【背景】

加快发展新一代人工智能是赢得全球科技竞争主动权的重要战略抓手。面向2030+，6G有望在5G基础之上全面实现数字化，推动社会走向“数字孪生，智慧泛在”的愿景。将AI技术融入无线通信物理层，是6G实现智慧内生的核心技术方向之一。

本白皮书由中国移动通信有限公司研究院联合东南大学、清华大学共同发布，系统阐述了物理层AI技术的工作原理、核心算法、评估准则与标准化展望。

【核心内容】

一、物理层AI的两大设计思路

白皮书指出，物理层AI设计包含两种主流方法：
1) 基于AI的端到端通信链路设计——利用深度学习联合优化整个收发机，打破传统模块化壁垒，实现全局最优误码率性能；
2) 基于AI的通信模块算法设计——针对编码、调制、信道估计等单一模块进行AI增强，降低复杂度并提升性能。

特别强调了“数据模型双驱动”的设计理念：在物理层已有模型基础上，利用深度学习优化特定模块，既能减少训练所需数据量，又保持了模型的环境自适应性和泛化性，相比纯数据驱动方案具有更广阔的发展前景。

二、基于AI的大规模MIMO技术

大规模MIMO是4G/5G的物理层核心技术，但天线规模增长带来了信道估计和反馈开销急剧上升的挑战。白皮书深入探讨了三个关键方向：

? 基于AI的CSI反馈：将高维信道信息反馈视为端到端的图像压缩恢复任务，通过编码器-解码器联合优化，在1/16压缩率下CsiNet-LSTM可达-23dB的NMSE，远超传统码本方案；

? 基于AI的信道估计：通过对信道结构先验信息的学习，在相同参考信号开销下显著提升估计精度。模型驱动的LAMP网络仅需少量数据即可训练，具有实际部署优势；

? 基于AI的CSI预测：利用信道在时间、频率、空间及用户间的相关性，实现零开销的信道信息获取。涵盖RNN、Transformer等多种神经网络架构。

三、无线AI评估准则与泛化性挑战

白皮书提出了系统的无线AI评估框架，包括：
? 性能KPI：NMSE、余弦相似度、误比特率、吞吐量等；
? 开销KPI：模型复杂度（浮点运算量）、数据收集与训练开销、无线资源开销、硬件功耗、泛化性开销等；
? 数据集建立准则：强调统一数据集的重要性，建议结合仿真与真实数据。

四、终极大规模MIMO技术展望

白皮书构想基于AI的终极大规模MIMO技术具有三大特征：
1) 精确的下行信道估计和预测；
2) 以最小反馈开销反馈信道信息，充分结合上下行互异性、用户间相关性；
3) 下行多用户MIMO预编码方案，充分考虑小区内和小区间干扰。

【关键结论】

物理层AI是6G实现“智慧内生”的核心使能技术。当前基于AI的CSI反馈、信道估计和预测已在研究中展现出显著的性能增益。未来需要重点解决科学公开数据集的建立、跨场景泛化性提升、标准化评估框架构建等挑战，推动无线AI从学术研究走向产业化落地。ITU和3GPP已开始相关标准化讨论，物理层AI有望成为最先实现标准化的空口AI技术方向。