当5G-A“UPF外挂MEC”将搬箱子任务的端到端时延压缩至55ms，却仍面临通信与计算“松耦合”的局限——无线资源调度与计算资源调度各为其政，空口时隙与计算容器周期未能深度对齐。6G通算原生融合的使命，正是打破这道“软墙”。中国移动研究院联合产学研伙伴发布的这份白皮书，系统阐述了6G如何通过QoAIS保障与通算置换两大关键技术，将网络从“连接管道”升级为“智能体服务平台”。

2025年《政府工作报告》首次将“具身智能”列入未来产业重点培育清单，“十五五”规划建议进一步明确将其纳入未来产业前瞻布局。据弗若斯特沙利文预测，2030年全球具身智能机器人市场规模将达到2051亿元人民币，中国本土市场将占685亿元，约三分之一的市场份额。
具身智能机器人的发展正沿着“机械执行→智能交互→通用泛化”的路径加速演进。2025年被业界称为“具身智能基础模型元年”——VLA端到端模型、世界模型、分层大模型等架构密集创新。北美初创企业Generalist AI发布的GEN-0模型首次验证了具身智能模型存在参数激活效应，临界门槛约7B参数，而当前主流商用模型普遍停留在4B左右，主流机器人芯片仅100TOPS算力，运行多模态任务时算力严重不足。
与此同时，硬件瓶颈日益凸显：主流人形机器人续航仅1-3小时，宇树R1定价3.99万元虽已属行业低价，但仍远超普通家庭消费预期。算力、续航与成本的三重夹击，正在催生6G通算融合的产业需求。

当前5G-A网络通过“UPF外挂MEC”架构赋能具身智能，机器人终端产生的多模态传感数据经由基站直接分流至边缘UPF，再由UPF本地卸载至MEC平台进行大模型推理。面向机器人搬箱子场景的实测显示：端到端时延约55ms（视频编解码20ms、上行传输15ms、模型推理20ms），基本满足搬箱子任务的时延需求（≤100ms）。
然而，这一架构仍属“通算弱耦合”——无线资源和计算资源缺乏相互感知与协同，空口时隙与计算容器调度周期尚未深度对齐。当信道质量下降或计算负载增加时，网络无法保障应用的端到端性能需求。面向具身智能差异化任务（实时目标跟踪vs自然语言问答）的QoAIS确定性保障机制尚不成熟。

6G通算原生融合要求在5G-A通信与计算“松耦合”的基础上，进一步具备通信与计算功能的灵活按需编排、算力与无线资源的融合调度能力。在信道环境感知的基础上，支持网内通信、计算、AI模型资源的协同调度和实时置换，通过通算原生融合实现端到端QoAIS需求（时延、准确度、能耗等）的确定性保障。
两大核心需求驱动这一演进：面向机器人QoAIS保障的通算原生融合——网络需根据机器人任务类型、无线信道质量、边缘计算节点负载等信息动态决策模型版本和模型分割点，在无线环境波动时实时触发“以算补通”；面向机器人终端节能的通算原生融合——通过“以通换算”的协同模式降低终端计算负载与峰值功耗，延长单次充电后的有效作业时间。

QoAIS是衡量AI服务质量的基准，指导用户意图与网络通算资源的精细化适配。白皮书提出“意图解析—转译映射—指标生成”的三阶段意图转译机制，依托8B大语言模型算力构建树状决策映射机制，实现用户模糊意图向标准化QoAIS指标的高精度转译。
6G网络新增AI任务控制功能，根据AI服务需求、信道条件和计算资源状态，将QoAIS需求拆解为通信QoS、计算QoS、数据QoS和模型QoS需求。在用户面设计通算资源的实时置换机制，实现通信面传输质量到计算面计算资源的实时映射，保障快速移动场景下机器人的QoAIS需求。

通算置换的核心逻辑是：用低能耗的传输开销置换高能耗的计算开销。机器人将视频、图像、传感器数据以及用户指令上传至RAN侧，由RAN侧完成感知、识别、理解等高计算复杂度任务。当信道条件波动或带宽资源受限时，端侧机器人可对上传数据进行动态压缩、关键特征选择及分层传输。
实测验证表明，以AI机器人环境感知（视频分类）为例，当视频片段数为5时，无论通信条件好坏，终端在网络侧计算方案的传输能耗始终低于本地推理能耗。当视频片段数增加至10时，本地推理计算能耗快速上升而传输能耗增长平缓，两者差距逐渐扩大。高负载AI计算任务下，网络卸载可显著降低终端能耗并延长续航。

6G通算融合赋能具身智能原型样机已完成研制，支持语音、图像、视频多模态输入，可依据意图解析结果自适应完成通信链路、算力资源、AI模型的动态适配。针对无线信号弱等复杂工况，样机可动态配置端网任务负载配比，将高实时性、低算力开销的AI任务下沉至终端本地执行，有效降低终端整机功耗。
6G赋能具身智能实训外场由中国移动联合中关村泛联院、乐聚机器人、罗德与施瓦茨等伙伴共建，已在中国移动（昌平）国际信息港建成并投入常态化运行。外场采用6G工作频段，重点落地机器人超远距离高精度操控、实时自然语言人机对话能力，完成6G大上行增强技术的场景化验证。