## 6G物理层AI关键技术白皮书 - 内容摘要

### 一、背景与前言

本白皮书由中国移动通信有限公司研究院、东南大学、清华大学联合发布。白皮书指出，加快发展新一代人工智能（AI）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的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。

目前AI技术已开始在核心网、网管优化、接入网等领域发挥积极作用。基于AI的空口传输技术（尤其是物理层AI技术）近年来已取得显著进展。大量研究表明，将AI技术融入到新型编码调制、多址、波形设计、预编码、信道估计、信号检测等物理层模块设计中，可带来显著的性能增益。

然而，业界在无线AI技术方面的研究仍面临诸多挑战：缺乏科学公开的数据集；无线AI数据和应用具备独特特征；通信场景复杂多变；无线AI的链路级和系统级性能上界尚不明确。

### 二、物理层AI工作原理

物理层AI设计包含两种主流方法：一是基于AI技术的端到端通信链路设计；二是基于AI技术的通信模块算法设计。

物理层AI的基本工作流程包括：数据采集（基站和终端收集信道信息、干扰信息、终端移动速度等）；模型训练（针对要解决的问题进行AI模型选择与训练）；实时AI空口增强（基站和终端相互配合，实时输出更优的辅助决策信息）；智能调度（调度器基于物理层AI的输入信息进行更优的调度）。

### 三、基于AI的发射机/接收机技术

本章深入探讨了基于AI的发射机与接收机设计，重点指出了模型与数据双驱动的设计思路。

端到端通信具有灵活的可拓展性，可以涵盖多种物理层新功能，包括非正交多址、不同的天线波束赋型架构、智能超表面技术等。

基于AI的发射机/接收机模块算法设计使用深度神经网络模型替代传统发射机中的部分模块。典型案例包括：基于学习的AMP（LAMP网络）用于信道估计；Neural BCJR和TurboNet用于信道解码。

### 四、基于AI的大规模MIMO技术

基于AI的CSI反馈将高维信道信息反馈任务视为端到端的CSI图像压缩恢复任务。基线方案为CsiNet，后续有大量改进方案如CsiNet-LSTM、CRNet、ConvCsiNet、AttentionCsiNet、BCsiNet、CsiNet+等。

基于AI的信道估计通过机器学习方法学习从较少的已知信道信息到完整信道信息的映射。基于AI的信道状态信息预测可根据已有CSI为基础不增加新的空口资源开销而获得未知时频资源CSI的技术。

### 五、无线AI算法评估准则、数据集与泛化性

制订无线AI方案评估准则的第一步为选取合适的评估指标KPI。性能相关KPI主要用途为量化无线AI方案相比于传统非AI方案带来的性能提升。开销相关KPI主要包括：模型复杂度；数据收集与训练；用例相关的无线资源开销；AI算法所需的硬件成本和功耗；提升泛化性所需开销等。

数据集的选择将会从至少三个方面影响无线AI方案的评估：缺乏科学公开的数据集；无线AI数据和应用具备自己独特的特征；无线通信系统的显著特征之一是通信场景复杂多变。

### 六、未来研究与标准化展望

白皮书对未来的研究与标准化提供了一些参考建议：需要建立科学公开的数据集；需要建立统一的评估准则与评估指标；需要提升无线AI方案的泛化性；需要推动无线AI技术的标准化工作。

### 七、总结

本白皮书聚焦目前备受关注且颇具挑战的物理层AI技术，尝试回答业界普遍关心的AI数据集、算法设计、泛化性、未来研究方向和标准化路线图等核心问题，希望能够为业界研究面向2030+的无线AI尤其是物理层AI提供参考和指引。

**关键词**：6G、物理层AI、大规模MIMO、CSI反馈、信道估计、端到端通信、模型与数据双驱动、泛化性