维度网讯，中国移动研究院团队提出面向6G的CIS-RAN架构，以协作化、智能化与服务化为核心特征。该团队由王晓云（中国移动集团公司）与李男、孙奇、王阳、燕艺薇、王森、徐霄飞、李娜、金婧（中国移动研究院）组成，在2010年提出的C-RAN架构基础上拓展协作边界并引入内生智能与能力开放机制，旨在应对6G自动驾驶、工业自动化、数字孪生、扩展现实等场景对极致吞吐量、超低时延、超高可靠及海量连接的严苛要求。

研究首先分析了6G无线接入网面临的需求及现有架构的局限。在此基础上提出的CIS-RAN架构包含增强型RRU、BBU与新增的RAN集中智能单元，并明确了关键功能与接口变化。五大使能技术包括异构数据采集、任务驱动协同处理、分层智能分布、超低时延AI服务保障与RAN能力统一暴露。通过仿真与原型实验，研究从AI4RAN与RAN4AI两个视角验证了架构有效性：AI4RAN方面，以上行干扰预测为例展示协同智能在学习效率与系统吞吐量方面的优势；RAN4AI方面，通过室内外AI视觉检测服务原型验证其在超低时延AI服务提供与能力暴露方面的性能。

为验证CIS-RAN架构，研究从协同智能与低延迟服务两个维度设计了实验，取得了显著性能提升。

案例一针对6G典型场景（骑行、工厂、办公室）的动态干扰环境，对比了CIS-RAN启用的集中预训练加本地微调（CPLF）机制与传统单BBU本地训练（SLT）机制。结果显示，相比场景专用重训练，CPLF机制在BBU侧所需训练数据量减少36%至50%，模型更新耗时缩减约71%至78%。CPLF方案在各场景下均表现出更快的误差收敛速度和更低的稳态预测误差。在UE平均上行吞吐量方面，CPLF与SLT均较非AI基线提升9%至18%，但CPLF大幅降低了训练开销，实现了性能与效率的兼顾。

案例二基于原型系统在中国移动营业厅（室内）与蟹塘（室外）部署了AI视觉检测服务，包括人员计数、入侵检测与异常行为识别。对比传统UPF转发至MEC的方案，CIS-RAN架构下AI推理直接在BBU侧完成，室内外场景的平均端到端延迟均低于20毫秒，传统架构则约为60毫秒。该架构实现了感知-决策-行动的紧耦合闭环，为具身智能等对确定性时延敏感的应用奠定了基础。