雖然5G已深刻改變世界，并兌現了高速率、低延遲、高密度連接的承諾，但也伴隨著一項隱性代價：不容忽視的能耗成本。據愛立信預測，到本十年末，5G用戶數量將達到67億。然而，盡管5G的數據傳輸效率遠超4G網絡，但由于承載的數據量更大，5G的能耗將比傳統網絡高出4至5倍。

這一挑戰的核心在于無線接入網(RAN)的功耗。RAN網絡消耗了絕大部分電力，尤其是在功率放大器(PA)環節。為了在能效比與信號失真、更寬工作帶寬及更快速信號變化之間尋求平衡，RAN開發者如今對靈活性、智能化和實時優化提出了更高要求。簡而言之，RAN設備需要具備更強的適應性。

面對5G系統在適應性與能效方面的新壓力，技術人員已將目光投向快速發展的人工智能(AI)，探索AI有望帶來的新能力。除了備受關注的大語言模型，AI在真實的本地決策領域也正涌現新機遇，能夠借助AI的分析優勢，實時應對各類復雜應用場景。無線通信領域的技術人員已著手研究如何運用AI的能力來優化RAN功耗，并從中看到了機遇。

對于移動運營商而言，推動AI融合的舉措可謂恰逢其時。事實上，麥肯錫的研究發現，能耗對運營商凈利潤的影響比銷售額增長高出50%。與此同時，Verizon、T-Mobile、Bharti Airtel等眾多通信運營商均已承諾在2050年前實現凈零排放目標。

在5G時代，網絡能效問題愈發嚴峻。盡管4G網絡的能耗成本已占網絡總擁有成本的20%至25%，但向5G的過渡大大加劇了這一壓力。在某些場景下，高性能5G部署(尤其是疊加在傳統2G、3G和4G基礎設施之上時)可能導致能源需求增幅高達140%。

引發5G時代功耗上升的三大因素

大規模MIMO

相較于當前的2×2或4×4 MIMO配置，5G大規模MIMO (M-MIMO)基站“信號塔”規模更大、性能更強，最大支持64×64配置(規模較傳統方案高16倍)，能耗也顯著增加。例如，一座5G基站的耗電量是4G基站的3倍。

基站數量增多

進入5G時代，城市區域需通過新增宏基站與小型基站實現網絡密集化，這將進一步推高總能耗。

移動數據流量增長

結合“比特驅動瓦特”的理念，不難發現：即便5G在單位比特能效比上表現更出色，但受移動數據流量高達50%的增長幅度影響，整體網絡的功耗仍會隨之攀升。

運營商能源使用情況資料來源：全球移動通信系統協會(GSMA)

5G的能源挑戰

5G能耗問題的核心在于一種微妙的權衡：功率放大器(PA)在接近滿負荷運行時能效最高，但這種運行模式會導致信號失真，進而引發合規問題并降低性能。為規避此類風險，大多數PA會采用回退模式，以犧牲能效為代價來維持信號保真度。

“記憶效應”進一步加劇了PA的非線性問題。PA包含一些響應速度較慢的元件，它們會“記住”先前的輸入信號，導致PA的非線性程度取決于流經自身的過往信號。

數字預失真(DPD)技術可解決此類問題。DPD的工作機制是：預先對信號進行失真處理，且失真方向與PA通常產生的失真方向相反。這類似于裁縫縫制衣物時會預留額外尺寸，因為知道衣物洗滌后會縮水;DPD則會預先調整信號，使得信號流經PA時，兩種失真能夠相互抵消，從而保證傳輸的信號清晰且準確。

未來的演進方向十分明確：借助AI實現更智能的DPD。當前的DPD解決方案依賴于一種基于數學模型的方法，即基于沃爾泰拉的線性化，用于對PA的特性進行建模。在5G傳輸場景中，這類模型的復雜度會呈指數級增長，進而需要更多的計算資源和存儲資源，導致芯片面積和能耗大幅增加，最終削弱DPD帶來的能效收益和應用價值。

新范式：基于機器學習的數字預失真

如今，新興技術開始借助機器學習(ML)取代傳統DPD中固定的數學模型。工程師無需手動調整信號校正算法，而是可以利用經真實波形數據訓練的神經網絡，對PA的非線性特性進行動態建模與實時校正。這些模型可通過反向傳播算法優化，并直接映射到現有硬件結構中。

基于機器學習的數字預失真(ML-DPD)應運而生。ML-DPD的優勢具有深刻影響：優化時間可從數天縮短至數小時;在各類信號條件下，模型性能均有所提升;節能不再停留在理論層面，而是具備了實際意義。最重要的是，這類解決方案具備自適應能力，能夠從實時工況中學習，并隨硬件與環境的變化而動態調整。

中期數字預失真(MT-DPD)

盡管當前的DPD技術已具備一定效果，但不斷發展的蜂窩通信需求正不斷挑戰DPD的性能邊界。為實現更大數據量、更快速度的傳輸，功率放大器(PA)必須在更寬的帶寬范圍內工作，而這會導致信號快速變化。這種快速變化可能引發電氣不穩定和信號失真，存在超出美國聯邦通信委員會(FCC)發射限值的風險。

為解決這一問題，研究人員開發了一種基于神經網絡的新模型，能更好地理解并應對信號的動態變化。通過將這種模型與在系統采樣率下運行的基于沃爾泰拉的DPD模型相結合，中期數字預失真(MT-DPD)技術得以誕生。這種技術專門針對持續時間在100納秒至10微秒之間的信號記憶效應所導致的失真。早期測試表明，這種技術能顯著降低失真程度。展望未來，研究重點可能會轉向解決電荷俘獲問題，這是氮化鎵(GaN)器件面臨的另一大性能障礙。

長期解決方案

如今，PA面臨的挑戰不僅限于靜態失真。5G中的動態流量加劇了長期記憶效應，尤其是基于GaN的高效率PA中因電荷俘獲導致的問題。AI驅動的方法同樣能夠對這些特性進行建模，將DPD的能力擴展到新領域。

分層神經網絡如今能夠同時校正和適應由即時非線性、快速變化的瞬態和緩慢漂移效應導致的失真。由此打造出一套統一的系統，能夠在實際場景中提供高信號保真度，同時保持高水平的PA效率。

ML-DPD：移動運營商的高能效未來

ML-DPD解決了行業的一項實際需求：提升基站能效。這對移動運營商而言至關重要，他們在5G基礎設施上投入巨大，必須通過降低成本來提升競爭力。在保持合規的同時以最優容量傳輸信號，是一項重要優勢，讓我們得以享受高速的移動互聯網體驗。

信號優化已不再僅僅是工程層面的考量，更成為業務層面的一項必然要求。ML-DPD為控制5G能耗提供了一條可行路徑。