Ученые МФТИ заявили, что нашли способ увеличить пропускную способность 5G на 30–40% по сравнению с существующими подходами. Для рынка это не просто еще одна история про «ИИ где-то помог»: если результат подтвердится в реальной сети, операторы получат шанс выжать больше из проблемного радиоресурса, а разработчики сервисов с жесткими требованиями к задержке — чуть более предсказуемую среду.
Речь идет об алгоритме ALPACA — Asymmetric Loss Prediction Algorithm for Channel Adaptation, сообщает CNews. Его задача — выбирать режим передачи данных в условиях, когда канал связи постоянно «плывет»: абонент движется, вокруг помехи, сигнал отражается от городской застройки, а качество соединения меняется быстрее, чем успевают радоваться красивым цифрам в презентации про 5G. В МФТИ говорят, что алгоритм построен на сверточно-рекуррентной нейросети и позволяет повысить эффективность использования каналов связи 5G и следующих поколений на 30–40%, сохраняя требуемую надежность.
Проблема здесь вполне приземленная и давно знакомая телеком-инженерам. У 5G сильная сторона — высокая скорость, малая задержка и большая емкость сети, но все это работает хорошо ровно до тех пор, пока радиоканал ведет себя более-менее прилично. В жизни он так себя не ведет. Слишком оптимистичный прогноз состояния канала приводит к потерям пакетов и срывам передачи. Слишком осторожный — к неэффективному расходу ресурсов, когда система играет в безопасность и недодает скорость там, где могла бы работать агрессивнее. ALPACA, по описанию разработчиков, как раз и пытается удержаться между этими крайностями: учитывать разницу между завышенными и заниженными прогнозами и заранее оценивать, сколько ресурсов нужно, чтобы не просадить качество и одновременно не душить пропускную способность 5G.
Важная деталь — разработчики привязывают решение не к лабораторной витрине, а к сценариям, где требования действительно жесткие. Научный сотрудник МФТИ Кирилл Глинский отмечает, что классические методы не всегда выдерживают условия, когда задержка должна укладываться в миллисекунды, а вероятность потери пакета — быть ниже 10⁻⁵, особенно если пользователь быстро перемещается. Это уже не история про комфортный просмотр видео в метро, а про классы задач, где нестабильность сети дорого обходится: промышленная автоматика, беспилотники, элементы умных энергосетей, удаленные операции. В таких системах сама по себе высокая средняя скорость мало что значит. Нужна предсказуемость, а именно с ней у мобильной связи обычно самые нервные отношения.
По словам заведующего лабораторией интеллектуальных систем связи МФТИ Евгения Хорова, ALPACA тестировали на данных натурных экспериментов в городской среде и на стандартизованных моделях каналов связи. Это звучит серьезнее, чем очередная демонстрация на синтетике, но все же не отменяет главного вопроса: как подобные алгоритмы поведут себя в промышленной эксплуатации, где помимо физики радиоканала есть еще ограничения оборудования, особенности прошивок, политика вендоров и экономика внедрения. ИИ в телеком-сетях почти всегда упирается не только в качество модели, но и в то, насколько безболезненно ее можно встроить в существующий контур управления сетью. На бумаге можно выиграть десятки процентов; в проде иногда победой считается и то, что ничего не сломалось в час пик.
Российский контекст делает эту новость заметнее, чем могло бы показаться на первый взгляд. По действующим планам связь 5G должна появиться в российских городах-миллионниках не позднее 31 декабря 2027 года. Для этого операторам «большой четверки» обещаны полосы по 90 МГц в диапазоне 4,63–4,99 ГГц, а также возможность использовать частоты, выделенные под LTE, при условии покрытия отдельных зон в крупных городах и применения российского оборудования. Но у этой конструкции есть известные ограничения. Еще весной 2025 года CNews писал, что создание 5G в России потребует более 335 млрд рублей капитальных затрат операторов до 2036 года. Кроме того, при выбранном диапазоне частот потребуется в полтора-два раза больше базовых станций, а сама пропускная способность на этих частотах ниже, чем в так называемом золотом диапазоне. Добавим сюда еще и слабую поддержку диапазона 4,63–4,99 ГГц устройствами: оценки операторов, по данным рынка, колеблются от 5% до 20%.
На этом фоне любой софтверный способ улучшить пропускную способность 5G выглядит особенно уместно. Если железо дороже, частотный ресурс неидеален, а покрытие нужно строить в сложной экономике, желание добрать эффективность алгоритмами становится не модой, а производственной необходимостью. Для бизнеса это означает простую вещь: конкурентное преимущество в телеком-инфраструктуре все чаще будет определяться не только спектром и количеством базовых станций, но и качеством управляющего софта. Для разработчиков сетевых решений, ML-инженеров и системных архитекторов это тоже понятный сигнал: граница между телекомом и прикладным ИИ продолжает стираться, и спрос будет не на абстрактные модели, а на те, что умеют работать под ограничениями реального времени, SLA и радиофизики.
Главная интрига теперь не в том, может ли нейросеть красиво предсказывать поведение канала, а в том, станет ли такой подход частью реальных 5G-развертываний в России. Если ответ окажется положительным, рынок получит редкий для текущих условий бонус: не новую презентацию про цифровое будущее, а вполне прикладной способ экономнее расходовать дефицитный ресурс сети.