川海智库

报告概述

本白皮书聚焦6G智能空口技术，旨在解决传统空口在谱效提升、算法复杂度、大规模用户干扰等方面的瓶颈。报告系统阐述了空口AI的设计理念、评估准则与优化策略，提出“能力-质量-代价”三角均衡模型；设计了智能内生接入网架构以实现连接、计算、数据、AI模型的深度融合；详细介绍了低开销数据集构建方法，包括基于信道物理特征的增强框架、自同步标签生成等。在传输技术方面，覆盖了新型导频设计、信道估计与预测、用户调度与MIMO预编码、信源信道联合编码、无CP波形设计以及多模块联合优化。最后，通过系统级仿真和三套原型样机（集中式/分布式MIMO、超高阶调制）验证了关键技术的性能。该报告为6G空口AI的研发、标准化和商用落地提供了系统性参考。

报告的核心结论

空口AI设计需遵循能力-质量-代价三角均衡模型

报告提出该模型作为评估空口AI技术价值的基本准则，要求在能力（谱效、能效）、质量（推理精度、时延、泛化性）和代价（算力、数据、开销）三维约束中寻求最优解，避免一味追求性能而忽视成本，是实现6G智能空口可持续发展的核心原则。

6G接入网需构建智能内生架构

传统外挂式AI引入方式效率低、能力割裂。报告提出新增数据面和计算面，增强控制面与用户面，通过分层集中控制、功能分类聚合、柔性按需部署，实现连接、计算、数据、AI模型四要素深度融合，为空口AI按需部署提供坚实的架构支撑。

AI可大幅降低空口数据采集和反馈开销

报告提出多种低开销数据集构建方法，如融合通信知识的数据增强框架，利用少量实测数据结合信道统计特征生成高质量数据集，可将实际采集开销降低80%以上、反馈开销降低95%以上；自同步标签生成机制将训练标签采集成本降至近乎零，有效解决AI接收机训练数据瓶颈。

基于图神经网络（GNN）的调度与预编码可同时实现低复杂度和强泛化性

针对大规模MIMO中组合爆炸和干扰协调难题，报告提出基于双GNN的联合学习框架，将调度与预编码分解为嵌套策略。该方案性能接近最优数值算法，推理复杂度降低两个数量级，且能泛化至动态变化的用户数和资源块数，在宽带系统中表现优异。

多模块联合AI设计可显著提升系统谱效和能效

报告通过TDD系统中上行信道估计、预测与下行预编码的联合设计，以及发射机/接收机多模块联合优化，证明一体化AI模型相比独立模块设计可降低导频开销50%以上，提升谱效15%以上，同时降低推理时延和计算复杂度，实现能力-质量-代价的综合提升。

报告回答的关键问题

6G空口AI面临哪些核心挑战？

主要挑战包括：缺少科学的设计评估准则，过度依赖算力追求能力而忽视代价；智能接入网架构缺乏系统设计，数据与计算能力不足；数据集构建开销大且泛化性差；AI模型设计思路单一，缺乏多模块联合与分布式方案；信道获取、调度、预编码等环节存在精度与复杂度矛盾；多模块集成与系统级仿真难度大。报告针对这些挑战提出了系统性解决方案。

什么是“能力-质量-代价”三角均衡模型？

该模型是报告提出的空口AI设计评估准则。其中“能力”指引入AI后的谱效、能效等通信指标；“质量”指AI模型的推理精度、时延和泛化性；“代价”包括数据采集、模型训练、推理所需的算力、资源和复杂度。模型要求在三维约束空间中寻求最优解，以最大化性能与开销的综合性价比，指导空口AI的可持续设计。

如何降低6G空口AI的数据采集成本？

报告提出多种低开销方法：一是基于通信知识的数据增强框架，通过少量实测提取信道统计特征，再借助仿真平台生成与真实环境高度匹配的数据集，可减少80%以上实测开销；二是自同步标签生成机制，利用伪随机算法或导频序列在本地生成训练标签，大幅降低标签采集与反馈成本；三是稀疏采样与插值，例如室内定位仅需22%的全量样本即可达到1米精度。

AI如何改善6G MIMO系统的用户调度与预编码？

报告采用基于图神经网络（GNN）的联合学习框架，将用户调度与MIMO预编码分解为嵌套策略。通过构建调度图和预编码图，利用置换对称性设计模型，使其具备维度泛化能力，可适应动态变化的天线数、用户数和资源块数。推理复杂度比传统数值算法降低50至100倍，性能接近最优算法，并在单小区和多小区场景中均取得显著增益，如20%分位用户速率提升2倍以上。

6G智能内生接入网架构与传统5G有何不同？

传统5G网络仅作为数据管道，无法满足AI数据全生命周期管理与实时性要求。6G智能内生架构在接入网中新增数据面（负责数据采集、存储、转发）和计算面（负责AI训练与推理），并增强控制面与用户面，通过分层集中控制和柔性按需部署，实现连接、计算、数据、AI模型四要素的深度融合。该架构可提供有QoS保障的AI训练和推理服务，支撑网元智能化。

报告中的代表性数据

80%以上

低开销数据采集开销降低

2026年，报告提出的融合通信知识的数据增强框架，基于少量实测数据结合信道统计特征，可将实际数据采集开销降低80%以上，同时将数据反馈开销减少95%以上。

70%

集中式MIMO样机反馈开销降低

2026年，集中式超大规模MIMO样机验证表明，基于时频空信道相关性的AI压缩反馈方案，在保证高吞吐量和高精度余弦相似度的前提下，可降低Etype-II所需反馈量开销的70%。

20.58 bps/Hz

6G AI系统仿真谱效（30km/h）

2026年，在系统级仿真中，6G AI方案（128TXRU、4TXRU）在30km/h移动速度下小区平均谱效达20.58 bps/Hz，相比6G非AI方案的8.05 bps/Hz提升约2.6倍，展示了AI在中等移动速度下的显著增益。

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

  • 6G空口AI技术设计理念：详细阐述“能力-质量-代价”三角均衡设计评估模型、优化策略（降低数据、训练、推理代价）以及基于置换对称性的低复杂度强泛化AI模型设计方法。
  • 6G智能内生接入网架构设计：从需求和驱动力出发，提出“分层集中控制、功能分类聚合、柔性按需部署”的设计原则，给出接入网新增数据面、计算面及增强控制面、用户面的具体功能与接口方案，并介绍CIS-RAN演进架构。
  • 低开销空口AI数据集构建：针对CSI压缩反馈、室内定位、AI接收机三类典型场景，详细介绍融合通信知识的数据增强框架、稀疏采样与插值、自同步标签生成等创新方法及性能评估。
  • 空口AI传输技术（信道信息获取）：包括新型疏密导频与性能检测导频设计、基于簇演化的可泛化信道估计/预测/压缩框架、信道非线性补偿（AI-NC）、无真值信道估计、准多模态信道模型等，配有大量仿真结果和性能对比。
  • 空口AI传输技术（用户调度与MIMO预编码）：覆盖单小区基于双GNN的联合调度与混合预编码，以及多小区基于强化学习、知识图谱的干扰协调与协作调度方案，提供系统级仿真增益数据。
  • 空口AI编译码与波形设计：介绍基于多项式-高斯变分自编码器的无速率信源信道联合编码方案，以及AI辅助的脉冲成形OFDM（无CP）波形设计，给出谱效提升约15.5%的仿真结果。
  • 空口AI多模块联合设计：包括发射端基于主动优化框架的联合信道获取与预编码，以及接收端多模块AI联合接收机（非规则稀疏导频+AI解调），展示导频开销降低50%、谱效提升30%以上的收益。
  • 空口AI多模块集成与系统级仿真：说明如何将多个AI模块（信道误差模型、非线性补偿、调度/预编码）集成至统一仿真平台，并给出5G non AI、6G non AI与6G AI在不同移动速度下的谱效、能效、复杂度对比表与柱状图。
  • 空口AI样机验证：介绍集中式大规模MIMO样机（32通道，反馈开销降低70%）、分布式大规模MIMO样机（联合压缩反馈精度提升18%）和超高阶调制样机（4096QAM下BLER降至10%以下），并提供外场测试环境与结果。
  • 总结与展望：回顾白皮书核心贡献，提出未来将持续聚焦“能力-质量-代价均衡优化”，推进技术创新、原型验证及3GPP标准化，协同产业共建6G生态。

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。

相关报告