AI 네이티브 6G: 네트워크에서 지능형 패브릭으로

6G는 더 빠른 통신이 아니라 AI-native한 지능형 인프라를 지향한다. 기기부터 클라우드까지 모든 계층에 지능을 내장해, 사용자의 의도를 이해하고 스스로 최적화하며 보안과 신뢰성을 검증하는 네트워크가 목표다.

기존 세대가 속도와 용량을 확장했다면, 6G는 통신과 컴퓨팅을 결합한 AI fabrics를 전제로 한다. 이를 운영하려면 실시간 최적화, 여러 시스템과 지역에 걸친 워크로드 분산, 그리고 운영·규제·안전 요구를 만족하는 거버넌스가 필요하다.

핵심은 **Network Language Models(NLMs)**다. NLM은 기존 LLM을 네트워크 도메인으로 확장한 개념으로, 고주파 텔레메트리 시계열, 토폴로지 그래프, 알람과 상태 전이 같은 이벤트 시퀀스, 정책과 파라미터 같은 구조화 데이터를 함께 다룬다.

NLM 개발은 단계적으로 진행된다.

• 범용 LLM을 압축 기술인 pruning, quantization, knowledge distillation으로 더 작고 효율적으로 만든다.
• 네트워크 관련 코퍼스로 fine-tuning해 구성 생성, 로그 분석, 알람 상관분석, 트러블슈팅을 지원한다.
• 시간 인코더, 그래프 인코더, 구조화 데이터 인코더를 결합한 multimodal 아키텍처로 확장한다.
• reinforcement learning과 정책 제약을 더해 안전성과 실행 가능성을 보장하고, federated learning이나 분산 학습으로 데이터 주권과 기밀성을 지킨다.
• 신뢰성 확보를 위해 automated reasoning 기반의 형식 검증도 필요하다.

이렇게 성숙한 NLM은 네트워크 데이터에 대해 더 깊은 도메인 지식을 축적한다. 예를 들어 BGP 수렴 패턴, 3GPP 시그널링 흐름, 구성 변경이 상태에 미치는 영향, RAN-코어-트랜스포트 간 상호 의존성을 학습한다.

AWS가 제시하는 network intelligence fabric은 여기에 RAG, 실시간 토폴로지 상태를 담은 그래프 DB, 프로토콜 의미를 담은 지식 그래프, agent-to-agent 통신 프레임워크를 결합한 분산 추론 시스템이다. 목표는 정책 집행 계층으로 가드레일을 유지하면서, 여러 도메인과 사업자에 걸친 최적화를 가능하게 하는 것이다.

배포 로드맵은 4단계로 제시된다.

• Stage 1: 디지털 트윈을 통해 EMSes 위에서 폐쇄형 루프 자동화를 구현한다.
• Stage 2: 표준화된 인터페이스로 도메인 간 제어를 열어 programmable system으로 바꾼다.
• Stage 3: federated NLM과 자율 에이전트를 도입해 다중 사업자 협업을 거버넌스 경계 안에서 수행한다.
• Stage 4: 상황 인식 추론, 동적 서비스 탐색, 유연한 에이전트 연합으로 완전 자율 자원 오케스트레이션을 구현한다.

최종 목표는 hyper-composed networks다. 계산, 저장, 네트워킹, 데이터, AI 자원을 목적과 시점, 위치에 맞게 동적으로 조합하고, 이를 위해 model-driven abstraction, sense-discern-infer-decide-act 제어, context reasoning, collaborative intelligence, fluid agent associations, dynamic discovery, adaptive protocol evolution, multidomain federation, repeatable patterns, fractal emergence라는 10가지 원칙이 필요하다.