|
손장우 (Harrison Jangwoo Son)
넷매니아즈 | (주)엔앰씨컨설팅그룹 대표이사 |
현재, 5G를 넘어 6G로 향하는 이동통신 진화 과정에서 AI-RAN은 가장 주목받는 핵심 키워드 중 하나다. 단순히 “RAN에 AI를 붙인다”는 개념을 넘어, 무선망 자체를 AI 중심으로 재설계하려는 시도라는 점에서 의미가 크다. 이번 글에서는 AI-RAN의 개념을 정리하고, 실제 데모/시연 사례 분석을 통해 AI-RAN이 무엇이고, 무엇을 하려고 하는지 살펴본다.
<AI-RAN: 이동통신망의 진화 - 이동통신 기지국에 AI 침투/AI의 이동통신망 접수>
이통사 무선 액세스망 (RAN)은 D-RAN -> C-RAN -> vRAN -> O-RAN으로 진화하다가 최근 AI를 RAN에 적용한 AI-RAN으로 진화중임
|
|
일본 소프트뱅크(손정의)과 미국 엔비디아(젠슨황)가 주도하여 2024년 결성된 AI-RAN Alliance에서 AI-RAN의 개념과 Use case를 정의하고 있다. AI-RAN Alliance는 MWC 2024, MWC 2025, MWC 2026 등의 행사에서 이들과 함께하는 에코시스템이 함께 구현한 AI-RAN 솔루션을 시연하며 AI-RAN의 가능성을 입증해 나가고 있다.
AI-RAN Alliance는 엔비디아(NVIDIA), 암(Arm), 소프트뱅크, T-Mobile, Nokia, 에릭슨, 삼성전자, Microsoft, Deepsig 등 11개 글로벌 통신 및 IT 기업들이 창립했으며 26년 1월 현재 회원사는 109개사에 이른다. 국내 이통 3사도 회원사이다.
AI-RAN Alliance의 핵심 목표는 RAN (기지국)에 AI를 결합하여 무선 통신 성능을 극대화하고 (AI for RAN), AI 응용 기반의 새로운 비즈니스 가치를 창출하는 것 (AI and RAN, AI on RAN)이다. |
AI-RAN Alliance에서 제시하는 AI-RAN의 세 가지 핵심 개념이 AI for RAN, AI on RAN, AI and RAN이며 이에 관해 알아보자.
|
|
AI-RAN |
|||||||
|
AI for RAN Spectral Efficiency |
AI and RAN Asset Utilization |
AI on RAN New Applications |
||||||
|
Concept 이게 뭔가?
AI RAN Alliance 정의 |
목적: AI/ML(머신러닝)를 활용해 RAN 성능을 개선하고 최적화함. 기존 RAN에 적용하던 Rule- based 알고리즘이 아닌 AI/ML 모델(데이터 기반 학습과 추론)을 기지국에 심어 기지국 성능을 고도화함.
주요예제: AI/머신러닝 기반 - 채널 추정/간섭 제어/MAC 스케쥴링/빔포밍 최적화/전력제어
효과: UE의 통신 품질이 높아지고 이통사의 통신망 투자비, 운용비용이 절감됨
|
목적: RAN 워크로드와 AI 워크로드가 하나의 컴퓨팅 자원(RAN 서버)를 공유하여 자원의 활용도 을 높임: GPU와 메모리 자원 이용율 최적화.
주요예제: 심야시간 또는 베드타운의 낮시간대 처럼 통신량이 적을 때 RAN 서버의 자원을 외부 기업에 AI 연산용(AI Training 이나 AI Inferecing)으로 대여 - RAN 서버 유휴 자원 판매 로 신규 수익 창출
효과: 통신 트래픽이 적을 때는 GPU 자원을 AI 컴퓨팅에 활용하는 식으로 자원 효율성이 극대화 (유휴 자원을 유연하게 분배하여 전체적인 소유 비용(TCO)을 낮춤)
|
목적: RAN에서 AI 응용 서비스를 실행해 기업 또는 개인에게 판매하여 새로운 수익 창출
주요 예제(주로, AI Inferencing): 실시간 영상 분석, 자율주행, 원격 수술 보조, 실시간 로봇 제어, AR, LLM, 기업용 RAG, Agentic AI
효과: RAN에 접속한 단말 대상으로 RAN 서버에 서 AI 서비스를 제공하므로 초저지연 AI 서비스 제공 가능
|
|||||
|
AI RAN Alliance / SoftBank의
AI-RAN 개념설명
|
|
|
|
|||||
|
AI에 의한 RAN의 고성능화 [주파수 효율 향상]
|
RAN과 AI의 설비 공통화 [설비 이용 효율 향상]
|
Edge AI 애플리케이션 [신규 서비스]
|
||||||
|
Nvidia의 AI-RAN 개념 설명
|
• AI-algorithms for RAN performance improvement • Site specific learning & optimizations for spectral efficiency
|
• Common infrastructure to run AI and RAN workloads • Orchestration & dynamic workload distribution between AI and RAN
|
• Network-differentiated connectivity • Local breakout of AI traffic for enhanced Quality of experience
|
|||||
1. AI on RAN
2026년 10월, Deutsche Telekom은 NVIDIA GTC Berlin에서 로봇의 AI 연산을 로봇 내부 컴퓨팅 자원과 이통망 Edge GPU에 분산하는 방식을 선보였다.
AI 기능이 로봇 내부를 포함해 여러 장소에 걸쳐 분산된다. NVIDIA와 Agile Robots이 베를린 GTC 행사에서 선보인 데모는 로봇 AI를 3 가지 계층으로 나누고 있다. 핵심은 무엇이 어디서 도는가다. 반사 동작은 로봇에 남는다. 안전 기능과 모션 제어는 네트워크를 기다리지 않고 즉시 반응한다. 동작 계획과 예측처럼 무거운 연산은 이통망 Edge의 GPU로 가고, 모델 학습은 대형 AI 팩토리(Central Cloud)에서 계속된다.
이번 시연은 이통사의 역할이 기존의 데이터 전송 및 5G 연결 서비스 제공을 넘어, 산업용 로봇의 AI 추론을 지원하는 분산형 AI 컴퓨팅 인프라 제공자로 확장될 가능성을 보여준다는 점에서 의미가 있다.
|
|||||
한국지능정보사회진흥원(NIA)과 과기정통부는 10월 1일 서울대에서 「K-AI 네트워크 경쟁력 강화」 사업 출범식을 개최하고, 6G 시대 핵심 인프라로 주목받는 AI-RAN 기반 5G 특화망을 이용한 피지컬AI 서비스의 실증사업을 개시한다고 발표했다. 뉴젠스, 서울대, 연세대, KAIST, 에치에프알 컨소시엄은 3개 대학 캠퍼스에 실증단지를 구축한다. 이번 과제는 피지컬 AI 서비스 현장에 최적화된 AI-RAN 5G 특화망을 통해 대학 캠퍼스내 학생, 연구원, 교직원 및 방문객의 캠퍼스내 활동 편의성 제공을 실증하는데 목적이 있음.
|
|||||
2026년 4월, 일본 이통사인 KDDI는 도쿄의 KDDI 본사내 LAWSON 편의점에 삼성의 NIS (Network in a Server)를 도입하여 Private 5G망을 구축하고 AI-on-RAN PoC를 수행했다. 이번 PoC에서는 KDDI종합연구소에서 개발한 Intelligent Robot Control과 NEC의 AI Video Analytics라는 두 가지 소매점용 응용으로 제시했다.
이번 시연에 사용된 AI-RAN서버인 삼성 NIS는 슈퍼마이크로 범용서버에 AMD EPYC CPU와 NVIDIA L4 GPU 카드가 탑재된 형태로 단일 서버에서 5G Core, 5G vCU, vDU와 AI 응용이 실행된다(AMD CPU: 5G Core, 5G vRAN, GPU: AI 응용)
비용과 속도: 새로운 대규모 투자없이 기존 기지국 자산을 활용하여 GPU 카드만 추가하여 신속하게 Edge AI 기반을 구축할 수 있다는 것이 KDDI가 주장하는 AI-RAN (NIS)의 핵심 포인트임.
|
|||||
미국의 T-Mobile(이통사)과 NVIDIA는 GTC 2026 행사에서 Nokia와 Physical AI agent 개발사들과 협력하여 Nokia의 5G S/W와 AI agent 개발사들의 AI agent(스마트 시티 운영, 전력선 자동 검사, 비전 기반 시설 관리, 실시간 산업 안전)를 T-Mobile의 5G망의 분산형 에지(AI-RAN)에서 시범운영한다고 발표함(장소: 산호세 시). AI on RAN
단순한 CCTV Vision AI이면 영상을 분석해 교차로에 사고 발생을 인지하고 보고하는 것으로 끝이다. 그러나, Agentic AI는 스스로 문제를 해결한다. 이 사례에서 Operation Agent는 사고 발생이 모니터링되면 Simulation Agent를 호출하여 최적의 대안을 찾아내어 실제 물리세계의 신호등 신호 변경을 요청하여 문제를 해결함
|
|||||
VLM (Vision-Language Model)을 통한 로봇 이동 제어를 온디바이스는 "GPU 성능 부족"으로 실패하고, 클라우드는 "네트워크 전송 지연"으로 실패하며, 엣지(AI-RAN Over 5G)만이 두 문제를 동시에 해결할 수 있다는 것이 핵심임
|
|||||
AI on RAN 이 실증의 핵심은 로봇이 주위 상황을 인식하고 움직이기 위한 방대한 컴퓨팅을 로봇 본체에서 수행할지, 아니면 통신망 에지에 있는 외부 서버(AI-RAN 서버의 MEC)에서 수행할지를 상황에 따라 실시간으로 전환하는 '동적 AI 오프로드' 기술임
|
AI on RAN 2025년 12월 일본 도쿄에서 개최된 국제 로봇전에서, 이통사인 SoftBank와 산업용 로봇 제조사인 야스카와 전기는 AI-RAN (MEC)와 AI 로보틱스를 조합한 Physical AI 데모를 공개했다: MEC AI가 빌딩내 로봇군을 관리, 제어
|
Demo 주체: ARM, Tannera, Effinet, Phluido
|
|||
초저지연 LLM: SoftBank는 로봇에 탑재된 센서 정보를 기반으로, 실시간으로 로봇의 동작 생성을 수행하는 AI (초저지연 LLM)를 개발함 (NVIDIA AI Enterprise 활용하여 개발)
의미: 로봇 외부의 이통망 에지에서 구동되는 LLM 이 로봇의 동작을 실시간 제어할 수 있음을 보여줌
2025.03
|
Softbank는 RAG의 편의성과 정확성을 향상 시키는 여러 기술을 탑재한 엔터프라이즈용 RAG 애플리케이션을 개발했다. 엔터프라이즈 데이터를 통합하면 최신 사내 정보를 기반으로 답변을 생성할 수 있으므로 회사 업무에 특화된 작업을 생성 AI에 맡길 수 있다. 데이터는 모두 "AITRAS"의 에지 AI 서버에서 폐쇄적으로 처리 되므로 인터넷상의 클라우드를 활용하는 것보다 높은 보안 환경에서 실행할 수 있다.
|
5G 카메라로부터 5G망을 통해 비디오 스트림을 수신하여 실시간으로 객체(보행자, 자동차, 트럭, 버스)를 검출하는 데모.
MEC 서버상의 AI응용이 RAN 서버로 바로 올라간 형태임.
Demo 주체: NVIDIA, Radisys, Fujitsu, Supermicro
|
|||
2. AI and RAN
AI and RAN AI‑and‑RAN Workload Orchestrator
이 오케스트레이터는 Workload Estimator(워크로드 추정기)와 Bin-Packer(빈 패커)를 사용하여, 공유 GPU 인프라에서 5G RAN 워크로드와 AI 워크로드가 공존하도록 관리한다.
시스템은 트래픽과 AI 워크로드 수요가 변동함에 따라 NVIDIA MIG(Multi-Instance GPU) 기술을 활용해 GPU 파티션을 동적으로 재구성함으로써, RAN 운영에 필요한 안정적인 QoS (Quality of Service)를 보장한다.
실시간 스케일링 및 워크로드 마이그레이션을 통해 이를 시연한 결과, 워크로드 재분배 과정에서도 실제 트래픽 중단 시간을 4초 미만으로 유지하면서 5G 서비스의 연속성을 성공적으로 보장했다.
Demo 주체: SK Telecom, Keysight
|
AI and RAN Northeastern AutoRAN Demo – MWC 2025 AI-RAN Coexistence
이 데모는 Northeastern University와 Keysight가 협력하여 개발된 AutoRAN 프레임워크의 기능을 보여주며, 테스트 자동화(testing automation)에 초점을 맞추고 있다. 여기서 AutoRAN은 워크로드를 오케스트레이션하고, 시스템을 지속적으로 테스트하며, AI와 RAN이 하나의 인프라에서 공존할 수 있도록 지원하는 역할을 한다.
Demo 주체: Keysight and Northeastern University Open6G
|
SMO는 vRAN측에서 발생하는 워크로드를 모니터링하고 Cluster Agent와 통신. 더 많은 워크로드를 전송함(추론 워크로드를 해당 Cluster에 보낸다). User가 보낸 Query는 RAN 서버상의 AI 추론 응용으로 보내지고 답을 받는다. User와 AI 응용, Cluster Agent와 Cloud간은 인터넷임.
Demo 주체: NVIDIA, Radisys, Aarna Networks, Supermicro
|
3. AI for RAN
|
|
||||||||||||||
신경망 기반 인코더, 수신기 및 디코더가 기존의 파일럿과 변조 방식을 대체하면서도 5G-NR과 호환되는 CP/DFT-OFDM 슬롯 구조는 유지함.
이 데모는 AI/ML 기반 무선 인터페이스 설계가 무선 성능을 향상시키고, 스펙트럼 효율성을 높이며, 기존 5G 네트워크와 원활하게 통합될 수 있음을 보여준다. 이는 향후 AI-RAN 구축에 필수적인 기능임.
Demo 주체: DeepSig, NVIDIA
|
효과: 간섭 많은 상황(Low SNR)에서 AI 적용안한 기존 L1 대비 업링크 Throughput 20~50% 향상됨
Demo 주체: SoftBank, NVIDIA, Fujitsu
|
효과: 셀 경계에서 스마트폰의 업링크 Throuput 이 30% 이상 향상. 기지국 커버리지 확장으로 이통사 투자비 절감
Demo 주체: NVIDIA, Samsung, Keysight
|
||||||||||||
효과: AI Channel Interpolation 적용으로 기존 RAN 대비 업링크 Throughput 25% 향상
Demo 주체: SoftBank, NVIDIA, Fujitsu
|
||||||||||||||
매번 헷갈렸는데, 이해가 정말 잘 됩니다. 깔끔한 정리 감사드립니다!