报告概述
本报告依托IMT-2030(6G)推进组2024年无线智能化关键技术测试工作，聚焦无线AI模型泛化性这一产业化关键难题，在去年测试基础上引入新用例，探索提升模型泛化性的方法。报告详细介绍了多个用例的训练数据来源、格式、大小、模型类型、参数量、内存占用及推理算力等关键信息，并通过中国信息通信研究院提供的第三方信道环境验证平台，测试了AI对移动通信性能的提升效果。报告旨在推动技术共识形成，为产学研各界提供参考。
报告的核心结论
AI模型泛化性是无线AI技术落地的决定性因素
报告指出，无线AI模型在信道环境变化后的性能表现是产业化的关键。通过使用真实空口数据微调或动态自适应模型等方法，可显著提升模型在新场景下的泛化性能，测试验证了这些方法的有效性。
基于AI的智能解调制方案可带来约3%的吞吐量提升
测试结果表明，采用AI替换传统解调制模块，在室内静止和室外低速运动场景下，相较于传统算法可实现约3%的吞吐量增益。通过真实空口数据微调或动态模型选择，能进一步提升泛化性。
多任务联合优化在模型复杂度上具有显著优势
与逐任务优化相比，基于AI的多任务联合优化方案在完成CSI反馈、定位和LOS/NLOS识别等子任务时，模型参数量下降均在90%以上，展示了在性能、空口开销和复杂度方面的综合优势。
基于AI的LDPC译码可提升约6%的吞吐量
通过模型驱动的神经网络学习LDPC译码的可训练参数，测试表明相较于传统LDPC译码算法，吞吐量提升约6%，验证了AI在译码环节的可行性。
报告回答的关键问题
6G无线AI模型如何提升泛化性？
报告指出，通过使用真实空口数据对仿真数据生成的模型进行微调，或采用动态自适应模型选择方法，可显著提升模型在新信道环境下的泛化性能。中国信息通信研究院提供了统一的第三方信道验证平台，验证了这些方法的有效性。
AI在移动通信物理层有哪些应用场景？
报告涵盖了多个用例：智能解调制、信道估计、智能接收机、智能收发机、多任务联合优化、智能译码和PA非线性优化。这些应用通过神经网络替换或优化传统模块，在吞吐量、复杂度等方面带来增益。
无线AI产业化的关键挑战是什么？
报告强调，无线AI模型的泛化性是产业化的关键难题。模型需要在不同信道环境（如室内静止、室外低速运动）下保持性能。报告通过测试不同泛化性提升方法（如数据微调、模型自适应）来应对这一挑战。
报告中的代表性数据
智能解调制吞吐量提升
2024年测试，相较于传统算法，基于AI的智能解调制方案在室内静止及室外低速运动场景下实现的吞吐量提升比例。
多任务联合优化参数量下降比例
2024年测试，与基于AI的逐任务优化方案相比，多任务联合优化在CSI反馈、定位和LOS/NLOS子任务中的模型参数量下降比例。
智能译码吞吐量提升
2024年测试，基于AI的神经网络学习可训练参数的LDPC译码算法，相较于传统LDPC译码算法实现的吞吐量提升。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整报告包含IMT-2030(6G)推进组2024年无线智能化关键技术测试工作的背景与目标，介绍无线AI产业化的关键难题及泛化性研究的重要性。
- 报告详细列出了智能解调制、信道估计、智能接收机、智能收发机、多任务联合优化、智能译码和PA非线性优化等7个用例的测试框架、拓扑图和测试情况分析。
- 每个用例均包含数据格式和模型表，详细列出训练数据来源、格式、大小、模型类型、参数量、内存占用、推理算力等关键信息。
- 报告介绍了泛化性能研究方法，包括使用真实空口数据微调、动态自适应模型选择等，并在不同信道环境下进行了验证。
- 包含测试情况分析部分，描述原型样机测试条件（如室内静止、室外低速运动）、信道环境（SNR、频偏、LOS/NLOS等）以及推理加速方式。
- 报告提供了统一第三方信道环境验证平台的说明，由中国信息通信研究院提供，用于评估模型在切换场景后的性能。
- 附有术语定义表，解释SNR、BLER、BER、PA、DPD、EVM、MCS、RSRP、ACLR、CSI、DMRS、SISO、MIMO等缩略语。
- 最后列出参加单位，包括中国信通院、华为、中兴、中信科、vivo、诺基亚贝尔、小米、紫光展锐、中国移动研究院、中国电信研究院、中国联通研究院等，并提供了联系邮箱。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
