일본산업뉴스요약

소프트뱅크, ‘통신을 위한 AI’에 주력
6G의 상용화를 기다리지 않고 조기 구현 추진

소프트뱅크가 이동통신 시스템과 AI(인공지능)의 융합에 적극적으로 나서고 있다. AI로 RAN(Radio Access Network)을 고성능화하는 ‘AI for RAN’과 통신 업계용 생성 AI 기반 모델인 ‘Large Telecom Model(LTM)’ 개발에 주력하고 있다. 6G(6세대 이동통신 시스템)의 상용화를 기다리지 않고 단계적으로 사내에서 구현·활용할 방침이다.

소프트뱅크는 두 가지 측면에서 AI와 무선 통신의 융합을 목표로 하고 있다. 첫 번째는 LTM으로 오퍼레이션 업무를 자동화하여 운영 유지비(OPEX)를 절감하는 것. 두 번째는 AI for RAN을 통해 RAN 성능을 향상시켜 설비 투자비(CAPEX)를 절감하는 것이다. 소프트뱅크는 전자를 ‘Human AI’, 후자를 ‘Machine AI’라고 부르며, 통신 업무에서 AI의 역할을 구분하고 있다. 이 두 가지를 결합함으로써 AI-Native RAN의 조기 실현을 목표로 하고 있다.

소프트뱅크 첨단기술연구소 첨단무선통합부의 야마시나(山科) 부장은 “Human AI는 초 단위로 동작하고, Machine AI는 마이크로초 단위로 동작하기 때문에 기술적 요건이 근본적으로 다르다”라고 지적한다. 그렇기 때문에 “앞으로 이 두 가지가 통합될지에 대해서는 사내에서도 논의가 진행 중이지만, 기능적으로는 분리해서 운용할 필요가 있다”라고 말한다.

-- 불꽃 축제에서 예측 정말도 90% 달성 --
소프트뱅크가 개발한 LTM은 소프트뱅크의 LLM(대규모언어모델)인 ‘Sarashina’ 등의 기반 모델에 통신 특유의 데이터와 소프트뱅크의 네트워크 데이터를 학습시킨 특화형 모델이다. 단순히 인터페이스로 LLM을 사용하는 것이 아니라, 기반 모델 자체를 통신용으로 구축했기 때문에 시스템 내부에서 End-to-End 형태로 응답 및 처리를 할 수 있다는 것이 특징이다. 소프트뱅크는 향후, 이 노하우를 다른 통신 사업자에게도 확대할 방안을 검토 중이며, 이미 높은 수요가 있다고 한다.

야마시나 부장은 자사의 강점으로 “기반 모델과 학습 데이터, GPU(화상처리반도체) 등 모든 계산 자원을 자체적으로 보유하고 있어 개발을 전부 내부에서 진행할 수 있다는 점”을 들었다.

구체적인 유스케이스로는 기지국 설정의 최적화가 있다. 야구 경기 등 이벤트에서 기존에는 숙련된 기술자가 데이터 분석·시뮬레이션을 통해 설정을 결정했지만, 이 업무를 LTM이 대체한다.

소프트뱅크에 따르면, 2025년 4월경부터 무선 시스템을 개발하고 있는 사내 부서와 협력해 활용을 추진하고 있다고 한다. 실제로 2025년 9월 27일, 도쿄 북구(北区)에서 열린 불꽃놀이 행사에서 통신 품질 예측에 LTM을 활용했다. 과거의 데이터를 바탕으로 구역을 100m의 메시로 구분하여 각 기지국에 접속한 유저 수와 통신 품질을 예측한 결과, 주파수별 통신 품질을 90% 이상의 정밀도로 예측할 수 있었다고 한다.

학습 과정도 고안해 숙련된 기술자가 최적화한 정답 데이터를 지도학습 데이터로써 학습시키고, 더 나아가 최적화하기 전의 파라미터를 가짜 데이터로써 생성. 이를 통해 정답으로 이끄는 프로세스를 학습시키고 있다고 한다.

한편, 실제 운영에 있어서의 신뢰성 담보에 대해서는 “향후에는 기존 시스템을 가드레일로 하지 않고, LTM만으로 담보하는 것을 상정하고 있다”(소프트뱅크 첨단기술연구소의 이나바(稲葉) 과장)라고 한다. 만약, LTM이 부적절한 설정값을 출력하더라도, 기존 시스템이 차단함으로써 잘못된 설정값이 기지국에 적용되는 것을 방지해 운영의 안정화를 도모하고 있다.

-- AI에 의한 지연 문제 해결을 목표로 --
AI for RAN에 대해 소프트뱅크는 모바일 업계 최대급 이벤트인 “MWC Barcelona 2025”(2025년 3월 3~6일, 스페인 바르셀로나)에서 세 가지 유스케이스를 공개했다. (1) 업링크 채널 보간 (2) 사운딩 참조 신호 예측 (3) AI를 활용한 MAC(Media Access Control) 스케줄링이다. AI를 통해 무선 통신 성능이 향상될 수 있다는 것을 보여주었다.

하지만, 이 세 가지 모두 AI의 추론 시간이라는 장벽이 존재한다. 기존의 무선 통신 처리에 AI 처리가 추가되기 때문에 지연이 증가해 통신 업무에 차질이 발생할 가능성이 있다. 구체적으로는, 신호를 처리하는 물리 계층(L1)에서는 처리 시간을 500마이크로초 이내로 할 필요가 있다. 이에 대응하기 위해 처리 시간을 줄이면 AI 성능이 저하되는 상충 관계에 있다.

이에 반해 소프트뱅크가 개발한 것은 Transformer를 기반으로 한 방법이다. 기존의 CNN(Convolutional Neural Network, 합성곱 신경망)을 이용한 방식을 개선해 성능 향상과 처리 시간 단축을 양립했다. 업링크 채널 보간 사례에서는 AI를 사용하지 않은 방법에 비해 CNN을 이용한 제안 방법이 업로드 속도를 약 20% 향상시킨 반면, 새로운 방법은 약 28% 향상시켰다. 또한, 이전의 제안 방법에서는 약 459마이크로초 걸리던 지연 시간이 약 26% 단축, 평균 약 338마이크로초의 처리 시간을 달성했다.

또 하나의 포인트는, 개발한 Transformer 모델이 높은 범용성을 가지고 있다는 점이다. 입출력 차원을 조절하는 어댑터와 디코더 부분만 바꾸면 채널 보간·추정이나 신호 복조(교류신호를 전기신호로 바꾸는 것)와 같은 서로 다른 유스케이스에 대응할 수 있다. 개별적으로 AI 모델을 개발할 필요가 없어 시간과 코스트 절감으로도 이어진다.

학습 데이터가 되는 것은 리소스 블록이라고 불리는 무선 정보를 가진 주파수와 시간에 관련된 2차원 데이터이다. CNN은 이것을 이미지처럼 인식해 필터에 의한 컨볼루션(Convolution) 처리를 실시한다. 이에 반해 Transformer는 어텐션(Attention) 메커니즘을 가지고 있기 때문에 데이터 내의 보다 광범위한 관계성을 인식할 수 있다.

일반적으로 Transformer는 CNN에 비해 처리 부하가 크다. 하지만, 소프트뱅크 첨단기술연구소의 가와이(川井) 씨에 따르면 "Attention 처리는 컨볼루션보다 부하가 크지만, 층 수를 줄일 수 있어 전체적으로는 Transformer가 처리 부하가 적어 지연 시간을 줄일 수 있다"라고 한다. CNN에서 멀리 있는 정보를 참조하려면 주변 정보를 전파시키기 위해 12~16개의 컨볼루션 층을 쌓아야 하지만, Transformer는 전체를 부감할 할 수 있기 때문에 1~4개의 Attention 층만으로 충분하다고 한다.

소프트뱅크는 Transformer 기반 방식이 한층 더 발전할 가능성이 있다고 보고 있다. “Transformer는 ‘많은 데이터를 학습시키면 성공할 수 있는 모델’로 인식되고 있다. 무선 통신과 같이 데이터 양이 방대한 분야에서는 확실히 유효하며, 앞으로도 계속 발전할 것이다”라며(가와이 씨) 기대감을 나타내고 있다.

실제 운용을 위해서는 신뢰성 확보에 대한 과제가 있다. 밀리초 단위의 처리 시간 내에서는 AI가 출력한 이상치를 실시간으로 판정해 대응하기 어렵다. 그렇기 때문에 “오류가 발생하지 않도록 학습시키는 방안과 운영 측면에서의 보완 방안을 공동 연구를 통해 검토하고 있는 단계이다”(소프트뱅크)라고 한다.

AI for RAN 시스템 도입에는 GPU가 탑재된 기지국이 필요하다. 소프트뱅크가 현재 실증을 진행 중인 AI와 RAN을 동일한 범용 서버상에 구현해 융합하는 통합 솔루션 ‘AITRAS’를 포함해, GPU가 탑재된 기지국의 확대에도 관심이 집중되고 있다.

-- 끝 --

Copyright © 2025 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.