摘要—本立场文件提出A4FN，一种面向以无人机为接入节点的飞行网络（FN）意图驱动自动化的智能体人工智能（AI）架构。A4FN借助生成式人工智能与大语言模型（LLM），通过分布式智能体系统实现实时、情境感知的网络控制。该架构包含两大组件：感知智能体（PA），负责语义解析来自无人机搭载传感器的多模态输入——包括图像、音频与遥测数据，进而推导服务等级规范（SLS）；决策与行动智能体（DAA），依据推断出的意图重构网络。A4FN具备智能体人工智能的核心特性，涵盖自主性、目标导向推理与持续的感知—行动循环。该架构专为灾害响应等任务关键型、基础设施受限场景设计，支持自适应重构、动态资源管理以及与新兴无线技术的互操作。本文详述A4FN的架构设计、核心创新点，并探讨下一代飞行网络中多智能体协同与智能体人工智能融合的开放研究挑战。

索引术语—大语言模型（LLM），自主飞行网络，智能体人工智能，生成式人工智能，无人驾驶航空器（UAV）。

无线网络在现代基础设施中扮演着关键角色，支撑着灾害响应、应急通信、环境监测与精准农业等关键应用场景[1]。此类场景不仅要求连接方案具备鲁棒性与可扩展性，更需适应高度动态且不可预测的环境条件。尽管地面无线系统在静态部署中表现有效，但受限于灵活性不足与部署敏捷性欠缺，其在高移动性或时效性敏感场景中面临显著制约。

飞行网络（FN）以无人驾驶航空器（UAV）作为移动接入点与基站，已成为极具前景的替代方案。其具备快速部署、动态覆盖及抵达常规手段难以触达区域的能力[2]。本研究由葡萄牙科学技术基金会（FCT）通过项目FALCON（参考号2023.15645.PEX，https://doi.org/10.54499/2023.15645.PEX）资助。

图1展示了灾害响应场景中飞行网络的典型部署，无人机的机动性使其能够实现具备动态重构能力的无线连接。然而，现实世界的飞行网络部署仍受限于环境感知能力不足，以及对静态配置与人工控制的持续依赖。现有多数方案预设已知用户位置与业务需求——这一前提在实际场景中往往难以成立[1][3]。

人工智能（AI）领域的最新进展，尤其是GPT-4、Gemini与LLaMA等大语言模型（LLM）的突破，为语义推理、意图解析与多模态感知带来了全新能力。这些进展为新一代AI原生网络系统创造了契机，但其在飞行网络自主管理中的应用仍待深入探索。

本立场文件提出面向自主飞行网络的智能体人工智能架构（A4FN），这是一种利用无人机搭载传感与通信能力实现飞行网络意图驱动自动化的概念性架构。意图驱动自动化是指从高层情境自动推导网络需求（意图），继而实施相应的网络重构，无需人工干预或预定义规则。与传统依赖静态配置的飞行网络架构不同，A4FN利用大语言模型的推理能力，从多模态传感器数据中推断用户意图。A4FN通过两大智能体组件将大语言模型驱动的智能嵌入网络控制闭环：感知智能体（PA）语义解析包括图像、音频与网络遥测数据在内的多模态输入，以推导实时服务等级规范（SLS）；决策与行动智能体（DAA）依据推断出的意图重构网络。

A4FN体现了智能体人工智能的核心特性，包括自主性、目标导向推理与持续的感知—行动循环。与地面网络不同，飞行网络必须通过无人机搭载传感器实现的感知，以及通过无人机定位与资源编排实现的行动，直接与物理环境交互。这些特征使飞行网络尤为适合能够解析复杂环境输入并据此调整系统行为的智能体架构。通过将此类智能嵌入控制闭环，A4FN助力实现通用人工智能（AGI）原生通信基础设施愿景[4]，为构建具备韧性、自主性与情境感知能力的无线系统铺平道路。

本文余下章节安排如下：第二节综述飞行网络、大语言模型与基于意图的网络相关研究；第三节详述提出的A4FN架构；第四节概述主要挑战与研究机遇；第五节总结全文。

## 面向自主飞行网络的智能体人工智能架构

A4FN是一种旨在实现飞行网络实时、意图驱动控制的概念性架构。现有飞行网络解决方案往往依赖静态或半静态配置，且重构过程需人工介入，这限制了系统的响应能力与可扩展性——在灾害响应等动态任务关键型场景中尤为突出。

A4FN通过嵌入大语言模型驱动的智慧体组件攻克上述局限，这些组件具备以下能力：i）解析多模态输入；ii）推导具备情境感知能力的服务等级规范；iii）根据动态演变的环境条件重构飞行网络。该架构标志着网络控制从基于规则的模式，向植根于智能体人工智能原则的语义化、目标导向型管理模式转变，显著提升了无人机辅助无线网络的适应性、自主性与可扩展性。

A. 概念架构

A4FN包含两个核心智慧体模块：感知智能体（PA）与决策—行动智能体（DAA）。二者共同构成一个具备语义解析、自主推理与实时重构能力的分布式闭环系统。

整体架构如图2所示。PA部署于无人机机载端，充当系统的感知模块。它基于多模态大语言模型构建，能够融合图像、音频、遥测数据等多样化输入，以推断飞行网络的运行状态。通过语义推理，PA可推导反映用户意图、移动性、业务波动及环境条件的动态服务等级规范。这些实时服务等级规范被传输至部署在边缘侧或云端的DAA，后者掌握飞行网络的全局视图。DAA利用这些信息编排无人机定位、资源分配与网络切片策略，并通过标准应用程序编程接口（API）与网元交互，实现闭环的全自主控制。

以一个森林火灾场景为例：搭载热成像相机、麦克风与空气质量传感器的无人机检测到温度急剧上升、烟雾迹象及表明人员遇险的音频信号。机载PA对此多模态数据进行语义解析，触发一项关键意图服务等级规范，明确要求低时延、高可靠通信保障。该规范被发送至边缘或云端侧的DAA，后者自主调整附近无人机位置，动态分配频谱资源，为应急响应人员优先调度网络切片，并激活补充通信信道（如Wi-Fi 8网状网络），从而在无需人工干预的情况下实现快速自主适配。

B. 核心创新

A4FN方案引入了一系列创新，解决了现有飞行网络架构的多项核心局限。其设计核心在于采用动态服务等级规范生成机制，使PA能够持续解析多模态数据，推导具备情境感知能力的意图驱动服务定义。该能力取代了静态或基于规则的配置模式，使系统能够实时响应用户移动、业务波动与环境变化。

A4FN还借助大语言模型的语义推理能力推进意图驱动重构。该架构摒弃了对底层控制策略的依赖，将操作决策抽象为高阶意图，从而简化了网络编排流程，减少了对人工干预或专家调优的依赖。这种抽象机制支持更直观、更具适应性的网络管理，包括实现自然语言驱动的控制潜力。

此外，A4FN通过集成人工智能驱动或启发式算法，实现了实时无人机定位与资源分配。这些算法使DAA能够在动态环境中自主调整网络拓扑、分配通信资源并管理切片，以维持服务质量。这种按需适应能力降低了时延，提升了能效，并确保任务关键型场景下的运行连续性。

最后，A4FN在设计之初便兼容6G、Wi-Fi 8等新兴无线技术。其面向未来的架构支持在从灾害响应到高密度城市网络等各类部署场景中无缝集成，确保了可扩展性、互操作性及可持续运行能力。

上述创新使A4FN成为面向自主意图感知网络控制的智能体人工智能基础性实现方案。

C. 潜在应用

A4FN特别适用于提升基础设施受限、需求旺盛或快速演变环境下的通信基础设施韧性与敏捷性。在地面基础设施可能瘫痪的灾害响应场景中，它为静态、过度配置的系统提供了一种可扩展的自主替代方案。其智慧体组件能够动态调度异构用户（包括平民与应急人员）的业务优先级，同时优化资源利用效率。

在城市环境中，A4FN可在公共庆典、体育赛事等高密度活动中实现快速部署。其自适应管理覆盖与负载的能力有助于缓解拥塞、保障公平性，并最小化能耗与基础设施占用。

A4FN在环境监测与预警系统中亦具应用潜力。它可为物联网传感器（如气体、温度传感器）提供自主通信支撑，并利用无人机回传实时视频以进行灾害侦测。在灾后场景中，它可作为自愈型网络骨干，恢复连接并支撑协同响应。

凭借灵活性、可扩展性与自主性，A4FN可广泛应用于从临时覆盖扩展到长期基础设施增强的各类运营领域，在这些领域中，智能化、自适应控制至关重要。

D. 与前沿技术对齐

A4FN立足于大语言模型、基于意图的网络及自主多智能体系统的最新进展，攻克了当前飞行网络架构长期存在的局限。大多数现有方案依赖静态拓扑、预定义输入模板或泛化能力有限的强化学习方法。相比之下，A4FN提出了一种植根于智能体人工智能的动态、语义化、多模态替代方案。

该架构通过从多样化传感器输入中生成并解析实时服务等级规范，推动了基于意图的网络技术的发展。这标志着网络管理从基于规则的模板向持续、情境感知适配的转变。通过将大语言模型集成至感知与行动层，A4FN展示了基础模型如何超越传统自然语言处理应用，驱动自主控制。

此外，A4FN还设计为可与当前及未来无线系统（包括5G/6G与Wi-Fi 7/8）无缝集成。其模块化设计支持在从灾区到高密度城市中心等多种环境中部署，并可运行于基础设施扩展与独立组网两种模式。

为确保互操作性，A4FN可通过标准API与软件定义网络（SDN）及网络功能虚拟化（NFV）框架对接。DAA可与切片编排器或5G服务化组件交互，以在接入与回传层强制执行源于意图的策略。与多接入边缘计算（MEC）平台的集成则支持低时延推理与本地化自主决策。通过将可编程基础设施与智能体人工智能推理相结合，A4FN为下一代具备韧性、自适应能力与语义感知的自合成网络奠定了基础。