本白皮书由中国移动研究院于2022年2月发布，系统探讨了6G物理层AI关键技术的研究现状、应用场景和技术路线，是业界较早专注物理层与AI深度融合的权威文献。

一、6G物理层AI的驱动力
6G对峰值速率（100Gbps+）、频谱效率（3倍于5G）、连接密度（10^7/km?）、时延（0.1ms）等指标提出极高要求，传统基于模型的物理层设计面临瓶颈。AI技术凭借强大的学习和推理能力，为突破这些瓶颈提供了新路径。白皮书指出，物理层AI的驱动力来自三方面：复杂信道环境下的性能提升需求、大规模MIMO等系统的优化难度、以及新型通信范式（如语义通信）对智能化的内在需求。

二、物理层AI关键技术分类
白皮书将物理层AI技术分为两大类：
1. AI辅助的物理层技术：以传统通信框架为基础，AI模块作为增强组件嵌入，包括AI辅助信道估计与反馈、AI辅助信号检测与译码、AI辅助信道编码、AI辅助MIMO预编码等；
2. AI原生的物理层技术：以AI为核心重构通信流程，端到端学习取代传统模块化设计，包括端到端通信系统、语义通信、AI原生信道编解码等。

三、AI辅助信道估计与反馈
这是物理层AI最成熟的应用方向。利用深度学习（CNN、Transformer等）对信道状态信息（CSI）进行压缩反馈和重建，可显著降低反馈开销并提升估计精度。白皮书分析了多种网络架构，包括CsiNet、CRNet、TransNet等，并讨论了时域相关性利用、空间相关性建模等关键问题。

四、AI辅助信号检测与MIMO处理
针对大规模MIMO系统中的信号检测难题，AI方法可通过学习最优检测器的行为来实现低复杂度高性能检测。在MIMO预编码方面，基于深度学习的预编码设计可联合优化多用户干扰，超越传统迫零（ZF）和正则化迫零（RZF）方案。

五、端到端学习与语义通信
端到端学习将发射机和接收机作为一个整体进行联合优化，打破了传统模块化设计的次优性。语义通信更进一步，只传输信息的语义含义而非比特序列，在信噪比极低时仍能保持有效通信，是6G物理层的前沿方向。

六、挑战与展望
白皮书指出物理层AI面临四大挑战：
1. 泛化能力：训练场景与实际部署场景的分布差异；
2. 实时性：AI推理时延需满足物理层严格的时序约束；
3. 可解释性：深度学习模型的黑盒特性影响系统可靠性；
4. 标准化：AI模块的接口定义和性能评估尚无统一标准。

展望未来，物理层AI将从"AI辅助"逐步走向"AI原生"，最终实现通信与智能的深度融合。