本报告由IMT-2030（6G）推进组无线AI任务组编写，系统性地研究了人工智能（AI）和机器学习（ML）技术在6G无线通信中的应用，涵盖物理层、链路层、网络层及语义通信等多个层面，共112页。

一、引言

随着AI算力、算法和数据的飞速发展，机器学习特别是深度学习在图像识别、自然语言处理等领域已展现出超越人类的性能。与此同时，无线通信系统持续向更大吞吐、更低时延、更高可靠性方向演进。AI技术在复杂环境建模、信道预测、智能信号处理、网络智能调度等方面展现出巨大潜力，有望推动6G通信范式的变革。

二、基于AI/ML的物理层技术

物理层是AI应用最为广泛的领域，报告从以下方面进行了详细分析：

1. 无线环境建模与感知：传统随机信道建模和确定性信道建模各有局限，AI可通过采集大量传输环境数据，建立"无线电地图"，为系统调度、功控、波束管理提供辅助信息。基于CNN+LSTM的信道建模、seq-to-seq信道预测、多维信道嵌入等方法展示了良好效果，预训练信道模型具有良好的迁移特性。

2. 信道估计、预测及反馈：包括信道状态信息（CSI）估计、预测和反馈三大问题。数据驱动方法（DNN、CNN）和模型驱动方法（LDAMP网络）各有优势；信道预测可分为时间、频率、空间、用户相关性四类；AI-CSI反馈方案（全信道反馈和隐式反馈）已成为研究热点。

3. 端到端通信设计：利用自编码器概念表示物理层通信过程，实现端到端联合优化，可避免传统分模块设计的性能损失。

4. 信道编译码：基于DNN、CNN、LSTM的Polar码和LDPC码译码算法，以及对抗生成网络译码算法，均展示了优于传统算法的性能。

5. 多天线收发技术：AI在MIMO检测、毫米波混合预编码、波束跟踪、波束漂移抑制等方面有成功应用，MMNet等算法在时变信道下表现优异。

6. 多用户接入与定位：AI可用于活跃用户检测（D-AUD网络）、多用户接入控制和定位技术，在FR1/FR2频段下均展现优势。

三、基于AI/ML的链路层技术

重点讨论了强化学习在功率分配、信道分配、接入控制、链路调度中的应用。基于多智能体强化学习（MARL）的D2D功率分配、基于DRL的用户调度等方法，能以低计算成本智能处理复杂系统的最优控制问题。特别提出了基于智能体（smart agent）的无线资源调度方案，实现自主感知-决策-执行的闭环。

四、基于AI的网络上层技术

1. 无线网络架构：提出基于AI+MEC的无线接入网架构，支持AI模型的训练、推理和更新。
2. 拥塞控制：深度强化学习用于TCP拥塞控制，可自适应调整拥塞窗口。
3. 业务速率控制：AI实现业务感知的速率控制，提升用户体验质量。
4. 需求预测与缓存：协同缓存、内容推送、基于因果性的业务预测等技术有效提升缓存命中率。
5. 无线分布式计算：包括移动边缘计算、AI模型分割、端边云协同的多层次联邦学习架构。

五、基于AI的语义通信

语义通信旨在传输"意义"而非"符号"，AI驱动的语义通信系统架构包括语义编码器、信道编码器和语义解码器，可显著降低传输数据量同时保持语义准确率。

六、无线AI研究数据集

数据集是无线AI研究的关键和难点。报告讨论了数据收集利用、共建共享机制，以及AI伦理规范和隐私保护问题。射线追踪仿真能生成高质量信道数据用于模型训练。

七、产业化前景

AI赋能无线技术具有四大优势：多模块联合优化/端到端优化、数据驱动逼近复杂非线性关系、强化学习自适应演进、通用硬件实现降低成本。手机终端NPU能力持续高速提升，已有支撑无线AI的硬件基础。但内生智能带来模型部署更新、标准化、网络架构变革等挑战，需要在6G设计之初考虑原生支持AI技术。

主要贡献单位：浙江大学、华为、中国信通院、中国移动研究院、清华大学、东南大学、中兴通讯、OPPO、中国科大、北京交通大学、西安电子科技大学等20余家单位。

总结：无线AI是6G的核心驱动力之一，AI/ML与无线技术的深度融合将在物理层空口、链路层调度、网络层架构等各层面带来范式变革，内生智能的6G系统将是实现万物智联愿景的关键。