资源，且分配策略必须随信道条件与模型复杂度实时调整。能耗控制成为内生智能架构的关键指标，大规模分布式智能模型的持续运行可能产生显著功耗，尤其在终端设备与物联网节点上，能量采集能力有限，必须采用模型剪枝、量化与知识蒸馏等技术压缩智能模型的计算密度。数据隐私与安全机制需要重新设计，因为内生智能依赖海量用户数据与网络状态数据进行模型训练，如何在满足隐私保护要求的前提下实现高效的数据共享与协同学习，是架构设计中必须解决的问题。标准化组织正在推动面向内生智能的接口协议与模型交换格式，确保不同厂商的设备能够在同一智能控制框架下互联互通。这些工程约束决定了内生智能架构不是简单地将现有通信系统与人工智能叠加，而是需要从头设计通信与计算融合的新型协议体系。
