1、1/68摘摘 要要信息技术的发展伴随着新技术的不断涌现和相互融合。随着信息与通信技术（ICT）向 6G演进，ICT 进一步与大数据和人工智能技术融合，呈现出 ICDT（Information，Communication，Big Data Technology）融合的特征。ICDT 融合的 6G 系统将成为一个端到端的信息处理与服务系统，是通信网络、感知网络和算力网络融合的移动信息网络。大量新技术已成为 6G 设计的候选技术，并在理论、仿真和原型等不同层面得到了验证。本白皮书通过 ICDT 融合新趋势、ICDT 融合的无线空口技术和 ICDT 融合的网络这三个方面，对 6G 潜在技术与方案进行了

2、归纳与总结，并从基本概念，技术原理，关键技术与挑战，三方面对各个潜在技术进行了分析，并给出了相应的技术建议。其中，ICDT 融合新趋势涵盖了通算融合技术、语义通信技术和 AI 大模型技术。通算融合技术基于通信与计算的资源融合共生、功能融合共生、服务融合共生等核心技术能力，实现了无线接入网算力化演进和通算智一体服务升级，推动了资源和要素的高效聚集、流动和共享。语义通信技术关注传输符合的含义和重要性，有望突破通信系统性能受香农理论限制的问题。AI 大模型作为当前最受关注的科学方向之一，在通信网络中持续提升智能自治网络能力。ICDT 融合的无线空口技术包含了通感一体、空口 AI、多址接入、编码调制、

3、超大规模天线（MIMO）和近场技术。这些方向也是对 5G 增强的关键方向。新型空口技术对于构建强连接、强算力、强智能、强安全的 6G 网络至关重要。当前，这些技术已经完成了技术方案与原型方案设计，并正在进行测试工作。在 ICDT 融合的网络架构方面，服务化网络、内生AI、数字孪生网络、多维度组网和用户为中心网络成为研究重点。新型网络架构有助于推动 ICDT 深度融合的 6G 网络向通感算智深度融合、空天地一体全域覆盖的新一代移动信息网络迈进。ICDT 融合的 6G 技术研究正逐步从单点技术研究走向体系化构建和业界共识。本文倡议加强信息通信领域的跨界融合技术研究与协同，以需求为牵引，加快基础理论

4、、瓶颈技术问题的联合攻关和协同创新。同时，注重跨界融合技术创新向应用与服务的转化，培育应用层的产业生态，孵化新业务、新应用。最后，进一步加强国际合作，各国携手，共同夯实 6G 基础，推动其全球化发展。2/68Executive SummaryThe development of information technology is accompanied by the continuous emergence andintegration of new technologies.As information and communication technology(ICT)evolvestowa

5、rds 6G,it further integrates with big data and artificial intelligence technologies,presentingthe characteristics of ICDT(Information,Communication,Big Data Technology)integration.TheICDT integrated 6G system will become an end-to-end information processing and service system,representing an intelli

6、gent network that combines communication networks,sensing networks,andcomputing networks.Numerous new technologies and functionalities have become candidatesolutions for 6G design,validated at various levels,including theoretical,simulation,andprototype stages.This white paper classifies and analyze

7、s potential 6G technologies and solutions through threeaspects:the new trends in ICDT integration,wireless air interface technologies in ICDTintegration,and network aspects of ICDT integration.It proposes corresponding technical systemsuggestions.The new trends in ICDT integration encompass communic

8、ation and computationtechnology,semantic communication technology,and AI large model technology.Communicationand computation integration technology is based on core technical capabilities such as thecoexistence of communication and computation resources,functional integration,and serviceintegration,

9、enabling the evolution of wireless access network computing and the upgrade ofgeneral intelligence services.Semantic communication technology focuses on the meaning andsignificance of transmitted information,aiming to overcome the limitations imposed by Shannontheory on communication systems.AI larg

10、e models,as one of the most prominent scientificdirections,continuously enhance the intelligent autonomous capabilities of communicationnetworks.ICDT integratedwirelessairinterfacetechnologyincludesintegrationofsensingandcommunications,air interface AI,multiple access methods,encoding and modulation

11、,massivemultiple-input multiple-output(MIMO),and near-field technology.These directions are alsocrucial enhancements to 5G.Novel air interface technologies are essential for constructing a 6Gnetwork with strong connectivity,computing power,intelligence,and security.Currently,thesetechnologies have c

12、ompleted the design of technical and prototype solutions and are undergoingtesting.In terms of the network architecture of ICDT integration,service-oriented networks,nativeAI,digital twin networks,multidimensional networking,and user-centric networks are keyresearch directions.The new network archit

13、ecture helps propel the ICDT integrated 6G networkstowards a new generation of mobile information networks with sensing,computation,andintelligence,providing comprehensive coverage across air,land,and space.The research on ICDT integrated 6G technology is gradually transitioning from isolated techni

14、calresearch towards systematic construction and industry consensus.This article advocates forstrengthening interdisciplinary research and collaboration in the field of information andcommunication technology,driven by demand,to accelerate joint tackling of basic theories andbottleneck technical issu

15、es and foster collaborative innovation.Simultaneously,emphasis shouldbe placed on the transformation of interdisciplinary innovation towards application and services,nurturing industrial ecosystems at the application layer,and incubating new businesses andapplications.Finally,further efforts should

16、be made to enhance international cooperation,with3/68countries working together to solidify the foundation of 6G and promote its global development.目目 录录摘摘 要要.1Executive Summary.21.引言引言.52.ICDT 融合融合新趋势新趋势.72.1 通算融合.72.2 语义通信.122.2.1 基本概述.122.2.2 关键技术.132.2.3 应用与挑战.152.3 大模型与无线通信.172.3.1 国内外大模型研究现状.1

17、72.3.2AI 大模型赋能通信业.182.3.3 智慧内生通信网络.20参考文献.203.ICDT 融合的融合的无线空口无线空口.223.1 通感一体.223.1.1 典型应用场景.223.1.2 关键技术与挑战.233.2 空口 AI.243.2.1 典型应用场景.243.2.2 关键技术与挑战.263.3 多址接入.273.3.1 典型应用场景.273.3.2 关键技术与挑战.293.4 编码调制.323.4.1 典型应用场景.323.4.2 关键技术与挑战.333.5 超大规模天线.353.5.1 典型应用场景.353.5.2 关键技术与挑战.363.6 近场技术.433.6.1 典型

18、应用场景.443.6.2 关键技术与挑战.464/68参考文献.494.ICDT 融合的融合的网络网络.534.1 ICDT 融合的网络架构.534.1.1 6G 网络架构概览.534.1.2 三体四层五面架构.534.2 服务化网络.544.2.1 技术概念.544.2.2 典型应用场景和潜在优势.554.2.3 关键问题与挑战.564.3 内生 AI.564.3.1 技术概念.564.3.2 典型应用场景和潜在优势.564.3.3 关键问题与挑战.584.4 数字孪生网络.594.4.1 技术概念.594.4.2 典型应用场景和潜在优势.594.4.3 关键问题与挑战.614.5 多维度组

19、网.614.5.1 技术概念.614.5.2 典型应用场景和潜在优势.624.5.3 关键问题与挑战.644.6 用户为中心网络.654.6.1 技术概念.654.6.2 典型应用场景和潜在优势.654.6.3 关键问题与挑战.66参考文献.665.总结与展望总结与展望.67致致谢谢.685/681.引言引言信息技术的快速发展一直是推动社会进步的引擎。近年来，随着信息技术、通信技术、人工智能、大数据技术、系统控制技术和感知技术的不断融合，我们迎来了 6G 技术的新时代。在 2020 年 11 月的全球 6G 大会上，ICDT 融合的 6G网络白皮书 1.0 正式发布，指出了 6G 将是一个端到

20、端的信息处理与服务系统，核心功能由简单的信息传递扩展到信息采集、信息计算与信息应用，为用户提供更强大的通信、计算、感知、智能和安全等多维内生能力。随着时间的推移，6G技术不断演进。在 2022 年 3 月的全球 6G 大会上，ICDT 融合的 6G 网络白皮书 2.0 发布，聚焦感知、通信、计算融合的网络能力、架构、空口、终端和产业，提出了全新的 6G 方案。进一步地，2023 年 3 月，ICDT 融合的 6G 网络白皮书 3.0 发布，着重介绍了 ICDT 融合的 6G 技术体系，ICDT 融合的无线通信与组网，和 ICDT 融合的架构与功能。过去一年中，全球 6G 技术呈现出加速发展的趋

21、势，其内涵和定位不断延伸，呈现出大数据 Big Data，人工智能 AI，感知 Sensing，信息 Information 和通信Communication 技术融合的新趋势。通感一体化技术、通算网络技术、AI 辅助通信技术以及语义通信技术等不同的融合技术备受关注，学术界和工业界共同努力推动这些技术在理论研究、样机实验和标准化制定方面取得突破。2023 年 6 月，国际电信联盟（ITU）发布了国际移动通信技术面向 2030 及未来发展的框架和总体目标建议书，旨在详细阐述 6G 的发展目标、趋势、典型应用场景以及技术能力指标。这一建议书的发布标志着对未来通信技术的全球共识和引领性方向的明确界定

22、。2023 年 9 月，全球移动通信网络联盟（NGMN）也发布了一份关于6G 的立场声明，该声明紧密关注 6G 技术的定位、创新、业务、运营、原则以及频谱等方面。这一声明的发布不仅在全球范围内强调了对6G技术的共同认知，而且为推动 6G 技术的创新和发展提供了行业层面的引导。2023 年 10 月，ITU-2030（6G）推进工作组成立了语义通信任务组，旨在推动语义通信技术在6G 中的研发和标准化工作。总体而言，这些国际组织和工作组的行动为 6G 技术的规范制定、研发推进以及全球范围内的合作提供了坚实的基础。全球 6G 的发展呈现出跨界融合、多面突破的局面。6/68基于 6G 的最新进展，本次

23、 FuTURE 论坛 6G 工作组在牵头完成了ICDT融合的 6G 网络白皮书 4.0 版本。该版本从三个维度全面介绍 ICDT 融合的 6G技术的发展现状和未来展望，包括 ICDT 融合新趋势、ICDT 融合的无线空口技术以及 ICDT 融合的网络架构。简要阐述不同 ICDT 融合新技术的技术概念、应用场景、关键问题与挑战，并深入探讨其发展趋势。通过本白皮书，我们致力于给出对 6G 技术研究的思考和倡议，助力 6G 技术的进一步发展。7/682.ICDT 融合融合新趋势新趋势ICDT 融合的三大新趋势具体包括通算融合，语义通信和 AI 大模型与通信。一方面，传统通信系统的能力也会随着新技术的

24、出现而进一步加强。另一方面，传统通信技术会与感知技术，大数据技术，人工智能技术进一步融合，对网络的能力和架构产生深远影响。图 2-1 ICDT 融合趋势2.1 通算融合通算融合无线通算融合共生是数字经济进入“算力时代”的背景下，因技术演进需求、业务发展需求和网络基础设施转型升级等多重因素驱动下所诞生的全新技术领域。依托通信与计算的资源融合共生、功能融合共生、服务融合共生等核心技术能力，可实现无线接入网算力化演进、通算智一体服务升级，促进资源和要素的高效聚集、流动和共享，为数字经济增长提供坚实助力。随着万物感知、万物互联、万物智联的数字时代加速到来，全社会的算力需求日益增长，算力网络建设已成为重

25、大国家战略举措。作为国家关键信息基础设施，无线接入网络具有海量基站，对其空闲算力的挖掘利用具有重要经济价值，也是打通全网算力化升级的最后环节。无线接入网络通信与算力的融合演进已经成为推进信息通信基础设施效率与服务升级的重要发展趋势。从技术发展角度看，过去几年，通信、云计算、人工智能、数字孪生等技术的融合已成为下一代网络演进不可阻挡的趋势，在 6G 中已开展 AI 内生、通感8/68一体等关键技术研究，这些新技术对无线接入网络的计算能力提出新的需求，未来网络设计需要综合考虑通信与计算的联合需求，支持技术融合发展，最大化技术优势。从业务发展角度看，云游戏、XR、车联网等新兴业务，具有深度边缘计算、

26、数据本地卸载和确定性移动连接保障的综合需求。同时，面对工业质检、远程控制等千行千面的行业数字化需求，基于通用平台实现的云化基站是解决此类需求的天然载体，若能深耕其内生的算力价值，结合智能化等特性，实现通信与算力的深度融合，将可在最大化系统效率和性能的同时，满足行业低成本、敏捷部署、按需定制等需求，助力国家实现 6G 赋能未来的战略。从网络基础设施效能升级需求看，截至 2023 年底，我国 5G 基站总数达 337.7万个，是 5G 网络投资最重、占比最大的部分。受益于其特有的潮汐效应，无线接入网络具有富足的动态剩余算力，构成算力价值蓝海。它与新能源相似，是一种全新的经济资源，具有极大的经济价值

27、，但又急需通过技术创新进行高效利用。同样地，未来 6G 网络也将组成巨大的算力资源池，贡献海量算力。通算融合场景目前主要面向网络智能化、边缘计算/AI、感知网络等 6G 典型场景。网络智能化是无线通算融合共生的重要场景，通过基站算力池化组网，一方面可实现网络运维优化 AI 下沉，有效支持高负荷小区优化、智能故障与隐患识别等场景需求；另一方面，通过智能化等技术，结合基站本地业务识别等手段，实现关键业务体验保障，例如医院场景中的支付应用、医院自有应用 app 的业务体验保障等；此外，基站 AI 优化、基站/网络协作 AI 等应用也是无线通算融合共生的重要应用场景。基于基站能力拓展的算网业一体服务也

28、是无线通算融合共生重要的拓展场景。一是面向 2C 业务，通过基站算力池化共享组网可满足极低时延以及大带宽应用的本地计算需求，例如 XR 本地业务渲染、元宇宙等；二是面向 2B，通过本地化场景的通信计算业务一体服务，实现业务灵活敏捷部署的同时，有效降低行业应用综合成本。典型场景包括工业视觉 AI 检测、（车联网）智能碰撞预测、（无人机）入侵检测等。国内外企业、电信运营商、行业组织已相继开展无线通算融合相关技术研究。华为、中兴等国内企业，从顶层业务和场景出发，抽象出任务/应用等不同需求，9/68分解到网络和计算功能，着力在算网编排、AI/感知/计算等新任务 KPI 定义、能力开放等方面研究，主要在

29、国内组织 CCSA、IMT2030(国内推进组)输入技术方案，并积极开展技术验证，同时推广企业研发的智能化、计算、平台等产品和方案。爱立信、诺基亚、Intel 等外企，主要关注通算网络演进，着力于 AI、边缘计算等较为成熟的场景加载通算网络技术，主要在 NGAlliance、Hexa-X 行业组织推动通算融合相关的研究内容。2023 年，中国移动在业界提出无线通算融合共生网络架构和技术体系。中国移动认为，无线通算融合共生网络架构设计，要考虑从“功能独立、资源隔离”到“通算融合共生化”，从“烟囱式设计”到“网络平台化”，从“单一能力”到“服务多样化”的范式转变，满足 6G 与 AI 的融合发展、

30、通感一体、多要素融合等需求。图 2-2 无线通算融合共生网络参考架构图 2-2 所提出的无线通算融合共生网络的参考架构包括：基础设施层、网络功能层、管理编排层，其中：1）基础设施层基于海量分布的基站和终端设备载体，提供包括连接、计算、数据和模型在内的虚拟资源。2）网络功能层基于基础设施层提供的新计算资源要素，在传统的面向连接的用户面功能和控制面功能基础上进行增强，面向通算一体服务提供计算的执行功能和计算的控制功能。计算执行功能主要负责计算数据的处理，例如:AI 模型的推理、感知计算等；计算控制功能主要实现对无线算力的感知、计算任务需求的感知、通信和计算的资源的联合调度和实时控制以及通信计算 Q

31、oS 的监控闭环保障等。10/683）管理编排层在传统的无线接入网的运维和管理功能基础上，新增无线计算资源编排管理、通信和计算联合管理编排和无线计算服务的管理编排。管理编排层既可以为本地化的通算融合业务提供服务，也可以与算网大脑对接，将无线侧算力并入大网，提供通信和计算一体服务。IMT2030(国内推进组)提出：6G 应支持包括计算、AI、存储在内的普惠智能，具备算力感知、算力调度、算力共享能力，向业务侧提供算力；无线通算资源融合、无线通算功能融合、无线通算服务融合；系统设计需要考虑的三大方面：计算和通信的资源联合优化；支持分布式计算资源的发现、感知和控制；RAN 侧对终端提供计算服务。并于

32、2023 年 10 月发布 6G 通感融合系统设计研究报告，分析了潜在的计算关键性能指标，提出通感算节点协作、高性能终端计算服务、通算协作、感算协作等关键技术问题。美国 6G 行业组织 NG Alliance 在描述下一代无线网络时，强调了通信和计算的融合。包括以下几个方面：通信和计算的深度融合：实现更高效的数据传输和处理网络功能的虚拟化和软件定义：提出通过网络功能的虚拟化和软件定义来实现通信和计算的融合。统一的通信和计算协议：制定统一的通信和计算协议，支持各种新型应用的数据传输和处理，提高网络的效率和可靠性。人工智能和机器学习的应用：通过利用人工智能和机器学习技术，实现对网络数据的智能分析和

33、处理并发布了6G Technologies for WideArea Cloud Evolution白皮书，提出通算联合编排、动态计算资源编排、能力定制化、数据管理等研究方向。旨在通过引入先进的技术和协议，促进网络虚拟化、软件定义网络、人工智能和机器学习等技术的应用，实现更高效的数据传输和处理。同时，该联盟还将致力于制定统一的通信和计算协议，以支持各种新型应用的需求，提升用户的服务体验。欧盟委员会的6G 旗舰研究组织 Hexa-X 确定并探究所预测的2030 年应用和需求，研究 6G 平台如何通过将通信和传感以及网络计算、智能或空间映射等新型数字服务结合，来满足未来需求，并发布AI 驱动的通信

34、和计算联合设计方案，目标前期进行系统架构、场景应用和关键技术研究积累，后续将通算方案11/68推入全球标准制定和协调阶段。业界研究认为无线通算融合共生，需要从资源、功能、以及服务等三个层面实现。图 2-3 无线通算融合共生三大技术方向（一）资源层面，核心难点是如何发挥泛在无线接入网基础设施价值，以有效满足业务和技术发展需求无线接入网络引入计算任务后，不同业务应用在面向不同计算硬件时，其要求的计算能力有较大差异。另外，统一硬件平台需同时部署无线网络和多样化业务，这对异构算力资源的实时共享、分配和管理等提出全新挑战。通算资源融合以支撑算力资源实时分配为目标，包括三个关键技术：1）可满足多样化调度需

35、求的无线算力度量；2）多维度（如，时延、计算能力）算力模型抽象；3）可向算力实时调度管理平台演进的轻量化云平台。（二）功能层面，核心难点是面向无线网络高动态环境、计算能力的空时波动和碎片化等特性，及通算资源受限约束，如何实现通算一体服务和保障功能融合共生是以面向通信的无线通信功能协议为基础，融合计算和通信流程，支持实时精细化的通信和计算一体控制。随着基站内通讯功能与计算服务功能的进一步融合，越来越多的 AI 能力和计算服务部署于基站内部，这些 AI 能力和计算服务也对无线接入网控制面及用户面提出更高要求，通算功能融合关键技术研究也将围绕控制面增强与用户面增强展开。控制面增强的主要目标是使能无线

36、接入网对计算资源和任务的实时感知，实现计算任务 QoS 闭环保障，关键技术包括：1）支持通信+计算融合控制的无线功能、接口和流程设计；2）面向端到端时延、计算 QoS、能效等多维目标和通信/计算多条件约束下的通算资源联合调度。用户面增强方面，纵向封闭管道式的用户面机制已无法满足计算数据需求，12/68用户面泛在开放、动态路由、一体服务能力将成为演进方向。面向空口 AI、实时渲染等应用需求，需要设计计算服务的数据传输架构，构建灵活、高效、开放的数据传输方案，关键技术包括多样化数据卸载及全连接动态路由等。（三）服务层面，核心难点是如何实现无线通信、计算和智能资源/功能/服务协同动态按需编排和开放编

37、排服务的整体研究目标是构建分布式、层级式的无线通算一体编排体系，实现无线接入网本地化敏捷编排能力。关键技术包括：1）无线通算联合编排功能、接口、流程方案；2）计算服务意图建模、意图转译和(本地)服务开放技术等。无线通算融合共生技术是 DOICT 多域资源及能力的深度融合，是未来实现通感一体、通智一体、通算一体等融合业务的重要基础，可有效助力通信基础设施端到端效率升级，也是无线接入网络向 6G 通算智一体演进的核心技术之一。2.2 语义通信语义通信2.2.1 基本概述基本概述传统通信系统的设计依赖于香农经典信息论，采用基于比特的度量标准来评估网络性能（如误比特率、传输速率等），侧重于解决比特/符

38、号如何正确传输的技术问题。随着通信技术的快速发展，系统容量已经逼近香农理论极限。另一方面，随着通信技术与人工智能的深度融合，智能终端已经能够理解传输任务和场景并自动执行指令。因此，以任务驱动的通信系统的核心是深层语义级的准确性，而不仅仅是浅层比特级的准确性。然而，传统通信不考虑发送信息的内容或含义，难以满足未来 6G 网络中多模态任务的多样化高效传输需求。语义通信是一种新型的通信范式，关注传输符合的含义和重要性而非符号本身，侧重于解决发送符号的含义如何准确传输，以及接收的含义如何以期望的方式影响系统行为的问题6。语义通信将用户对信息的需求及任务语义融入通信过程，通对语义特征的提取、编码、传输和

39、重构，可以大幅提升通信效率和用户体验，满足未来的通信需求，因而受到了全球学术界和工业界的广泛关注。13/68目前对语义通信的研究主要分为两类。一类是基于经典信息论的基础理论研究，主要侧重于语义信息论的构建7。例如，使用逻辑概率代替统计概率来定义语义熵。受到香农信息论的启发，语义信息论包含语义熵、语义率失真、语义信道容量，分别用于解决语义信息的度量问题、语义编码与失真问题、最大语义通信量问题。虽然语义信息论受到了一定的关注，但目前仍然缺少一个完整且有效的数学框架来描述语义信息论。语义通信中的另一类研究是基于人工智能的系统设计研究，主要侧重于语义特征提取、编码和传输等算法的设计和优化。近年来，随着

40、数据处理能力的不断提升，深度学习赋能的语义特征提取方法已成功应用于各种类型的信源。例如，通过自然语言处理技术提取文本信息的语义特征、通过计算机视觉和模式识别技术提取图片信息语义特征。另外，在各类任务驱动的语义通信系统中，基于强化学习的调度和传输策略也得到了广泛研究。随着人工智能的快速发展，语义通信在多媒体通信、增强现实、沉浸式通信等领域展现出广阔的应用前景。2.2.2 关键技术关键技术语义通信的系统模型图 2-4 所示。与传统通信不同，语义通信中添加了知识库，并用语义编码/解码取代了传统的信源编码/解码模块。语义知识库同时部署在发射端和接收端，代表双方共享的通用知识。语义编码器用于提取与底层传

41、输任务相关的语义特征。语义解码器用于根据接收的特征重建相应的语义。除了物理信道，语义通信还引入了虚拟的语义信道的概念，语义噪声是由收发两端的知识库或语义不匹配所导致的。在知识库的帮助下，语义通信只传输与任务最相关的语义特征，而不是全部原始数据，因此冗余数据大部分可以被去除，网络效率进一步提高。图 2-4 语义通信系统模型语义通信系统中的关键技术主要涉及以下几个方面：14/68语义语义-信道联合编解码：信道联合编解码：由于传统的信源编码和信道编码技术已经接近各自的理论极限，因此信源信道联合编码技术受到了广泛研究，研究表明联合设计优于分开的模块化设计。信源信道联合编码的基本思想是在高信噪比条件下为

42、信源编码分配更多比特，以提高系统的传输效率；而在低信噪比条件下为信道编码分配更多比特，以抵抗噪声的负面影响。在语义通信系统中，语义编码器取代了传统的信源编码，利用深度神经网络用来提取输入信息的语义特征，可以降低通信量。如图 2-5 所示，受到信源信道联合编码的启发，语义-信道联合编码受到了广泛关注，是语义通信中最重要的技术之一。在训练深度神经网络时，通过在信道特征中加入信噪比的值，语义-信道联合编码可以实现在有噪环境中的语义特征提取。由于深度学习算法的快速发展，语义-信道联合编解码已经被用在各类信源中8,9，如文本、图片、音频等，尤其在低信噪比条件下，系稳定性大幅提升。图 2-5 语义-信道联

43、合编码模型基于语义的调制和传输基于语义的调制和传输：在基于深度学习的语义通信系统中，编码器的输出信号是连续的浮点数。为简化起见，一些研究考虑通过模拟调制对输出的连续信号直接进行传输，而无需将其离散化为星座符号。但是这样的调制假设过于理想，由于硬件的限制，很难在实际中部署。与模拟调制相比，数字调制对噪声的影响较小，并具有更高的容量。因此，基于语义的数字调制传输技术变得至关重要。目前主要的方式是对连续信号进行量化，离散化之后映射成星座符号进行传输。一部分研究采用均匀量化的方式，将深度神经网络的输出等距的映射成符号；另一部分采用非均匀量化的方式，通过部署一个额外的神经网络，将连续的信号映射成生成星座

44、符号的可能性，再根据概率选择适合的星座符号，这种“软映射”15/68的方式能够在语义通信系统中实现鲁棒传输10。语义通信系统中的资源分配语义通信系统中的资源分配：无线资源分配一般可以被建模为一个有约束的数学优化问题，其目标是在各种因素之间（例如能效、传输延迟和吞吐量）取得平衡，进而实现最优的系统性能11。为了保证语义通信的质量，传统的基于比特的优化目标（例如，最小化误比特率）已经不再适用，因此设计新的优化目标来评估语义的价值是一个重要研究方向。语义通信的新指标包括语义速率、语义频谱效率和语义体验质量等。例如，已有工作在单模态文本传输系统中实现了语义频谱效率的最大化，以及在多模式语义通信系统中实

45、现了语义体验质量的优12。2.2.3 应用与挑战应用与挑战1)能否类比经典信息论建立语义信息论？能否类比经典信息论建立语义信息论？经典信息论提供了一个全面而通用的数学框架，并给出了理论极限，在通信系统设计方面取得了巨大成功。在其启发下，许多研究人员尝试发展语义信息论。具体来说，通过用逻辑概率取代统计概率提出了语义熵。通过添加语义特征之间的失真，探讨了语义率失真定理等。尽管在语义信息论方面付出了很多努力，但仍然没有一个语义熵或语义信道容量的广泛接受的定义。与传统的比特级通信系统不同，语义通信是以任务和目标为导向的。因此，可能并不存在一个通用的数学框架来描述多模态数据的语义通信系统。我们认为，语义

46、熵或语义信道容量应该与底层传输任务和背景知识库相关，并且它们需要根据不同的环境进行重新设计。2)现有的度量指标能否评估语义通信系统的性能？现有的度量指标能否评估语义通信系统的性能？合适的度量指标是设计无线系统的基础。例如，在训练深度神经网模型时，它们在损失函数的设计和参数的选择中发挥着至关重要的作用。尽管一些工作已经开始从各种角度（例如准确性和及时性）来研究各种数据源（例如文本、图像和语音）的语义度量，但在实际应用语义通信系统之前，仍然需要更为适当且系统化的性能评价标准。除了用传统的客观指标来衡量系统性能，语义通信系统还需要能够评估人的感受的主观性能指标。此外，现有的语义度量是针对特定类型的数

47、据源开发的，因此还很重要开发通用的度量标准（类似于传统无线通信中误16/68码率），以评估具有多模或任务网络的系统性能。3)如何解决由于使用如何解决由于使用AI所导致计算开销过大的问题？所导致计算开销过大的问题？IMT-2030提出，人工智能和通信融合是6G的预期使用场景之一，因此将人工智能整合到无线通信系统的需求日益增长。现有的语义通信系统主要由深度神经网络驱动，需要额外的计算资源，并可能导致很高的计算开销。因此，在实际应用语义通信时，网络性能和计算能力之间存在着一个微妙的权衡。幸运的是，部分新型终端设备配备了支持语义通信所需的计算能力。并且，边缘智能通过将计算资源分布到网络边缘可以实现快速

48、数据交换，云智能也可以提供额外的计算资源。此外，算力网络作为一种新的架构，可以集成各种计算资源，并以协作的方式在用户之间共享，为实现语义通信注入了新的可能。4)语义通信系统中的隐私和安全语义通信系统中的隐私和安全信息隐私和安全是各种无线通信系统中最重要的问题之一。鉴于语义通信系统仅传输部分重要数据（即语义特征），解码过程依赖于接收方的知识库，因此在一定程度上，语义通信是一种可以保护隐私和安全的方法。然而，由于只传输重要数据，一旦语义信息被窃听，可能会导致极其严重的影响。语义通信系统包括物理信道和语义信道，因此在传输过程中对语义特征进行加密，以及保持知识库之间的匹配是实现安全通信的两个方向。尽管

49、加密语义特征可以保护隐私，但引入额外的安全编码可能会增加通信开销。因此，需要根据不同的传输任务，动态的处理数据安全和传输效率之间的权衡关系。5)语义通信在语义通信在6G中的应用以及标准化中的应用以及标准化语义通信被视为6G中增强现实和沉浸式通信的强大推动因素，进而连接虚拟世界与物理世界。随着无线通信技术的发展，IMT-2030旨在增强和丰富沉浸式体验，拓展覆盖范围，实现智能协作。在6G中，沉浸式通信在实时性和容量方面有着非常严格的要求。语义通信能够从各种信号中提取语义，如动作、手势和语音等。通过去除不必要的信息，可以减少传输数据的量，并保证无缝数据交换。语义通信可以有效减轻下行压力，为增强现实

50、和沉浸式通信的实现提供了新的动力。17/682.3 大模型与无线通信大模型与无线通信随着人工智能的快速发展，在大数据、云计算等关键技术的共同推动下，以ChatGPT 为代表的 AI 大模型大量涌现，提供了高度智能化的人机交互体验和极富创造力的内容生成能力，改变了人们的工作和生活方式，并迅速在全球范围内掀起了大模型的热潮，开启了人工智能新纪元。而通信系统作为现代信息化社会的基础，对于更高效、更稳定、更智能的需求也日益增长。随着 5G 无线通信网络的发展，无线网络的架构不断升级，终端类型和业务应用也日趋增加。一直以来，在通信方面存在许多传统方法难以精确建模或高效求解的技术难题，而 AI 大模型展示

51、出的潜力，让业界普遍认为，大模型技术不仅在自然语言处理、计算机视觉以及多模态领域有广泛的应用前景，而且在通信网络中同样能够促进智能自治网络能力的持续提升。此外，AI 大模型的快速发展和广泛应用，也需要有大带宽低时延高可靠的通信网络来支撑。因此，将 AI 大模型与无线通信相结合进行研究具有重要意义。2.3.1 国内外大模型研究现状国内外大模型研究现状大模型源于自然语言处理领域，指的是具有庞大的参数规模和复杂程度的机器学习模型，通常我们所提到的大模型是大规模语言模型（Large Language Model，LLM）的简称。从参数规模上看，AI 大模型先后经历了预训练模型、大规模预训练模型、超大规

52、模预训练模型三个阶段，参数量实现了从亿级到百万亿级的突破。根据模态支持，AI 大模型可分为自然语言处理大模型，机器视觉大模型、科学计算大模型等。根据应用领域，大模型可分为通用大模型和行业大模型两种。通用大模型具有强大泛化能力，相当于进行了“通识教育”，而行业大模型则是利用行业中的知识对大模型进行微调，相当于进行了“专业教育”。目前，全球各国都保持着对大模型的高度关注。在美国，以 OpenAI、Anthropic等初创企业和以微软、Google 等行业巨头在 AI 大模型的道路上飞速前进。英国政府则于 2023 年 4 月宣布，向负责构建英国版人工智能基础模型的团队提供 1亿英镑的起始资金，以加

53、速人工智能技术的发展。日本和韩国也加入了 AI 大模型研发，并且在垂直应用方面进行了比较多的探索。目前，国外 LLM 的主要发布机构有 OpenAI、Anthropic、Google 以及 Meta18/68等，这些模型参数规模以百亿级和千亿级为主。发展至今，国外的头部 GPT 大模型主要包括 ChatGPT、Claude、Bard 和 Llama 等。其中 Bard 在谷歌发布了最新版原生多模态大模型 Gemini 后，也正式更名为 Gemini。在这场全球参与的竞争中，我国也紧跟步伐。国产大模型加速发展，纷纷走出实验室，面向大众接受考验，包括科大讯飞的“星火”、腾讯的“混元”、阿里的“通义

54、千问”、华为的“盘古”、百度的“文心一言”以及中国移动的“九天”等。数据显示，截至 2023 年 11 月底，中国市场发布的大模型已超 300 个。2.3.2AI 大模型赋能通信业大模型赋能通信业AI 大模型可作为工具用来提升信息通信服务能力，例如可以用通信网络的海量数据来训练通信网络大模型，并利用大模型在自然语言上的强大能力改进智能客服等运营服务功能。此外，ChatGPT 等大模型的运行和服务对算力和网络有着较高的要求，这在一定程度上推动了算网融合的建设，促进了信息通信技术演进。大模型通过在海量无标注数据上进行预训练学习，再通过微调少量标注数据得到领域专用模型。因此大模型强大的自然语言理解和

55、生成能力，可以使其在通信领域实现广泛的应用。下面介绍了 AI 大模型在通信领域的几个典型具体应用场景。图 2-6 大模型在通信领域的应用19/68智能客服传统的人工客服每天需要服务大量客户，面对庞大纷杂的信息需求，如何快速识别用户需求并高效提供准确服务是一个重要的问题。AI 大模型可以对通信服务进行智能优化，在语音助手、智能推荐、个性化服务等多个方面提高客户服务的质量和效率，满足客户日益增长的个性化需求，提升交互体验，从而帮助企业更好地了解客户，提高企业竞争力和盈利能力。例如，通信运营商的客服热线引入 AI 大模型后，可以自动识别语音内容和用户的情感状态，选择合适的自动回复，减轻话务人员的工作

56、量。智能开发随着通信技术的更新换代，各种新型通信设备不断涌现，需要进行大量的研发和测试工作，这一过程要消耗大量的人力和时间。利用 AI 大模型，可以通过学习通信领域的软件或系统开发过程中的原型，辅助进行需求分析和原型设计，帮助开发团队和利益相关者更好地理解系统的工作流程和功能，从而提前发现问题和改进需求。大模型还可以对通信设备进行虚拟化测试，验证设备的性能和稳定性，快速迭代改进，加速产品的上市和推广。这在进行通信新产品规划设计时可以提供参考，节约了制定方案的时间，提高了效率。网络优化针对数据业务核心网、电路交换核心网、无线接入网等通信网络，随着流程和业务的多样化，网络运营的压力也在不断增大。通

57、过应用 AI 大模型，可以识别网络拥塞、性能故障等问题，对通信网络进行模拟仿真，评估网络的性能指标，并给出优化建议。AI 大模型还可以通过分析历史数据和监测结果，对其变化趋势进行预测，从而平衡网络负荷，保障用户的网络体验。例如，对一些流量较大区域、时段可以提前预测并进行配置调度，对流量较小区域、时段实现智能关断部分基站设施，从而达到节约成本的效果，保障通信网络处于最佳工作状态。网络运维传统通信网络运维中，工作人员需要通过手动巡检和数据分析等方式获取网络状态信息，这种方式效率较低。通过在网络运维运营层面引入 AI 大模型，可以实时高效监测网络状态信息，识别潜在的故障和问题。它可以分析网络设备的性

58、能指标、日志数据和告警信息，及时发现异常情况并进行故障诊断和预测。例20/68如，在异常检测中，可以通过大模型技术来加强对日志文本的理解，按照模板进行日志解析和数据构建，并完成告警压降、异常检测、故障预测和诊断等任务，以便采取相应的维护和修复措施，从而有效地提高网络的可靠性和稳定性。2.3.3 智慧内生通信网络智慧内生通信网络未来，人类将进入智能化时代，与人工智能技术深度融合构建智能内生网络已成为 6G 网络的重要特征。因此，6G 网络需要在架构设计之初就全面考虑与AI 的深度融合，充分认识 6G 网络的性能需求和面临的挑战，设计满足新一代无线通信系统的网络架构。目前，6G 智能内生网络的架构

59、，包括系统架构、功能和流程等相关研究都在逐步进行中。中信科移动提出了具备“一超多体原子化”特征的 6G 智能内生网络系统框架13；中国移动提出了“三体四层五面”6G 总体架构，从空间视图、逻辑视图和功能视图多个角度分析 6G 网络架构14；中国电信和中兴通讯联合提出“三层四面”的 6G 网络智能化架构，包括云网资源层、网络功能层和应用使能层，以及控制面、用户面、数据面和智能面15；IMT-2030（6G）推进组提出了面向智能内生的体系框架，并从功能、服务、部署、控制和执行多个视角全面分析了对智能内生架构的要求16。AI 大模型与通信网络的深度融合，将使智能成为网络的“基因”，从而构建AI 为基

60、础的新型智能通信网络，推动人们加速走向智能普惠的时代，真正实现“万物智联，数字孪生”的美好愿景。参考文献参考文献1 IMT-2030(6G)推进组：2023 年 6G 通感融合系统设计研究报告2 Nan Li,Qi Sun，Xiang Li，Fengxian Guo，Yuhong Huang，Ziqi Chen,Yiwei Yan，MugenPeng,“Towards the Deep Convergence of Communication and Computing in RAN:Scenarios,Architecture,Key Technologies,Challenges and

61、Future Trends”，China Communications，2023,Vol.20,Issue(3)3 Qi Sun,Nan Li,Chih-Lin I(Fellow,IEEE),Jinri Huang,Xiaofei Xu,Yuxuan Xie,“IntelligentRAN Automation for 5G and Beyond”,IEEE wireless communications,20234Yuhong Huang,Nan Li,Qi Sun,Xiang Li,Jinri Huang,Ziqi Chen,Xiaofei Xu,Chih-Lin I,“Communica

62、tion and Computing Integrated RAN:A paradigm shift for Mobile Networks”,IEEENetworks,2024.21/685 Guo,Fengxian,Mugeng Peng,Nan Li,Qi Sun,Xiang Li,“Communication-ComputingBuilt-in-Design in Next Generation Radio Access Networks:Architecture and Key Technologies”，IEEE network 2023.6 Z.Qin,F.Gao,B.Lin,X

63、.Tao,G.Liu,and C.Pan,“A generalized semantic communicationsystem:from sources to channels,”IEEE Wireless Commun.,vol.30,no.3,pp.1826,Jun.2023.7 J.Bao,P.Basu,M.Dean,C.Partridge,A.Swami,W.Leland,and J.A.Hendler,“Towards atheory of semantic communication,”in Proc.IEEE Netw.Science Workshop,Jun.2011,pp.

64、110117.8 H.Xie,Z.Qin,G.Y.Li,and B.-H.Juang,“Deep learning enabled semantic communicationsystems,”IEEE Trans.Signal Process.,vol.69,pp.26632675,Apr.2021.9 Z.Weng and Z.Qin,“Semantic communication systems for speech transmission,”IEEE J.Sel.Areas Commun.,vol.39,no.8,pp.24342444,Aug.2021.10 Y.Bo,Y.Duan

65、,S.Shao,and M.Tao,“Learning based joint coding modulation for digitalsemantic communication systems,”in Proc.IEEE WCSP,Nov.2022,pp.16.11 Z.Ji and Z.Qin,“Energy-efficient task offloading for semantic-aware networks,”in Proc.IEEE ICC,Jun.2023,pp.35843589.12 L.Yan,Z.Qin,R.Zhang,Y.Li,and G.Y.Li,“Resourc

66、e allocation for text semanticcommunications,”IEEE Wireless Commun.Lett.,vol.11,no.7,pp.13941398,Jul.2022.13 S Bao,W Sun,H Xu.A Native Intelligent and Security 6G Network ArchitectureC.2022IEEE/CIC International Conference on Communications in China(ICCC Workshops),2022:395-400.14 中国移动.中国移动 6G 网络架构技

67、术白皮书R.2022.15 中国电信研究院,中兴通讯.6G 网络架构展望白皮书R.2023.16 IMT-2030.面向 6G 网络的智能内生体系架构研究报告R.2022.22/683.ICDT 融合的融合的无线空口无线空口3.1 通感一体通感一体3.1.1 典型应用场景典型应用场景移动通信从传统通信功能到感知功能的拓展，是支撑千行百业数字化转型、实现 6G 新业务蓬勃发展的重要环节。无线感知，主要包括定位、运动检测和成像，长期以来一直是与移动通信系统并行开发的一项单独技术。定位是移动通信系统直到 5G 唯一可以提供的感知服务，主要面对的是发射信号的终端和汽车等有源设备。而在 6G 中提供更广

68、义的感知业务，及提供有源设备和无源物体的感知能力1。通感一体化的能力将使移动通信系统运营商能够提供许多新的服务。这些服务包括高精度的定位、跟踪、生物医学和安全应用的成像、同步制图以自动构建复杂室内或室外环境的地图、污染或自然灾害监测、手势和活动识别、缺陷和材料检测以及许多其他服务2-4。隐藏物体成像物品探测安全检查图 3-1 感知典型应用这些服务反过来将为未来的消费者和垂直行业提供各种业务的应用场景。不同应用/行业（垂直行业、消费者和公共服务）的用例分为四个功能类别（高精度定位和跟踪；同步成像、映射和定位；增强人类感知；手势和活动识别）。还值得一提的是，6G 网络除了利用通信信号，提供感知这项

69、新服务外，感知结果还可以用于协助通信5和定位，再次用于通信网络性能优化。在智享生活方面，通感一体化可以服务智能家居（如家居控制、安防监控、行为监测等）、医疗健康（如呼吸及心率监测、太赫兹成像、光谱检查等）以及文化娱乐（如 XR 等）。在智赋生产方面，通感一体化可以推动智慧工厂、无人机以及车联网等产业的升级。在智焕社会方面，通感一体化可以助力环境监测（如降雨量/大气湿度测量、污染气体检测、空气质量监测等）、公共安全（如安检、23/68电子围栏等）以及城市管理等。图 3-2 网络协作通感应用场景按照未来通信和感知融合的情况，应用场景将向着广度和深度两个方向发展，应用场景的广度主要指对通感融合场景多

70、样化研究，进一步梳理出广泛的应用场景，从而为技术研究提供更为宽广的适用空间，引发更多行业伙伴的共鸣，提升技术的行业影响力；应用场景的深度主要是考虑对优势场景的梳理，从技术可达和场景需求紧迫性的角度进行场景的选取和探讨。3.1.2 关键技术与挑战关键技术与挑战在 6G 中，通信和感知业务都需要考虑信道模型。这给信道建模方法论带来了重大挑战。在 5G 之前，随机信道建模方法由于计算复杂度低，易于标准化，主导了无线通信的评估，并在 3GPP-SCM、WINNER-I/II、COST 2100 和 MESTIS等许多项目和标准中使用6，它足以评估通信性能。然而，由于感知应用的多样性，统计模型难以满足不

71、同应用的多样化要求。在空口设计方面，感知和通信的信号设计主要集中在联合波形设计上 7-8。其主要挑战是通信和感知的 KPI 相互矛盾。特别是，通信的主要目标是最大限度地提高频谱效率，而感知的最佳波形设计则侧重于参数估计分辨率和精度。目前的技术水平表明，为了在良好的通信和感知性能之间取得平衡，波形还有一定设计空间。同通信连续性类似，感知业务也需要保证连续性，而连续性可以通过感知模式的切换和（或）感知节点的切换来实现。对于感知节点的切换及选择技术的挑战主要集中于空口信令的设计，需要明确信令交互流程以及具体的信令内容，如：24/68感知源节点和目标节点之间交互感知配置信息、感知相关数据、（部分）感知

72、结果等。在算法方面，高精度感知算法是实现网络协作通感的关键。在实际网络中，需要结合算法性能、资源开销、复杂度等因素优化设计感知算法，实现通信与感知性能的最优。此外，NLOS 环境引入感知误差，如何实现 NLOS 环境下高精度感知需要进一步研究。在通感一体系统的设计中，基带和射频硬件共享是一个重要的重点领域。通信感知硬件一体化解决方案降低了两个系统之间的整体功耗、系统尺寸大小和信息交换延迟，同时也促进了感知和通信在失真校准和补偿中的互利。但需要注意的是，鉴于通信和感知在评估指标和算法上的差异，硬件要求大不相同。作为权衡，考虑传统通信硬件的失真参数对感知性能的影响。通感互助领域中，在通信中使用感知

73、获得的信息以提升性能可能是引入通信一体化的重要好处之一。感知通过回波以获得环境信息，以得到更确定性和可预测的传播信道。感知提供的环境知识不仅提高了 mmWave 中信道估计的准确性，也可以提供波束对准信息，或者减少链路阻塞，从而显著降低开销。移动通信网络也为合作感知提供了巨大的机会和好处。多节点（基站、UE 等）协作是获得协作通感空间增益、联合处理增益的有效途径，多个网络节点（基站、UE 等）可以作为一个完整的感知系统发挥作用，通过调度多节点、融合多维信息实现特定区域内目标的高精度、超分辨感知。如何融合处理协作多节点的多维信息从而最大化协作接收增益是多节点协作的核心问题。这里的主要研究挑战将在

74、于同步、联合处理、信息传递与压缩、网络资源分配等，以在低开销下实现最佳的感知融合结果。3.2 空口空口 AI3.2.1 典型应用场景典型应用场景空口 AI 的典型应用场景包括两个方面：一是通过 AI 学习提升空口性能，利用端到端 AI 实现空口定制优化，结合感知能力，构建一个高度智能的无线空口，并推动空口的自我演进；二是将智能深度集成到无线网络，通过无线空口使能大25/68规模分布式训练、实时边缘推理，为用户提供适应不同应用场景的智能能力和高性能 AI 服务。图3-3 无线端到端智能通信系统图3-4 智能无线资源管理AI 使能空口极致性能，典型的应用场景包括智能信号处理和智能无线资源管理。智能

75、信号处理：智能信号处理：利用 AI 方法，可以改变当前通信系统物理层信号处理链路逐模块优化的设计思路，实现端到端的收发机联合优化13。具体用例包括无线信道建模、信道估计/预测/反馈、信号处理优化、智能收发处理、以及定位与感知等14,15,16。智能无线资源管理智能无线资源管理：基于 AI 的无线资源管理能够快速响应复杂多变的链路环境、资源特性和业务需求，智能地处理复杂链路的多用户、多目标、高维度优化决策问题。具体用例包括 MAC 层调度、MIMO 配对、功率控制、MCS 选择等，RRC 层的切换、负载均衡等17,18。26/68a)分布式分布式AI模型推理服务模型推理服务b)分布式分布式AI模

76、型模型训练服务训练服务图图3-5 空口使能高效分布式空口使能高效分布式AI服务服务空口使能高效分布式 AI 主要是通过无线空口为 AI 提供多种支撑能力，使得AI 训练/推理可以实现得更有效率、更实时，典型的应用场景包括分布式 AI 模型推理和 AI 模型训练服务。分布式分布式 AI 模型推理服务模型推理服务：在分布式 AI 模型推理服务中，利用融合通信与计算的能力，通过模型协作，为用户提供实时的高精度模型推理业务，让计算能力受限的终端也可以享受高性能 AI 服务。模型推理服务可以充分利用边缘网络节点的计算和模型资源并通过无线空口，提供更低时延的高精度模型推理服务19。分布式分布式 AI 模型

77、模型训练训练服务服务：在大规模分布式模型训练中，通过无线空口为分布式智能体之间的数据或模型参数交互提供高速通道和高效调度机制，支持快速的模型融合与分发，实现模型训练与用户隐私保护。终端利用本地数据训练模型，并通过空口上传到网络，网络将各终端模型进行融合分发，实现用户的联合学习20。3.2.2 关键技术与挑战关键技术与挑战空口 AI 的关键特征包括数据驱动、持续学习、动态无线环境等，相应的关键技术包括数据集构建、在线学习、分布式学习等。数据集构建是 AI 方法的基础和前提。典型的无线 AI 研究数据集可以包括信道数据集、环境数据集、经验数据集、用户画像数据集和预训练模型数据集等子数据集集。各个子

78、数据集在无线通信的过程中实时收集，甚至通过预训练模型的训练和推理，这些数据可以用于辅助通信中的各个任务，让网络变得更加智能21。在线学习可以使发送端和接收端都基于神经网络处理收发信号并适应传输环境变化，发射机则可通过接收相应的反馈信息完成相关的优化。发送机和接收机之间的无线信道是空口 AI 区别于传统 AI 的关键特征之一，空口 AI 在线学习27/68的反馈信号需要针对无线信道进行设计。以联邦学习为代表的分布式学习技术，可以利用分布式的方法在保护用户数据隐私的前提下进行全局模型的训练。无线网络中，用户移动导致的连接拓扑高度动态性，为分布式学习技术的部署和使用带来新的挑战。设计扩展性好、鲁棒性

79、高的分布式学习方法，并对无线网络用户移动等特性加以利用，是无线分布式学习成功的关键。空口 AI 在理论、架构与技术研究和实现落地等三个层面也面临着一系列挑战。例如在基础理论层面，如何构建空口 AI 模型的训练和部署的理论，指导在通信、计算与存储等的开销与性能中寻找最优：评估准则与评估指标是判断空口 AI 算法优劣性的准绳，是空口 AI 未来研究与标准化落地的重要依据，如何科学地评价空口 AI 的性能，从理论上刻画空口 AI 模型学习能力的度量(如模型的容量)，并建立方法与理论体系，评估无线 AI 算法模型的收敛性、学习速率和训练代价，以及模型推演的性能极限和可靠性等问题；良好的数据集是空口 A

80、I 研究的基础，不同的数据集直接影响 AI 算法设计与性能。基于某种数据集设计的 AI 算法往往在跨场景应用中存在泛化性不足的问题，需要大力研究泛化性提升技术。在系统架构与技术方案研究层面，空口 AI 极致性能的最优化技术；如何找到空口协议设计与实现的新思路与新方法；如何找到解决系统中广泛存在的通信、计算与存储等资源开销的最优化技术方案；如何实现空口 AI 的架构设计等问题。在实现层面，AI 运算所带来的高能耗与芯片能力局限问题；如何解决无线动态环境导致的学习与训练方面的通信与计算资源开销问题；在网络中存在大量异构模型时如何找到通用的训练方法等。3.3 多址接入多址接入3.3.1 典型应用场景

81、典型应用场景2023 年 6 月，ITU 发布的未来发展框架和总体目标建议书中 22，提出了6G 的六大使用场景。其中 Massive Communication 场景对连接密度提出了更高的要求，从 4G 每平方公里 2000 个连接、5G 每平方公里百万连接，提升到 6G 每平方公里千万或亿个连接。除了连接密度的提升，在业务模型上相比 5G 也将提出新的要求，例如终端的数据发送频率有所提升。在有限的数据传输资源和网络协调信令资源下，如何支持海量终端的通信，是需要解决的问题。因此，有必要28/68研究新型多址接入技术来支持更大的终端连接数。图 3-6 多址接入的应用场景根据业务特征、指标需求的

82、不同，海量终端通信的应用场景有两个类别。一类为超大规模连接场景，需要支持极大的终端数量（例如 108devices/km2），对时延不敏感，通常传输的是突发的小数据包，如图 3-6 中的橙色曲线所示；另一类为支持较大终端数量（例如 106devices/km2）的同时，对传输的数据包大小、端到端通信时延、数据传输的可靠性等诸多指标提出更高要求的场景，如图 3-6中的蓝色曲线所示。6G 中的多址接入技术，需要满足上述两类应用场景的需求，具体的，可以在以下典型用例中进行应用。图 3-7 多址接入的典型用例表 3-1 典型用例的特征典型用例典型用例特征特征ToC 的数字孪生世界个性化的体验：对连接密

83、度要求较高，需要支持 106devices/km2的连接密度实时的体验：对时延要求较高，需要满足毫秒级的端到端通信时延沉浸式的体验：对传输的数据包大小要求较高，需要满足数百到数千字节的数据包传输29/68密集紧要连接的车联网高密度车联网的信息传输，具有海量和突发的特点车联网信息传输有着低时延高可靠的需求车辆移动快，小区切换频繁，且邻区干扰导致边缘可靠性差极低功耗物联网23终端数量大，较 5G 的终端数量显著提升低终端成本，无源化部署和弱维护运营终端形态有纯无源、半无源、有源低功耗终端3.3.2 关键技术与挑战关键技术与挑战针对某些要求大连接、实时性、低时延的应用场景，例如 To C 的数字孪生

84、世界，传输的数据包较大，通常要求时延在毫秒级，现有的多址接入技术无法在达到连接密度要求的同时，满足其对通信的时延要求；对于超大规模连接的应用场景，例如极低功耗物联网，随着接入终端数量的增加，碰撞概率和通信时延也在不断增加，采用现有的多址接入技术难以满足这些应用场景对连接密度的要求。为了支持 3.3.1 节中的典型应用场景，可以从下述多个维度对多址接入技术进行演进。（1）非正交多址：非正交多址接入能够提升系统的多用户复用能力，支持大量终端复用共享的时频资源进行数据传输，可以支持更多的终端同时建立连接和进行通信，能够进一步提升连接密度。可以基于码域、空间域、功率域等特征，对同时接入和通信的用户进行

85、区分。典型技术有：“随机接入和多址传输融合技术”、“基于虚拟用户分割的多址方案”、“基于资源跳跃的多址方案”等。（2）非协调：对于大量终端接入和数据传输的场景，如果采用协调的方式，需要大量的信令资源开销，而有限的资源和特定的时延要求，限制了最大连接数，为了支持大量终端同时接入和数据传输，提升连接密度，需要考虑非协调的接入和数据传输方式。典型技术有：“随机接入和多址传输融合技术”、“高效无连接传输”、“基于 ODMA 的多用户编译码方法”、“稀疏 IDMA 无源多址技术”等。（3）随机接入和多址传输融合：传统的通信系统采用先接入后传输数据的方式进行通信。对于大量终端同时接入和数据传输的场景，在随

86、机接入过程中会发生碰撞，需要进行冲突解决。将随机接入到多址传输的过程进行融合，不需要独立的接入和传输过程，可以提高传输效率，提升连接密度。典型技术有：“随机接入和多址传输融合技术”、“高效无连接传输”、“模式分割的随机接入方案”、“稀疏 IDMA 无源多址技术”等。30/68（4）接收机设计：在保证性能的前提下，尽可能降低接收机的复杂度，以满足海量终端接入的需求；接收机需要具备更强的多用户干扰抑制能力，以提高系统的性能和满足终端连接数需求；结合多天线技术提高系统性能和容量，提升连接数；结合大规模 MIMO 技术，支持海量终端的接入。典型技术有：“基于稀疏结构变换迭代接收机”、“容量最优且低复杂

87、度的迭代接收机和多用户编码方案”等。表 3-2 多址接入关键技术技术名称技术名称技术概述技术概述随机接入和多址传输融合技术将初始接入和多址传输过程进行融合，不需要网络协调，采用非正交的方式同时实现随机接入和多址传输两个过程。在满足每终端差错性能的条件下，通过一个统一的编码过程实现海量终端共享资源；不需要网络协调，节省了网络协调信令资源，解除了资源对终端数量的限制，能够支持海量终端的接入和传输。高效无连接传输深度睡眠状态的节点可直接传输，无需事先建立连接；发完又深度睡眠，无需释放连接。采用 Data-only、独立多导频、稀疏导频等技术，尽可能避免导频碰撞，实现简单高效的无连接高负载传输。基于

88、ODMA 的多用户编译码方法ODMA 方案不依赖于重复（扩频）和用户交织。通过用空闲代替重复，用于译码的因子图在非常短的周期内变得超稀疏。可以实现显著的多用户译码性能增益，同时显著降低译码复杂度。基于虚拟用户分割的多址方案通过 Rate splitting、NOMA、SDMA 的结合，将部分波束间干扰视作有用信号，充分利用波束内多用户的功率差异将部分波束间干扰删除，获得性能增益。31/68可以在高空平台站（High Altitude Platform Station,HAPS）多波束传输系统中，获得更大的连接数、更高的 SE 性能。基于资源跳跃的多址方案将单个时隙内的数据包进行分段，以数据段为

89、基本单位进行段编码生成冗余数据段。将编码数据段映射至不同的信道资源上，以有限信道资源生成大量跳跃图案作为签名来表征海量用户的传输信号，并利用冗余段解决用户间的部分碰撞。接收端结合码片级 SIC，以复杂度为代价来提升碰撞解决能力。模式分割的随机接入方案基于“图样叠加”模式域导频，将导频竞争空间扩展到模式域，在不增加物理资源的前提下扩大导频竞争空间，接收端以低复杂度实现“部分碰撞”判决，降低导频碰撞概率，提高接入成功率。基于稀疏结构变换迭代接收机类 MPA 算法的信息无损因子图稀疏变换（ST）迭代接收机框架，消除了因子图中的许多短环，降低了系统中的节点度并抑制了用户间干扰，降低了 EP 算法的迭代

90、计算复杂度。容量最优且低复杂度的迭代接收机和多用户编码方案优 化 的 接 收 机 包 括 MU-OAMP/VAMP 接 收 机、MU-MAMP 接收机、多用户编码原理与约束容量最优接收机等。稀疏IDMA无源多址技术结合压缩感知和稀疏 IDMA 叠加编码：将交织图样、比特重复次数、填零数目组成码本，经过压缩感知映射成导频，附加在数据前传输。通过比特重复提高抗多用户干扰能力，通过加入零元素降低多用户干扰，通过不同交织器区分用户并随机化多用户干扰。32/683.4 编码调制编码调制3.4.1 典型应用场景典型应用场景OTFS 应用场景应用场景 1-高速铁路场景高速铁路场景对于铁路而言，列车运行速度的

91、不断提升是全球铁路发展的共同目标。目前，京沪高铁实现了每小时 470 公里的试验速度，2024 年将完成时速每小时 450 公里动车组 CR450 的样车制造。同时，日本东海铁路公司在日本山梨县实现了 603公里每小时的磁悬浮试验速度，另外速度可以达到 1000km/h 以上的管道飞车目前也在研制当中。在铁路高速化的基础上，世界各个高铁发达国家将目光放到了高速铁路的智能化上。高速铁路的智能化需要先进的通信系统与制式为其提供保障，但高铁场景中的列车高速移动将对车地、车车通信的可靠性造成巨大挑战。OTFS 应用场景应用场景 2-低轨卫星场景低轨卫星场景低轨（Low-Earth Orbit,LEO）

92、卫星通信是一种利用低地球轨道上的卫星来实现通信的技术。与传统的高轨卫星通信不同，低轨卫星通信的卫星通常位于距地面数百公里至两千公里之间。相较于传统的同步轨道卫星，具有发射成本低、通信延迟小、传输损耗小、组网后可无缝全球覆盖等优点，受到全球许多互联网、通信、航空航天企业的关注。OTFS 应用场景应用场景 3-空中覆盖场景空中覆盖场景随着航空通信的进步，飞机正在从过去的信息网络的“孤岛”蜕变为实现全球互联的关键载体。机载 WiFi 出现使得乘客在飞机上也能够接入互联网。然而，5G 时代的到来给空中通信带来了前所未有的挑战大量实时互联网数据传输的需求。这一挑战要求通信系统具备高度适应性，能够在高速移

93、动环境中提高飞机与地面站或卫星的通信质量，确保互联网数据低时延高可靠传输。OTFS 应用场景应用场景 4-车联网车联网基于 OTFS-ISAC 机制，可以支撑以下车联网功能或应用：准确感知周边驾驶环境，包括车辆、障碍、路况等，以提升驾驶安全、实现智能驾驶；准确感知收、发双方的位置和运动状态，为信道估计、波束赋形等提供先验信息，改善通信性能；分布式节点协同感知，扩大节点感知的范围、提升感知的准确度和精度。OTFS 应用场景应用场景 5-水声通信水声通信“智慧海洋”工程是关系到国家海洋强国战略的重大工程，随着海洋强国和33/68“智慧海洋”工程建设的推进，现代渔业、海洋观测监控、海洋油气勘探开发、

94、海洋交通运输等领域取得了飞速发展。水声通信是海洋通信网络的重要组成部分，声波是目前水下唯一有效的远程信息传输载体，水下声（Under WaterAcoustic，UWA）信道面临着诸多挑战，如通频带有限、较大的时延拓展、频率选择性衰落、易受多普勒效应影响等。3.4.2 关键技术与挑战关键技术与挑战面向高速移动场景的时延多普勒域调制技术面向高速移动场景的时延多普勒域调制技术OTFS 基本原理基本原理在 4G、5G、WiFi 等无线通信系统中，正交频分复用（Orthogonal FrequencyDivision Multiplexing,OFDM）技术获得了广泛的应用。基于循环前缀的 OFDM可

95、以很好地应对多径衰落，并且仅需低复杂度的频域均衡器。随着无线通信的发展，复杂散射环境下的高速移动通信场景愈发丰富，例如车联网、高速铁路、低轨卫星通信等。然而，对于高速移动场景而言，受多普勒扩展的影响，OFDM 将丧失子载波间的正交性，其传输可靠性变差。为此，面向 ICDT 融合的无线空口需要针对高速移动场景设计新型的多载波调制方案。近年来，研究者们提出了以正交时频空（Orthogonal Time Frequency Space，OTFS）为代表的变换域调制技术24，方案基本原理图如图 3-8 所示。图 3-8.OTFS 系统模型OTFS 优缺点优缺点优势从 OTFS 的基本原理出发，与 OF

96、DM 相比 OTFS 具备如下优势：1在 OTFS 中用户将数据符号映射至时延多普勒域（Delay Doppler，DD）域而非传统的时频（Time Frequency，TF）域，从而通过辛有限傅里叶变换（Symplectic Finite Fourier Transform，SFFT）等酉变换使用户数据符号可以扩展至所有的时频域上，获得时频域信道的全分集，实现传输可靠性的提升。34/682DD 域的信道扩展函数可以反映具体的散射环境，具有不同时延及多普勒的信道抽头可以对应到不同的移动散射体，与时间时延域的信道冲激响应、时频域的信道转换函数相比，DD 域的信道扩展函数在高速移动场景下具备潜在的

97、紧致性、稀疏性及稳定性，从而可以带来物理层自适应方案信令开销的降低25。3时延和多普勒频移可反映物理世界中物体的距离和速度，这使得 OTFS 波形非常适合用于实现通信感知一体化。缺点然而，相比于已广泛应用多年的 OFDM 技术，OTFS 技术从理论基础到工程应用仍然存在大量尚未解决的问题：现有的大部分关于 OTFS 研究集中于基于矩形波的系统设计，可能存在与OFDM 类似的带外泄露的问题，在带限滤波器下将遭遇差错下限；OTFS 的参考信号设计需要与 PAPR、信道估计算法、数据检测算法、多址方式联合考虑，实现开销-性能-复杂度的平衡；目前 OTFS 和 MIMO 的结合方案尚未充分利用多天线系

98、统的优势，且天线数的增加会导致接收机复杂度急剧上升，OTFS 技术需要灵活支持各种多天线技术；对于高速场景的信道建模仍有大量工作需要开展。在面向标准化方面，基于 OTFS 的系统设计需要能够与现有通信标准中的OFDM 技术相兼容，在解决 OFDM 面向高速移动场景的问题的同时，尽可能保持其灵活性和固有的优势；OTFS 相关研究相关研究为了应对上述挑战，在波形设计方面，研究者们提出了正交时延多普勒域复用（Orthogonal delay Doppler multiplexing，ODDM）方案26和 Zak-OTFS方案27。ODDM 方案为正交时延多普勒域复用的信号提出了针对多普勒和时延分辨率

99、的正交波形，信号可以从时延多普勒域经过多载波调制为时域信号进行传输。在信道估计与解调方面，研究者们提出了基于序列导频的参考信号设计方案以降低 PAPR，基于稀疏贝叶斯估计的 off-grid 信道估计方案以增强估计性能、35/68降低导频开销28，以及基于期望传递（Expectation Propagation，EP）29、记忆近似消息传递（Memory Approximate Message Passing,MAMP）30、大规模天线阵列的低复杂度数据检测策略31 等低复杂度检测算法，检测复杂度可达数据包大小的线性阶次；在信道建模上，研究者们开展了高速铁路场景下实测信道的表征工作，并指出信道

100、扩展函数的时变性是 OTFS 设计需要考虑的重要因素32。在信道估计方面，研究者们提出了基于序列导频的信道估计方案以降低PAPR、基于稀疏贝叶斯估计的 off-grid 信道估计方案以降低导频开销28；在多址方案上上，研究者通过引入正交码域资源，设计了高速铁路场景下理想信道扩展函数33和弱紧致信道扩展函数的免授权接入方案34，并开展了联合定位与多址接入的方案研究35；亦有研究者根据用户码本和信号的稀疏度提出了 OTFS-SCMA36，开展了功率域 OTFS-NOMA37等研究工作。随着 OTFS 研究的逐步深入，面向工程实现的 OTFS 方案愈发成熟，因其与OFDM 方案相比更为优越的可靠传输

101、性能，OTFS 方案有望应用于高速移动场景下的下一代无线通信系统中。3.5 超大规模天线超大规模天线3.5.1 典型应用场景典型应用场景超大规模天线主要用于提高移动通信系统的频谱效率、传输可靠性、覆盖扩展、干扰抑制等，在未来 6G 系统中超大规模天线将继续在这些方面发挥重要的作用。在应用场景方面，除了在覆盖扩展这个基础能力上有不同的应用场景外，超大规模天线的高空间分辨率还可以应用于定位和感知等业务，以提高定位和感知的精度：超大规模天线在覆盖扩展方面的应用场景主要包括：广域覆盖：6G 支持超大覆盖半径和立体覆盖为特征的移动覆盖：超大覆盖半径主要包括海域、沙漠、森林等看似无人的区域，超大规模天线可

102、36/68以尽可能的扩展单站的覆盖距离，从而有效解决广域覆盖的问题；立体覆盖主要强调对垂直方向的空域覆盖，包括无人机、高层建筑等低空覆盖，民航客机等高空覆盖，可通过采用新的天线结构、增加垂直方向自由度等保证 6G 的立体覆盖需求38；宏蜂窝覆盖：宏蜂窝覆盖是移动通信系统的传统覆盖场景，通过密集蜂窝小区、室内到室外的覆盖，为高用户密度和城市人口稠密地区提供高速率传输等，6G 的超大规模天线可以提高宏蜂窝覆盖的区域流量，降低小区间干扰，实现更远距离的覆盖等39。热点覆盖：热点覆盖也是 4G 以来的传统覆盖场景，强调以高速峰值传输、小范围覆盖为特征的场景，包括写字楼、大中型场馆、交通枢纽、企业园区等

103、场景，无线环境比较复杂、人口密度高，需要超密集组网技术，而站点密度增加导致小区间干扰增加，需结合超大规模天线的波束赋形技术，以降低干扰39。超大规模天线还可以应用于定位、感知等业务：6G 系统对定位精度提出了更高的要求，通感一体也是 6G 的重要技术方向，而超大规模天线的高空间分辨能力可以为定位、感知等提供更高的探测精度，且超大规模天线技术将与定位、感知有机地融合到系统的各个基本操作环节中，如信道状态信息获取、信道探测、波束管理等，从而更加高效地实现通信与定位、感知等业务应用的一体化设计40。3.5.2 关键技术与挑战关键技术与挑战为满足未来 6G 通信系统对谱效、数据速率以及新兴业务、新兴应

104、用的需求，多天线技术的的演进将主要主要包括虚拟 MIMO 技术、集中式超大规模 MIMO增强、分布式 MIMO 增强、新型天线架构、多天线技术的新维度扩展等，下面我们将逐一介绍这些关键技术及其遇到的挑战：虚拟 MIMO 技术这项创新需要对接收端进行改造，在接收端配备一个高速可重构的天线系统。通过快速重构接收天线特性图样并对收到的 OFDM 符号进行上采样，该技术可以实现同时传输的并行数据流数大于射频通道数的效果 65。由于该技术的性能和运行方式类似于具有额外“虚拟”射频通道的系统，该技37/68术被命名为“虚拟 MIMO”技术。与传统的数模混合架构 MIMO 系统相比，虚拟MIMO 技术在保持

105、了类似硬件复杂度和功耗的情况下实现了更高的频谱效率。另一方面，与纯数字 MIMO 系统相比，虚拟 MIMO 系统在显著降低硬件成本和功耗的同时，实现了近似的频谱效率。由于虚拟 MIMO 技术要求接收端天线特性图样在一个 OFDM 采样点间隔内快速重构，所以对天线特性切换器件的要求比较高，设计高速切换器件是虚拟MIMO 技术落地面临的一大挑战。此外，由于虚拟 MIMO 技术对接收端进行了改造，需要针对虚拟 MIMO 技术设计全新的信道估计和同步方法。集中式超大规模 MIMO 增强根据大规模天线理论，随着天线阵列规模的增加，各用户的信道向量将趋于正交并表现出所谓的信道硬化特征，即系统中共同调度用户

106、间的干扰区域消失，且系统级仿真也表明，通过增加基站的天线数和射频通道数可以有效提高平均谱效、边缘谱效、传输可靠性、覆盖能力等。然而，天线数和射频通道数的增加，给通信系统的实现与部署带来了很大的挑战：天线阵列的体积、重量和迎风面积、计算复杂度、功耗、CSI反馈开销等都显著增加，需要分别给出解决方案，例如通过分布式MIMO、新型天线阵列和架构、扩展多天线技术的新维度等技术解决集中式超大规模天线所面临的挑战。分布式 MIMO 增强通过大规模天线系统的分布式部署，不但可以更大幅度地扩展等效天线阵列的规模，而且会增加信号的角度扩展，降低等效 MIMO 信道的相关性，从而获得更高的空间自由度和更高的信道容

107、量，具体如下所述：利用先进的信号协作处理，可以形成更好的波束覆盖，提升频谱效率；分布式节点增加可以使得信号传播距离缩短，提高能量效率；多站点协作的空间冗余度，可以提高传输的可靠性；分布式多天线技术能够为以用户为中心的接入网络提供良好的空口传输基础。然而，分布式 MIMO 仍面临以下技术挑战：需要研究高效率的传输方案38/68和信号处理算法，并将计算任务在不同网络节点间合理分配；实现站点间的时频同步与天线校准，以满足相干联合传输的要求；需要具备弹性可扩展的架构，以适应网络业务的变更而无需重新进行网络规划；需要高效的移动性管理，以支持专属服务区域的物理协作簇建立、变更、增加、删除等操作；需要低成本

108、快速部署方案，以实现分布式节点的即插即用。新型天线阵列和架构设计尽管采用数模混合结构的有源天线阵列，天线阵列规模的进一步扩展仍然受限于成本、功耗和设备复杂度等，而天线阵列技术的革新将是有效扩展天线阵列规模的重要突破口。鉴于可重构超表面技术在覆盖扩展及传播环境改造方面的潜力，在多天线系统中，可以对可重构超表面中大量低成本、低功耗的可控反射/透射/泄露单元的调控，实现大规模天线波束赋形的效果。在可重构超表面中，可重构智能超表面（ReconfigurableIntelligent Surface，RIS）41 和可重构全息超表面（ReconfigurableHolographic Surface，R

109、HS）42 是目前最具代表性的两种新型天线结构：如图 3-9 所示，RIS 天线阵列包含大量紧密排布的超材料反射单元和外置的馈源，避免了高能耗有源器件的大量使用，有利于降低成本和功耗，并实现多天线系统空间维度的进一步大幅度提升。图 3-9 RIS 天线阵列原型机RHS 由阵列上内置的馈源和大量密集排布的亚波长超材料辐射单元构成，如图所示，馈源向 RHS 注入携带发射信息的电磁波（类比于39/68全息成像技术中的参考波），逐一激励 RHS 阵列的各辐射单元，使辐射单元以受控的方式将调控后的参考波向外辐射，通过调控法各单元的阻抗匹配程度改变辐射电磁波的幅值，以实现全息波束赋形。（a）RHS 天线阵

110、列结构原理(b)RHS 天线阵列实物图3-10 RHS天线阵列尽管超表面在学术界和产业界已经得到较为充分的研究和验证，但仍存在一下关键挑战：在基于超表面进行信号传输和波束赋形时，需要考虑馈源到超表面、超表面到接收机这两段信道；在毫米波频段甚至太赫兹频段，超表面单元的设计和优化更为困难，因为随着频率的提高，任何微小的结构变动与误差都将会对超表面单元的电磁响应产生明显的影响；基于超表面的被动单元很难实现对完整多天线信道信息的估计，从而能很难实现更加精确的空域处理算法，且随着天线维度的扩展、阵列增益的提升和波束变窄，相应的波束搜索、跟踪和恢复过程将面临更大的复杂度和时延；随着天线间距变小，RHS 单

111、元之间的耦合效应更加明显，并将改变其辐射特性，影响其波束成形和通信的性能，因此需要更精确的建模 RHS 单元间距与耦合效果之间的关系。多天线技术的新维度扩展智能维度在大规模天线系统中，人工智能技术的应用为其引入了新的维度智能维度。通过对智能维度的深度挖掘，利用数据和算力资源突破空间维度的局限将有助于解决大规模天线系统所面临的一系列技术挑战：支持高速数据传输、实现高效低复杂度的信号处理算法、精40/68确的信道建模、准确及时地获取超大规模天线系统的 CSI、高效求解超大规模天线系统的最优化问题、实现与其他新技术的有机融合等，从而达到进一步提升系统性能的效果。为了实现多天线系统在智能维度的挖掘与上

112、述各环节在整体系统中的效能发挥，需要在如下关键使能技术上取得突破：有效数据集的获取、可靠的模型监控与保障机制、具有很好泛化性和可扩展性的机器学习模型、与分布式网络架构深度耦合的分布式计算能力等。功能维度随着多种新型业务与应用的出现，多天线技术也将在新的领域得到更为广泛的应用：在通感一体化系统中，探测和感知的精度会随着阵列规模的扩展而得到有效提升，而且，感知系统还可以应用动态波束赋形，对目标区域内的物体进行探测并获得目标区域内连续的环境感知数据；对于蜂窝定位系统，应用波束赋形技术可以有效提升定位信号的接收能量并降低其他信号对定位信号的干扰，从而能够提高定位精度。通信与感知、定位等业务的融合对多天

113、线系统的设计提出了新的要求。基于自发自收的无线感知技术，要求接收机可以有效区分发送信号和回波信号。一种可行的解决方案是采用全双工技术，但是这要求大带宽条件下的全双工技术能够实现有效突破，才能满足无线感知的带宽需求；另外一种可能的方案是采用天线收发位置隔离的方式，即分别使用处于不同位置的天线（子）阵进行无线感知信号的发送与接收。在分布式多天线系统中，实现这种结构的可操作性可能相对较高。能效维度：随着天线数量的不断增长以及频段的不断升高，天线系统的成本、重量以及耗电量也随之大幅度提升。目前 5G 大规模天线系统的天线规模在 Sub-6G 频段可达到 256 根，大规模有源天线系统成本约占整个基站成

114、本的 60%以上，其耗电量则可达到整个基站耗电量的 80%以上。基于现有的天线阵列结构，如果未来网络采用更大的阵列规模，41/68如数千根天线的超大规模天线阵列，系统将面临着无法实用的工程难题。在系统设计与网络部署方面，基于以用户为中心的接入网架构以及分布式大规模天线协作传输/接收，可以形成以用户为中心的灵活小区并将干扰信号转化为有用信号，而基站天线与用户终端之间传输距离的缩短，可以更直接地降低系统整体的干扰水平和能源消耗。在天线及产品设计方面，6G 系统可以使用能效更高的器件与优化的天线阵列设计方案来达到能耗降低的目的。非规则天线阵列引入需求：在超大规模 MIMO 中，拥有巨大数量天线的集中

115、式天线阵列可通过提供非常高的空间分辨率来服务于大量用户，使终端用户之间使用相互正交的信道，而分布式天线阵列是由分布在不同地理位置的站点共同构成的，通过多种灵活的拓扑结构满足大容量需求的场景，提供给用户一致性体验，真正做到以用户为中心。无论是集中式天线阵列还是分布式天线阵列，在可部署天线阵列的区域较小且不规则、射频链路发生故障等情况下，都可能面临非规则天线阵列的设计需求。一种可行的方式是采用模块化天线形态，每个天线模块由多个天线构成，且不同模块的天线形态可以不同43,44,45。每个模块可以独立进行波束赋形，也可以实现多个天线模块之间的联合传输。例如，为了更好的匹配建筑物的角落或弯曲的建筑表面，

116、将多个天线模块灵活地连接在一起形成完整的非规则形状的多天线系统。码本设计与 CSI 反馈：在模块化非规则天线阵列中，二维天线端口的排列方式是设计 CSI 测量和反馈的前提条件。由于使用了不同的天线模块及其多种组合，因此无法以传统的 CSI 测量和反馈方式进行。在进行天线配置时，需要一定程度的抽象，而不是直接配置天线模块的具体形态。常见的码本设计方式是类似于 3GPP 在 NR 系统中采用的多级码本，当采用天线模块拼装的非规则天线阵列中，可以将多个天线模块视为不同的 TRP 或同一 TRP 下的不同的天线面板。终端通过信道估计获得每个天线模块的信道状态信息，计算每个天线模块的子码本并进行联合上报

117、。42/68当天线模块为不规则形状时，可以将其进一步细分为多个一维或二维规则天线子阵列用于码本构造46。挑战：对于这种非规则的天线阵列，在未来研究工作中面临着众多挑战，除了码本设计之外，还需要考虑灵活的天线模块配置、动态天线模块选择、低开销的 CSI 反馈方案等。近场通信的区域识别引入需求：近场通信的引入需求主要是来自不断增大的天线阵列规模和工作频段的不断提升。随着未来出现更大的天线阵列和更高的工作频段，近场区域已经无法忽略。首要问题是如何确定终端所在的位置处于天线阵列的近场区域还是远场区域，进而保证网络与终端之间针对终端所在区域的信道特征，进行针对性的波束测量、信道测量、信号传输等。在测量方

118、面，终端可以对下行参考信号测量得到接收功率或者下行链路的路径损耗等，据此确定终端所在的大致区域。测量时机可以在随机接入过程或者在 RRC 连接态。对于终端所在区域的测量，还可以考虑结合传统的波束测量和 CSI 测量进行联合设计，一并确定终端所在区域及其最优波束信息。此外，也可以结合定位技术或者感知技术，通过测量定位参考信号或感知参考信号，获得终端的位置信息、角度信息、距离信息等参数。当然，网络也可以通过上行测量获知终端所在区域。无论是终端的测量上报，还是网络的上行测量，在网络确定了终端所在区域之后，便可以下发控制信令，指示终端进行相应的测量和信道传输。在技术挑战方面，值得注意的是，目前对远场和

119、近场的区域划分方式大都依赖于瑞利距离，但在未来 6G 的设计工作中仍需要谨慎考量和寻求更合适的划分方式。此外，当终端处在近场和远场的交叠区域时，如何处理终端的测量和信道传输将变得更为复杂，需要更加深入的探讨。波束分裂引入需求：随着通信工作频段的升高和带宽的增大，无论远场通信还是43/68近场通信，都存在着波束分裂问题。由于阵列响应依赖于频率，而大带宽工作时的频率跨度过大，导致波束发散或偏移，以及导致阵列增益的恶化。无论毫米波还是未来的太赫兹频段，随着带宽的增加和波束变窄，这一现象更加严重。通常的解决方式是在发射端对不同频率上的发射信号引入时延器件，从而通过改变信号的相位达到有效消除波束分裂的目

120、的。然而，时延器件会增加系统功耗，所以还可以考虑在信号处理过程中对大带宽的不同频率范围上的信号做补偿，进而保证将波束能量集中到远场的终端特定方向或者近场的终端特定点位上。随着人工智能技术的深入探索，在解决波束分裂问题时可以克服测量与补偿不准确的问题，通过对大量数据集的训练，对大工作带宽上各频率范围上的波束偏移判定更加准确。另外，还可以通过制定不同的人工智能学习策略，针对不同信道环境和天线配置等进行针对性的补偿推断。技术挑战：波束分裂是在当前多天线技术中就存在的现象，并且可以预见仍会出现在未来的 6G 超大规模天线系统中，尤其是在工作频段升高的情况下，如何寻求低开销、低成本的更有效补偿方案，将是

121、后续工作中的一个挑战。3.6 近场技术近场技术传统无线通信网络（1G 至 5G）主要依赖于 6GHz 以下，甚至是 3GHz 以下的频谱。受限于波长，这些网络通常采用较小规模的天线阵列，而低维度天线阵列与较低频率的结合，通常使得无线近场通信的范围局限于数米，甚至数厘米。因此，传统无线通信系统的设计通常基于远场的假设。然而，随着未来 6G 网络的发展，更大的天线孔径以及更高频段的使用（例如，厘米波、毫米波及太赫兹等），使得近场特性变得日益显著。此外，如智能超表面（RIS）47,50,51、超大规模 MIMO48、无蜂窝网络（Cell-free）52等新兴技术的引入，也使得近场场景在未来的无线网络

122、中变得更为普遍，传统的远场平面波假设不再适用49。44/68从空间资源利用的角度来看，尽管传统无线通信系统已经在远场空间资源的挖掘和利用上取得了显著成就，但对近场空间资源的进一步探索与应用预计将为无线通信系统带来新的物理空间维度。因此，在 6G 网络中，近场区域将不可忽略，这激发了对近场技术新范式的研究。3.6.1 典型应用场景典型应用场景为满足 IMT-2030 对频谱效率的要求，需要进一步探索更高频段和更大规模阵子的应用潜力。利用近场效应，可以更好地实现 IMT-2030 更多的应用场景和关键性能指标。（1）不同频段的近场场景高频段传输：大规模天线阵列在毫米波和太赫兹频段，近场距离可达几十

123、米，将用户引向近场区域。远场平面波假设不再适用，需改用球面波近场模型。近场的波束聚焦极大提升波束赋形增益；相对远场仅有一维角度域，近场提供了角度域和距离域两个维度，增加了空间自由度，从而可以提升空间复用增益多址接入能力。中频段传输：中频频段包括 6 GHz 和 7-24 GHz，拥有大带宽和强覆盖能力，是 6G 通信的理想频段。3GPP Rel-19 立项了针对该频段范围的信道建模标准研究53。低频段传输：除了拓展高频段外，低频段（FR1，Sub-6GHz）的充分利用也是关键。为了克服尺寸限制，低频段将采用模块化或分布式的大规模 MIMO和智能超表面技术。大型天线阵列和分布式天线阵列将使用户更

124、接近接入点，从而显著提高近场效应。（2）超大孔径使能近场智能超表面使能近场：相对传统有源相控阵天线，RIS 具备无源调控、低成本、简单易部署的特点，可以被泛在密集部署，从而有机会为未来 6G 网络构建泛在近场信道环境。超大规模天线阵列使能近场：集中式、模块化和均匀稀疏超大规模天线阵列都可以用于支持蜂窝热点通信，且模块化和均匀稀疏超大规模天线阵列可显著提高用户集中分布场景下的传输速率。无蜂窝近场通信：基于无蜂窝（Cell-free）网络架构，由于多阵列采用分布45/68式部署方式，其等效阵列口径显著扩大，近场球面波效应更为显著；同时，由于接入节点分布更加密集、通信距离更短，用户将以更高的概率位于

125、近场范围。无蜂窝近场通信将是未来 6G 的重要应用场景之一。（3）通感一体化近场区域内，球面波传播使得大规模天线阵列可以用于同时估计物体的角度和距离。与远场感知相比，近场感知从不同方向观测目标大规模天线阵列中相距较远的两个天线，可能具有明显不同的多普勒频率，因此可以增强对物体移动速度的估计54,55。近场效应具有在时频资源受限的情况下促进高精度感知的潜力。因此，将近场通感一体化是一项极具前景的技术。（4）无线定位在近场中，基于球面波模型，天线阵列中不同区域的天线单元的信号在目标处的到达角是不同的。利用这种波束汇聚的信号传输特性，近场通信系统通过天线阵列不同区域信道角度的差异来进行目标定位，从而

126、降低了对测量信号带宽的需求56。同时，大规模天线阵列的部署有利于进一步增强角度分辨率，并在近场区域内提供额外的距离分辨率，有利于实现 6G 移动通信中的高精度定位57。（5）物理层安全与远场通信里波束赋形的方向聚焦性不同，在超大规模阵列辅助的近场通信中，基站形成的波束具有强大的位置聚焦性58。这一性质使得发送信号的能量可以聚集在合法用户的位置上而不仅是合法用户的方向上，有效减少了信息在窃听用户位置的泄漏，提升了系统的安全信道容量。（6）无线传能近场通信中能够实现汇聚的高指向性点波束，将波束的目标区域集中在目标设备附近，从而将射频信号的能量聚集到物联网设备的能量收集节点。利用近场的波束聚焦特性和

127、高精度的位置信息，能够显著提高无线能量传输的效率，减少传输过程中的能量浪费。46/68图 3-11 近场应用场景3.6.2 关键技术与挑战关键技术与挑战近场关键技术涉及近场基础理论、近场信道测量与建模、近场传输技术及近场与其它技术融合等几方面。图 3-12 给出了完整的近场传播技术体系。图 3-12 近场传播技术体系47/68（1）近场基础理论近场基础理论在近场通信中，用以传递信息的电磁波只能被视为球面波而不能进行平面波近似。这种新的物理特性不可避免，并且带来了许多新的电磁效应，如空间非平稳性、波束分裂、三极化、倏逝波等特性。因此，许多传统通信算法在 6G 近场场景中会存在严重的性能损失，或无

128、法利用新特性达到最好性能。在本章节中，我们从电磁理论给出的近场定义出发，首先对近场电磁效应进行分析，说明了其来源和对现有系统所产生的影响；进一步地，我们根据目前已有的近场通信论文总结了近场效应的产生对于通信系统设计和实现性能的变化，主要关注通信自由度和通信容量两个指标。近场基础理论主要包括电磁近场定义、近场电磁特性及物理效应、近场通信自由度理论分析和近场性能分析四部分。确定远场和近场区域边界的一个广泛采用的指标是瑞利距离，也称为弗劳恩霍夫距离59。当 BS 和 UE 之间的通信距离（BS-UE 距离）大于瑞利距离时，UE 位于 BS 的远场区域。此时到达 BS 阵列的电磁波可以近似地模拟为平面

129、波。反之则到达 BS 阵列的电磁波必须精确地建模为球面波。图3-13远场平面波面与近场球面波面及对应物理空间归一化接收能量根据这一定义，可以得到单输入多输出（SIMO）、多输入单输出（MISO）、多输入多输出（MIMO）和智能超表面（RIS）通信系统的近场范围。48/68图3-14 典型通信场景近场范围（2）近场信道测量与建模近场信道测量与建模在 5G 时代，3D MIMO 被认为是一种重要的实用技术，提升了通信系统的性能60。当基站和用户之间的通信距离大于瑞利距离时，用户位于基站的远场区域。此时到达基站阵列的电磁波可以近似地模拟为平面波。反之则到达基站阵列的电磁波需要建模为球面波61。在下一

130、代通信系统中，阵列规模和频率将继续上升，超大规模阵列天线(Extremely Large Aperture Array,ELAA)系统的近场范围可以达到几十米甚至几百米，在典型部署场景中有必要考虑近场通信62,63。掌握信道特性和模型是通信系统设计和技术评价的前提。因此，需要全面的信道测量和准确的信道特性表征。信道测量和信道建模的研究包括信道测量、统计性模型、确定性模型、近场信道空间非平稳特性、连续阵元信道模型、离散阵元信道模型等。在64中，提出了一种新的大规模 MIMO 信道模型框架，该模型解释了近场和空间非平稳特性。通过球面波传播和物理多径传播机制捕获具有近场和空间非平稳特性的大规模 MI

131、MO 信道。基于信道测量和模型的验证证明了其有效性。（3）近场传输技术近场传输技术由于近场传播模型与现有远场通信技术的不匹配，现有远场技术在近场区域会存在严重的性能下降。近场传输技术涉及信道估计、波束赋形、码本设计、波束训练、多址技术、近场系统架构与部署和标准影响等方面。（4）近场与其他技术融合近场与其他技术融合近场技术与其他领域技术的融合，包括近场与定位、近场与无线传能、近场物理层安全、基于近场的轨道角动量（OAM）以及基于人工智能的近场通信等方面。49/68展望未来，近场技术被寄予厚望，有可能为未来无线通信系统提供新的物理空间维度。它被视为实现未来 6G 网络更高数据速率、高精度感知需求以

132、及物联网无线传能需求的关键使能技术之一，有望成为未来 6G 潜在无线空口关键技术之一。因此，我们期望在未来能够看到更多关于近场技术的研究成果，并期待这一技术在未来的无线网络中发挥更大的作用。参考文献1 RONG B.6G:The next horizon:from connected people and things to connectedintelligenceJ.IEEE wireless communications,2021,28(5):8.2 WANG Z.,DU Y.,WEI K,et al.Vision,application scenarios,and key techno

133、logy trends for6G mobile communicationsJ.Science China(Information Sciences),2022,65(05):5-31.3 IMT-2030(6G)推进组.6G 典型场景和关键能力白皮书R,2022.4 IMT-2030(6G)推进组.通信感知一体化技术研究报告R,2021.5 何佳,周知,李先进,李欧鹏,陈雁,王光健.面向 6G 的通信感知一体化:基于无线电波的感知与感知辅助通信J.信息通信技术与政策,2022,48(9):9-17.6 TAN D K P,HE J,LI Y,et al.Integrated sensing

134、 and communication in 6G:motivations,usecases,requirements,challenges and future directionsC/2021 1st IEEE International OnlineSymposium on Joint Communications&Sensing(JC&S).Dresden,Germany:IEEE,2021:1-6.7 PAUL B,CHIRIYATH A,BLISS D W.Survey of RF communications and sensingconvergence researchJ.IEE

135、E Access,2017,5:252-270.8 BRAUN M,STRUM C,JONDRAL F K.Maximum likelihood speed and distance estimationfor OFDM radarC/2010 IEEE Radar Conference,Arlington,VA,USA:IEEE,2010:256-261.9网络协作通感一体化技术白皮书R,2023.10 刘光毅,楼梦婷,王启星,等.面向 6G 的通信感知一体化架构与关键技术J.移动通信,2022(046-006).11 L.Hanetal.,Performance Trade-offfora

136、NovelIntegratedLocalizationandCommunication System,2023 IEEE 97th Vehicular Technology Conference(VTC2023-Spring),Florence,Italy,2023,pp.1-7,doi:10.1109/VTC2023-Spring57618.2023.10200308.12 Z.Han,H.Ding,et al.,Multistatic Integrated Sensing and Communication in CellularNetwork,accepted by 2023 IEEE

137、Globecom Workshop,13 Tong W,Zhu P.6G:The Next Horizon:From Connected People and Things to ConnectedIntelligence,cambridge university press,2021.14 Huangfu Y,Wang J,Li R,et al.Predicting the mumble of wireless channel withsequence-to-sequence models,International Symposium on Personal,Indoor and Mobi

138、le RadioCommunications(PIMRC).IEEE,2019.15 Huangfu Y,Wang J,Xu C,et al.Realistic channel models pre-training,IEEE GlobecomWorkshops(GC Wkshps).IEEE,2019.16 Wang J,Li R,Wang J,et al.Artificial intelligence and wireless communications,Frontiersof Information Technology&Electronic Engineering,2020.50/6

139、817 Wang J,Xu C,Huangfu Y,et al.Deep reinforcement learning for scheduling in cellularnetworks,International Conference on Wireless Communications and Signal Processing(WCSP).IEEE,2019.18 Xu C,Wang J,Yu T,et al.Buffer-aware wireless scheduling based on deep reinforcementlearning,IEEE Wireless Commun

140、ications and Networking Conference(WCNC).IEEE,2020.19 Lee M,Yu G,Dai H.Decentralized inference with graph neural networks in wirelesscommunication systems,IEEE Transactions on Mobile Computing,2021.20 Wang J,Huangfu Y,Li R,et al.Distributed Learning for Time-varying Networks:A ScalableDesign,IEEE Gl

141、obecom Workshops(GC Wkshps).IEEE,2021.21 Huangfu Y,Wang J,Dai S,et al.WAIR-D:Wireless AI Research Dataset.arXiv preprintarXiv:2212.02159,2022.22 Recommendation ITU-R M.2160-0(11/2023)M Series:Mobile,radio determination,amateurand related satellite services,Framework and overall objectives of the fut

142、ure development of IMTfor 2030 and beyond.23 3GPP TR 22.840“Study on Ambient power-enabled Internet of Things.”24 Hadani R,Rakib S,Tsatsanis M,et al.Orthogonal time frequency space modulationC/2017IEEE Wireless Communications and Networking Conference(WCNC).IEEE,2017:1-6.25 Yuan W,Li S,Wei Z,et al.N

143、ew delay Doppler communication paradigm in 6G era:A surveyof orthogonal time frequency space(OTFS)J.China Communications,2023,20(6):1-25.26 H.Lin and J.Yuan,Orthogonal Delay-Doppler Division Multiplexing Modulation,in IEEETransactions on Wireless Communications,vol.21,no.12,pp.11024-11037,Dec.2022,d

144、oi:10.1109/TWC.2022.3188776.27 S.K.Mohammed,R.Hadani,A.Chockalingam and R.Calderbank,OTFS AMathematical Foundation for Communication and Radar Sensing in the Delay-Doppler Domain,IEEE BITS the Information Theory Magazine,2022.arXiv:2302.08696.28 Y.Shan,F.Wang and Y.Hao,Orthogonal Time Frequency Spac

145、e Detection viaLow-Complexity Expectation Propagation,in IEEE Transactions on Wireless Communications,vol.21,no.12,pp.10887-10901,Dec.2022,doi:10.1109/TWC.2022.3187990.29 Y.Shan,F.Wang and Y.Hao,Off-Grid Channel Estimation Using Grid Evolution inRectangularPulse-ShapingOTFSSystem,2023IEEEInternation

146、alConferenceonCommunicationsWorkshops(ICCWorkshops),Rome,Italy,2023,pp.295-300,doi:10.1109/ICCWorkshops57953.2023.10283794.30 Y.Ge,L.Liu,S.Huang,et al.,“Low-complexity memory AMP detector for high-mobilityMIMO-OTFS SCMA systems,”in Proceedings of IEEE ICC Workshop on OTFS and DDMC for6G,May 2023.31

147、Y.Shan and F.Wang,Low-Complexity and Low-Overhead Receiver for OTFS viaLarge-Scale Antenna Array,in IEEE Transactions on Vehicular Technology,vol.70,no.6,pp.5703-5718,June 2021,doi:10.1109/TVT.2021.3072667.32 Y.Ma et al.,”Characteristics of Channel Spreading Function and Performance of OTFS inHigh-S

148、peed Railway,”in IEEE Transactions on Wireless Communications.33 Y.Ma,G.Ma,N.Wang,Z.Zhong and B.Ai,OTFS-TSMA for Massive Internet of Things inHigh-Speed Railway,in IEEE Transactions on Wireless Communications,vol.21,no.1,pp.519-531,Jan.2022.34 Y.Ma,G.Ma,B.Ai,N.Wang and Z.Zhong,Orthogonal Time Freque

149、ncy Code Space51/68Modulation Enabled Multiple Access under Compactness-Reduced Channel Spreading Function,in IEEE Transactions on Wireless Communications.35 Y.Ma,G.Ma,B.Ai,J.Liu,N.Wang and Z.Zhong,OTFCS-Modulated Waveform Designfor Joint Grant-Free Random Access and Positioning in C-V2X,in IEEE Jou

150、rnal on SelectedAreas in Communications,vol.42,no.1,pp.103-119,Jan.2024.36 H.Wen,W.Yuan,Z.Liu and S.Li,OTFS-SCMA:A Downlink NOMA Scheme for MassiveConnectivity in High Mobility Channels,in IEEE Transactions on Wireless Communications,vol.22,no.9,pp.5770-5784,Sept.202337 Z.Ding,R.Schober,P.Fan and H.

151、Vincent Poor,”OTFS-NOMA:An Efficient Approach forExploiting Heterogenous User Mobility Profiles,”in IEEE Transactions on Communications,vol.67,no.11,pp.7950-7965,Nov.2019.38 中信科移动通信技术股份有限公司，全域覆盖 场景智联6G 场景、能力与技术引擎白皮书，2021。39 IMT-2030（6G）推进组，超大规模 MIMO 技术研究报告，第二版，2022。40 中信科移动通信技术股份有限公司，超维度天线（E-MIMO）技术

152、白皮书，202341 Cui Tiejun,Qi Meiqing,Wan Xiang,Zhao Jie,Cheng Qiang.Coding Metamaterials,DigitalMetamaterials and Programmable MetamaterialsJ.Light:Science&Applications,2014,3(10):e218-e218.42 Deng Ruoqi,Zhang YuTong,Zhang Haobo,Di Boya,Zhang Hongliang,Poor H.Vincent,Song Lingyang.Reconfigurable Hologra

153、phic Surfaces for Ultra-Massive MIMO in 6G:PracticalDesign,Optimization and ImplementationJ.IEEE Journal on Selected Areas in Communications,2023,41(8):2367-2379.43 Erik Bertilsson,et.al.,“A Modular Base Station Architecture for Massive MIMO withAntenna and User Scalability per Processing Node.”52nd

154、 Asilomar Conference on Signals,Systems,and Computers,ACSSC,October 28-31,2018.pages 1649-1653.44 Thomas Wirth,et al.,“Modular Concepts for Practical Massive MIMO Implementations.”IEEE Radio and Wireless Symposium,January 26-29,2020.pages 60-67.45 Jeongho Jeon,Gilwon Lee,et al.,“MIMO Evolution towar

155、d 6G:Modular Massive MIMO inLow-Frequency Bands.”IEEE Communications Magazine,2021,59(11):52-58.46 IMT-2030（6G）推进组，集中式超大规模 MIMO 关键技术研究报告，202347 ITU-R WP 5D,Framework and overall objectives of the future development of IMT for2030 and beyond,Sept.26,2023.48 IMT-2030(6G)推进组，6G 典型场景和关键能力白皮书，2022 年 7 月.

156、49 Z.Zhou,X.Gao,J.Fang,and Z.Chen,“Spherical wave channel and analysis for large lineararray in LoS conditions,”in Proc.IEEE Globecom Workshops2015,pp.16.50 崔铁军,金石,章嘉懿,赵亚军,袁弋非,孙欢等，智能超表面技术研究报告R，IMT-2030（6G）推进组,2021.51 RIS TECH Alliance,Reconfigurable Intelligent Surface White Paper(2023),March 2023,H

157、angzhou,China,(doi:10.12142/RISTA.202302002).Available:http:/ 章嘉懿,向际鹰,艾渤,菅梦楠,赵亚军.6G 多天线与智能超表面，电子工业出版社，2023.53“Study on Channel Modelling Enhancements for 7-24 GHz for NR,”3GPP TR 21.900,Dec.2023.54 Z.Wang,X.Mu,and Y.Liu,“Near-field integrated sensing and communications,”IEEE52/68Commun.Lett.,vol.27,

158、no.8,pp.20482052,Aug.2023.55 A.Sakhnini,S.De Bast,M.Guenach,A.Bourdoux,H.Sahli,and S.Pollin,“Near-fieldcoherent radar sensing using a massive MIMO communication testbed,”IEEE Trans.WirelessCommun.,vol.21,no.8,pp.62566270,Aug.2022.56 M.Lipka,S.Brckner,E.Sippel,and M.Vossiek,“On the Needlessness of Si

159、gnal Bandwidthfor Precise Holographic Wireless Localization,”in 2020 17th European Radar Conference(EuRAD),2021,pp.202205.57 H.Chen,M.F.Keskin,A.Sakhnini,N.Decarli,S.Pollin,D.Dardari,and H.Wymeersch,“6G localization and sensing in the near field:Fundamentals,opportunities,and challenges,”arXiv prepr

160、int arXiv:2308.15799,2023.58 Z.Zhang,Y.Liu,Z.Wang,X.Mu,and J.Chen,“Physical layer security in near-fieldcommunications,”arXiv preprint arXiv:2302.04189,2023.59 K.T.Selvan and R.Janaswamy,“Fraunhofer and Fresnel distances:Unified derivation foraperture antennas,”IEEEAntennas Propag.Mag.,vol.59,no.4,p

161、p.1215,Aug.2017.60 J.Zhang,Z.Zheng,Y.Zhang et al.,“3D MIMO for 5G NR:Several Observations from 32 toMassive 256 Antennas Based on Channel Measurement,IEEE Communications Magazine,vol.56,no.3,pp.62-70,Mar.2018.61 M.Cui,Z.Wu,Y.Lu,X.Wei and L.Dai,“Near-Field MIMO Communications for 6G:Fundamentals,Chal

162、lenges,Potentials,and Future Directions,in IEEE CommunicationsMagazine,vol.61,no.1,pp.40-46,Jan.2023.62 M.Li,Z.Yuan,Y.Lyu,P.Kysti,J.Zhang and W.Fan,“Gigantic MIMO ChannelCharacterization:Challenges and Enabling Solutions,in IEEE Communications Magazine,vol.61,no.10,pp.140-146,Oct.2023.63 E.Bjornson,

163、L.Sanguinetti,H.Wymeersch et al.,“Massive MIMO is a reality-What is next?Five promising research directions for antenna arrays”Digital Signal Process.,vol.94,pp.320,Nov.2019.64 Z.Yuan,J.Zhang,Y.Ji et al.,Spatial Non-Stationary Near-Field Channel Modeling andValidation for Massive MIMO Systems,IEEE T

164、ransactions on Antennas and Propagation,vol.71,no.1,pp.921-933,Jan.2023.65 S.Wang,T.Wang,et al.Pseudo MIMO(pMIMO):An Energy and Spectral EfficientMIMO-OFDM System.arXiv preprint arXiv:2404.06054(2024).53/684.ICDT 融合的融合的网络网络4.1 ICDT 融合的网络架构融合的网络架构4.1.1 6G 网络架构概览网络架构概览图 4-1 6G 网络架构作为一个复杂系统，6G 网络架构设计应考

165、虑多个视角和维度。本白皮书从空间、逻辑和网络功能视角提出了一个总体逻辑架构，被称为“3 体、4 层、5 面（3-4-5）”，包括三种架构设计：数字孪生网络（DTN）架构是基于“3-4-5”的孪生设计，包括映射、反馈和闭环的空间设计原则。整体服务架构（HSBA）是基于“3-4-5”的系统设计，通过服务定义端到端系统，包括组件、协议和连接。分布式自治网络（DAN）架构是基于“3-4-5”的 6G 网络部署设计，展示了6G 网络之间的连接关系和网络形式。它由自包含、同质的小型云单元（SCU）组成，以集中和分布的方式部署。4.1.2 三体四层五面架构三体四层五面架构所提出的逻辑架构在空间（体）、逻辑（

166、层）、和网络功能（面）的构成上呈54/68现出一个跨领域、跨层次、多维度的 6G 网络。6G 网络的“体”包括网络体以及两个新定义的体：管理与编排体和数字孪生体。网络体是最重要的网络实体，实现网络功能和网络运营。管理与编排体是一个功能实体集，进行网络资源和能力的全生命周期管理和编排。数字孪生体构建了一个数字空间，并实现了虚拟与实际之间的映射。考虑到运营、维护、故障恢复和测试成本的增加，有必要构建数字孪生网络（DTN）作为轻量级测试场地，以试验对现有网络的更改，实时优化网络，并实现网络自主性。6G 网络的“层”包括通信与计算力层、连接与路由层、基于服务的网络功能层和曝光启用层。通信与计算力层强调

167、资源元素“计算力”，用于进一步整合频谱、存储、计算和通信。连接与路由层继承了开放协议的设计理念，并将包括新技术，如确定性 IP 和 SRv6。基于服务的网络功能层延续了服务化架构（SBA）设计，并从核心网络扩展到端到端。曝光启用层进一步丰富了信息和通信能力的曝光，并为内部和外部应用提供服务。6G 网络的“面”包括两个现有功能增强的控制面和用户面，以及三个新定义的面：数据面、计算面和安全面。控制面得到增强以实现对新面的控制。用户面正朝着可编程、基于服务和跨域确定性的方向发展。新的数据面旨在解决用户数据迁移的问题。新的计算面通过分布式计算节点的协作提供计算能力。新的安全面具有由“安全数据+人工智能

168、”驱动的安全感知和主动保护，以实现零信任安全系统和内生安全。4.2 服务化网络服务化网络4.2.1 技术概念技术概念为进一步提升网络对差异化、多样化业务应用的适应能力，6G 将逐步完成向全域服务化网络的演进。全服务化架构是全服务化架构是 5G 服务化架构的深化与拓展服务化架构的深化与拓展，将从将从服务框架、服务接口、原子服务等方面进行增强，服务框架、服务接口、原子服务等方面进行增强，以充分发挥服务化架构优势，适应网络的分布式组织、服务的智能化调度、行业专网的灵活化部署。6G 将在 5G 核心网服务化架构的基础上进一步向 RAN 拓展，以顺应云原生技术发展趋势，解决现有单体集成式基站导致的成本高

169、、资源利用率低、可扩展性差等问题。服务化服务化 RAN 将传统基站功能解耦为网络功能与服务将传统基站功能解耦为网络功能与服务，通过服务化通过服务化55/68接口实现功能服务之间的交互与能力开放，以按需组合的方式提供更灵活、更接口实现功能服务之间的交互与能力开放，以按需组合的方式提供更灵活、更精简的网络服务能力精简的网络服务能力，实现 6G 全服务化网络，提升对全行业的适应能力。4.2.2 典型应用场景和潜在优势典型应用场景和潜在优势5G 服务化架构的创新性变革，为网络高效支撑千行百业个性化需求提供了有利的基础架构支撑。6G 网络需要满足更多场景的差异化服务需求，这些需求包括不同维度的空口极致性

170、能和定制化能力，以及成本可控、敏捷部署、按需扩展、快速迭代等。6G 服务化网络将具备服务按需组合的定制能力来支持差异化的场景需求。通感算智安融合趋势，加速网络能力开放需求。通感算智安融合趋势，加速网络能力开放需求。6G 业务将对网络侧、终端侧数据、能力有更加多样化的需求，如定位能力、感知能力。网络也可以将算力、存储、服务能力提供给业务层，进一步丰富网络的业务。所以网络设计需要充分考虑网络能力的开放性，能力开放不仅是基础设施的能力开放，也是基础服务的能力开放，既包括接入功能、核心功能、应用功能的能力开放，也包括底层的资源例如算力的开放，以及上层服务例如数据，智能化功能的开放。垂直行业提出更高的定

171、制化能力需求。垂直行业提出更高的定制化能力需求。在 5G SA 服务能力与业务深度融合后，展现出更高的需求。在边缘高精度定位场景中，5G 考虑到高精度定位的需求，规划并设计了米级精度的定位服务能力。但是随着定位业务的发展，逐步出现行业边缘场景中，如园区设备定位及追踪数据不出园的要求，厂区内 AGV 小车高精度定位导航的毫秒级准实时要求等。现有定位方案依赖于部署在集中节点的核心网网元以及定位平台，面向随着业务发展出现的新需求，既需提升数据安全要求，也需满足准实时要求。特殊场景的网络快速部署需求特殊场景的网络快速部署需求。服务化网络可通过软件定义和虚拟化的方式快速部署，带来网络弹性和自适应性优势，

172、可以用于灾难恢复和临时通信网络场景，迅速适应网络需求的变化，同时智能地管理和优化资源，满足紧急通信需求，确保关键通信的优先级。网络可持续性发展需求网络可持续性发展需求。在网络建设成本和功耗方面，服务化网络是原生于基于云原生技术的基础设施平台，将实现硬件资源池化共享，并在传统云化的基础上，通过“功能服务级别”的弹性扩缩容进一步实现网络资源利用率的最优化，由此大幅降低网络建设成本和以能耗为主的网络维护成本。56/684.2.3 关键问题与挑战关键问题与挑战5G 核心网已实现服务化架构改造，未来无线接入网侧将基于服务化技术进一步演进，引入新的功能、协议、架构设计，构建新体系和新服务。整体上整体上，服

173、服务化务化 RAN 网络架构的演进可能分为两个阶段：接口服务化和功能服务化。网络架构的演进可能分为两个阶段：接口服务化和功能服务化。从接口服务化角度看，网络中服务的拆分与重组需满足高内聚、松耦合原则，以支持 RAN 灵活地对外提供业务能力。同时，RAN 控制面的业务能力主要体现在接口交互上，因此需要考虑 NG 及 XN 接口能力相关的服务定义，以及新型接口技术。从协议功能与流程设计角度看，需要考虑全服务化架构下 RAN 与 CN 功能及流程的融合设计。RAN 服务化之后，端到端流程可以被进一步拆解、并支持多个子流程的并行执行，一方面可以缩短信令流程、避免响应等待导致的端到端时延长问题，另一方面

174、可以缓解服务调用栈太深导致的新功能引入门槛高、调用失败回退流程长等问题。此外现 RAN 与 CN 之间的直接服务调用，也意味着可以考虑引入新型 NAS 交互模型，突破 NAS 消息间的依赖关系，使能 NAS 消息直接转发到对应的功能服务。4.3 内生内生 AI4.3.1 技术概念技术概念面向 6G 泛在智能愿景，现有“外挂式”和“碎片化”的网络智能化解决方案和云 AI 服务供应方案存在效率较低，难以提供近实时高性能 AI 应用和服务的弊端，无法满足未来网络智能化、垂直行业等对智能的需求。对此，6G 需要实现内生 AI，即通过 CT 与 IT 的融合，构建一套内生于网络架构的高效率高性能 AI

175、服务供应系统，在网络内部实现 AI 全生命周期管理和AI 四要素的按需调度，打造内生的 AI 能力，为网络和数字化转型下的千行百业提供有质量保障的 AI 服务，对提升网络对全社会、全行业、全生态业务的适应能力，促进数字经济从“互联网+”向“智能+”发展具有重要意义。4.3.2 典型应用场景和潜在优势典型应用场景和潜在优势研究 6G 内生 AI，确定其价值场景是重要的一步。通过对比云 AI、算力网络 AI，分析 6G 内生 AI 的技术优势，据价值潜力、可行性、6G 内生 AI 的技术57/68优势性进行筛选，初步认为典型应用场景有 AR、感官互联网、车联网等。AR 场景中眼镜需要识别眼球转动和

176、注意力焦点，高实时地分析、显示移动用户感兴趣的环境标签。AR 具备强移动性，在移动场景的应用将为用户带来切实价值，这与移动网络完美结合。在实时性方面，赛迪智库提出，新形势下高质量 AR/VR 业务对带宽、时延要求逐渐提升，时延降低到 5ms 以下。并且在 3GPPTR 22.874 协议中，对 AR 游戏、远程控制机器人、远程驾驶的图像识别时延要求在 5ms 以下。除此之外，AR 应用多数涉及 AI 图像/视频识别检测等视觉任务，内生 AI 技术能够在支持 AI 任务的同时，有效满足 AR 用例对高实时性和强移动性的需求。感官互联是指除视觉和听觉外，触觉、嗅觉和味觉等更多感官信息的传输将成为通

177、信手段的一部分，可能会成为未来主流的通信方式。目前许多线下体验馆设置了 XR 的多感官体验，主要包括视觉和触觉。爱立信在感官互联网消费者报告中预计，到 2030 年，我们将在网上使用我们所有的感官。其中，68%的人希望使用 6 个感官互联网中的至少 1 个。在实时性方面，IEEE1918.1 提出，触觉互联网在沉浸式虚拟现实、自动化等应用中时延要求在 10ms 以下；IMT20306G 愿景白皮书也提出，毫秒级的时延为用户提供较好的连接。端边协同方面，XR 多感官游戏涉及到渲染等高计算任务，考虑到终端轻便化，内生 AI 技术可以有力支撑多感官任务的算力需求和端边协同需求。在车联网及其自动驾驶领

178、域，故障检测、视频识别等应用场景均涉及人工智能（AI）的运用。在经济和产业发展上，根据 IDC 预测，2026 年全球自动驾驶车辆规模为 8930 万辆，车联网成为未来经济发展重中之重。中国信通院在车联网白皮书中指出：安全驾驶类业务，远程遥控驾驶业务等需要低时延。3GPP在 TR22.874 协议中要求，远程驾驶单向时延 10ms,图像识别小于 5ms，故障检测、安全警告、视频识别时延需求 500ms1s。目前汽车电动化进程已经初步完成，智能化与网联化将成为车联网领域的发展主线。由此可见，车联网正在重塑汽车产业的生态系统，以实现“人、车、路、云”之间的高效协同，且计算机视觉与 5G 已经成为车

179、联网的重要技术组成，AI 技术的优势明显，是未来非常有潜力的价值场景。内生 AI 在这些应用场景中具备显著的技术优势，尤其在移动性和实时性方面；此外，利用移动网络可实现多车辆间的快速协作和数据共享。58/684.3.3 关键问题与挑战关键问题与挑战面对 6G 泛在、差异化的智能需求，为数字化转型下的千行百业高效提供全生命周期高质量的 AI 服务，内生 AI 需要实现 AI 全生命周期管理、QoAIS 评估与保障和 AI 异构多维资源融合。为了在随时随地提供 AI 服务同时，通过持续迭代优化，不断提升系统性能和用户体验，需要网络内 AI 全生命周期管理。5G 时代 AI 工作流程的大部分环节位于

180、线下，与网络运行环境割裂，不同智能应用场景间采用“烟囱式”研发模式，效率低下，成本高昂。6G 网络需要为 AI 工作流的端到端各环节提供完整的运行环境，满足其全生命周期的运行需求，在网络内部实现 AI 工作流的产生、执行、监测、评估、优化、完成及删除全过程，完成 AI 的持续迭代升级。为了在实现智能泛在接入的同时，确保用户体验和交通、工业、金融等行业的可靠性要求，需要一套统一可量化的 QoAIS 指标体系和闭环高效的评估和保障机制。在 QoAIS 指标体系方面，需从评估指标上改变传统仅考虑通信连接指标的 QoS 体系，将 AI 相关指标作为新的评估维度纳入；从资源维度上需要突破传统仅考虑通信连

181、接资源的单维评估体系，考虑连接、算力、算法、数据等多资源维度对 AI 服务质量进行综合评估。在 QoAIS 评估和保障方面，现有以会话为中心的通信网络 QoS 保障机制难以适配以任务为中心的 AI 服务模式，而云 AI将通信网络作为透明传输管道，只能提供尽力而为的 AI 服务。因此，需要 QoAIS评估与保障实现从用户需求到网络资源的多层映射，引入以 AI 任务为粒度的进行生命周期管控功能，对传统管理面和控制面进行合适的协作方案设计，使得对AI 服务质量的评估和保障更为实时和高效。为了满足更为苛刻的 QoAIS 需求，需要从无线接入网侧协议栈功能来探讨AI 多维资源融合置换机制，从而实现 AI

182、 多维资源的按需、实时且灵活的配置。在 AI 异构多维资源融合控制功能方面，需同时考虑 AI 所需资源的多维性和异构性，根据资源特性来研究 AI 异构多维资源融合分配和置换机制；在控制协议流程上，需突破传统仅考虑通信无线承载生命周期的控制方式，研究 AI 异构多维融合承载建立、配置、维护和释放，并研究移动场景下融合承载的切换机制，从而支撑异构多维资源灵活的调度和置换，解决复杂情况导致的资源切换问题。在AI 异构多维资源融合承载功能方面，融合承载涉及跨资源维度和跨节点的融合59/68处理，已经超越现有通信协议栈所能完成的内容范围，因此需要增强相应功能模块与处理流程，实现异构多维资源融合承载映射的

183、同时保障整体流程的实时性和灵活性。4.4 数字孪生网络数字孪生网络4.4.1 技术概念技术概念数字孪生作为一种新的范式，正加速推动物理网络和虚拟网络的深度融合，为网络的数字化、智能化转型带来新的契机。基于数字孪生的自治网络是解决因部署规模日益庞大和多网并存所导致的网络运维难的有效手段。未来网路需要从网络架构设计之初就以内生的形式引入网络的数字孪生，保证高效的数据获取和对不同场景的建模、验证能力，并结合 AI 的应用实现高度的网络自治。数字孪生网络是一个由物理网络实体及其孪生的数字化网络构成的，且物理网络与孪生的数字化网络间能进行实时交互映射的网络系统，有望实现针对各种潜在的新能力与新服务，高效

184、地进行功能、性能的预验证，降低现网验证的风险和成本，达到网络端到端全生命周期的孪生自治。为进一步提升网络高水平自治能力，降低网络试错风险和成本，无线网络数字孪生架构应遵循可精准感知性、可自主控制性、可高效验证性、可快速迭代性、可扩展演进性等设计原则，使网络具备实时性和高精度的数据感知能力、对策略高效精准的验证能力、闭环自主优化控制能力，新技术、新功能、新需求等的快速更新迭代能力以及支持基于业务需求的弹性扩展演进能力。4.4.2 典型应用场景和潜在优势典型应用场景和潜在优势数字孪生网络在网络生命周期的各个关键阶段发挥了关键作用，实现了其三个核心价值：智能化决策、高效率创新和低成本试错。在网络规划

185、方面，通过数字孪生技术的智能建模和数据分析，网络规划者能够做出更智能化的决策，预测网络性能和容量需求，从而提高规划的准确性。在网络建设过程中，虚拟建设通过数字孪生技术的支持实现，使网络建设更加高效，避免了潜在问题，降低了建设成本，实现了低成本试错的目标。在网络优化阶段，数字孪生技术监测和模拟网络性能，为高效率创新提供了基础，通过实时的数据分析和模拟优化方案，找60/68到了最佳配置和参数。在维护方面，数字孪生技术的实时网络镜像和预测性维护减少了停机时间，提高了网络可靠性，体现了低成本试错的理念。最后，数字孪生技术为网络运营提供全面的数据分析，支持智能决策和运营策略的制定，使网络管理者能够更灵活

186、、迅速地应对不断变化的网络环境，实现智能化决策。其中网络优化场景有大规模 MIMO 权值优化场景、智能 RAN 切片场景、广域覆盖场景资源联合调度场景、工业互联网场景等。大规模 MIMO 权值优化场景主要具有两个难点：一方面大规模 MIMO 权值组合空间庞大，参数数量随基站数目增加呈指数型增长，受限于时间成本和金钱成本，真实无线网络很难采集到所有权值组合下的数据样本；另一方面大规模MIMO 权值频繁调整可能对无线网络性能造成不良影响。利用数字孪生技术可以将无线通信物理模型和真实无线网络数据相结合，建立数字孪生网络，以此为基础对真实无线网络数据进行数据增广并对大规模 MIMO 天线权值配置方案进

187、行预验证和迭代优化，从而提高大规模 MIMO 权值优化的权值决策精度、及时性和鲁棒性，降低对真实网络影响。未来的大规模 MIMO 网络权值调整将会依据网络状态和用户需求等网络实际数据进行智能决策，进一步成为智能无线网络技术的重要组成部分。智能 RAN 切片场景需要预知流量分布与信道变化，迅速响应网络环境变化，实现高效率、高可靠切片资源管理。无线接入网中用户移动性与垂直行业复杂无线信道动态性，所带来的网络流量与信道质量随机波动，以及网络密集部署引起的网络规模急剧扩增给智能 RAN 切片场景带来了巨大的挑战。数字孪生网络的数据生成功能能利用实际数据和深度生成模型训练生成更多数据，增强切片策略的鲁棒

188、性和泛化能力。数字孪生网络将构建虚拟切片网络系统，根据网络状态和策略预测性能并调整切片策略，使得智能 RAN 切片系统更快速适应不同环境。广域覆盖场景下的资源联合调度需要对基站的状态进行预测，并对节能的性能进行准确的验证，需要对基站的节能性能进行综合建模，需要数字孪生网络建模技术支撑。基站节能决策的优化需要决策模型根据预验证的性能进行优化，可以通过数字孪生网络完成基站节能操作性能的验证与优化。工业互联网场景具有信息交互模式单一等问题，网络通信、感知、计算分立设计，导致信息互通困难、时延大、无法满足柔性智能制造等现代工业场景的大61/68规模接入与超低时延高可靠通信、高效实时计算和控制等需求。基

189、于通感一体化技术构建面向 6G 的柔性制造数字孪生系统平台是该问题的一种有效解决方案。无线数字孪生网络为通感一体化技术提供分布式算力支持和 AI 算法库，为高维度高复杂性通感一体化优化问题提供解决方案，为多点多元协作感知和数据级、信号级感知信息融合问题提供算力、算法和低成本仿真验证支持。4.4.3 关键问题与挑战关键问题与挑战当前数字孪生网络面临的技术挑战主要包括如下五方面：一是如何采集与优化数据，面对海量的多源异构数据，如何轻量化、实时性采集，并优化构造成高分辨率统一数据集；二是如何精准、高效建模，面对功能复杂的网络，如何构建高精度、高效率的孪生模型，且模型之间互联互通，实现多模型的联合优化

190、；三是如何高性能预验证，使模型形成的网络功能和性能优化策略在孪生层完成快速且准确的预验证；四是如何协同异构资源，不同厂商之间，协议接口的不同、资源异构，协议接口兼容性、扩展性面临新的挑战；五是如何平衡可视性能和算力消耗，可视化性能和算力资源的消耗面临挑战。4.5 多维度组网多维度组网4.5.1 技术概念技术概念【广域微域融合技术】6G 愿景推动社会走向“万物智联、数字孪生”，实现虚拟世界、生物世界和物理世界的融合交互，解决从广域到局域及微域的全场景、全区域覆盖。其中，广域是指由运营商提供信息通信及可管可控连接和传输的无线蜂窝网络，而微域是指在特定实体中（如车内、人体、家庭内等）或微小区域范围内

191、部署形成的小型无线网络，支持本地业务处理不出域，且能提供微域内极致性能服务。广域微域融合旨在延展传统移动通信网络的部署及功能边界，在广域网络末端支持微域网络连接，构建类似网中小网的组网形态，在广域网协同控制下，充分发挥微域的短距离通信优势，从而支持 6G 超高速率、超高传输可靠性、超密62/68集部署以及超低传输时延等极致性能需求，实现有限无线资源的高效重用，改善网络覆盖、提高频谱效率、降低系统功耗。面向 6G 无处不在的接入需求，广域网络将从平面向立体拓展，形成以地面网络为依托、以天基网络和空基网络为拓展的多层立体、融合协作的网络。天基卫星网络实现更广泛的全球无缝覆盖，空基各类无人平台为普通

192、手持终端和应急需求提供保障。空、天、地网络采用统一的调度管理，结合 AI 等智能化技术，实现面向 6G 的多维立体、灵活、按需可重构网络。4.5.2 典型应用场景和潜在优势典型应用场景和潜在优势4.5.2.1典型应用场景典型应用场景6G 潜在应用场景如沉浸式体验、数字孪生人、智慧交互等对网络覆盖范围需求小，对短距离通信需求大，同时在传统性能指标基础上，对极致性能提出了更高要求，从而驱动网络覆盖需向更小更微渗入；此外终端类型多样化、业务场景需求差异化急需“微而精”的微域网络提供定制化服务。而针对海量终端超高密集部署场景，如传感器的数据采集与传输，无需所有终端都同时接入广域网络，可考虑将这些终端的

193、数据在微域内汇聚，再通过汇聚的统一节点与广域网交互通信，从而大大减少广域网络负载，提高频谱资源利用率。广域微域融合技术的典型应用场景可以分为面向行业应用的 ToB 微域和面向消费者的 ToC 微域。ToB 微域包括使能未来工业数字化、自动化的产线微域，助力智能绿色交通的车内微域等。其中产线微域可支持机器人机械臂实现短距且快速的驱动控制，广域网用于协调产线中各模块资源；车内微域实现分布式实时无线控制，包括点火、制动控制等，保证车内安全，以及使用摄像头拍摄影像辅助驾驶或自动驾驶等，广域网解决排队、前方碰撞警告和变道警告问题。该类应用一般对数据传输的延迟和可靠性有很高要求，将成为 6G 面向行业应用

194、的重要组成部分。ToC 微域包括支持感官互联、数字孪生人、脑机接口等应用的个人微域，以及支持沉浸式云 VR、云游戏、智慧家庭等应用的家庭微域。其中感官互联/数字孪生人支持多个感官器官间进行实时数据交互，实现所有感官的高度同步，微域用于连接植入或安装在人体上的可穿戴设备，广域通过微域传输的数据分析来实现健康监测、疫病预防或早期监测等。智慧家庭内的传感器实时感知用户动作，63/68数字孪生家庭能够结合历史数据及智能分析，实时预测用户的行为等，在广域形成数字映射。该类应用通常对于吞吐率以及可靠性有很高的要求。通过微域通信技术支持，6G 将提供完全沉浸式交互场景，满足人类在多重感官、甚至情感和意识层面

195、的联通交互。6G 网络的覆盖愿景中，既包括海量的无线通信也包括随时随地的广泛连接，这样复杂的需求必然需要融合多种网络架构和技术来实现。通过融合空、天、地不同网络技术和资源，满足不同的接入需求，统一调度，按需重构。空天地一体的广域网典型的覆盖场景包括以下几类：1）对当前网络覆盖拓展；2）对网络服务能力的提升；3）融合的新业务场景。具体而言，对当前网络覆盖拓展，面向地面网络覆盖困难的区域，如空中，海洋，戈壁荒原等，空天网络与地面网络结合可以无缝衔接，为用户提供立体连续服务。灾害救援和应急场景在地面网络不可用条件下，空天网络也可成为有效的补充。对网络服务能力的提升，一方面面向提高整体能力，另一方面面

196、向降低网络成本。6G 提供更高速率更低时延的服务，必然需要更大带宽更高频率，也更易造成覆盖空洞。空天网络发挥广覆盖优势，作为底层覆盖网，为用户提供基础持续连接，地面网络作为热点提供高质量服务，相互配合保障业务质量。融合的新业务场景，充分利用卫星广播能力和远距传输能力，提供专业服务。如面对海外资产管理需求，海外园区内通过地面网络接入，再通过卫星网络传输，数据不落地满足安全性需求。对于车联网等业务，公共消息可以通过卫星网络快速大范围广播，个性化需求则通过地面网络实现，提升整体效能。4.5.2.2潜在技术优势潜在技术优势广域微域融合技术可分为异制式融合与同制式融合。其中异制式融合指将移动通信与传统短

197、距通信技术（如 WiFi、蓝牙等）融合，但因现有短距离通信技术及标准私有协议多，大多工作于非授权频谱或专用频谱，多种技术共存难免会导致干扰问题，无法保证极致通信性能需求。而同制式融合可实现广域微域统一技术体制，形成集中式加分布式的网络形式，做到资源统一调度与干扰可控，提高传输可靠性，降低传输时间，使能“一张网”同时兼顾广域连续覆盖与微域特殊场景覆盖需求，解决从广域到微域的全场景、全区域覆盖问题。广域微域同制式融合技术优势在于可支持“广而全”+“微而精”的网络部署。通过定制化“网64/68中网”，满足特定应用场景需求，例如在某些行业应用场景（例如工业自动化）达到无线传输替代有线传输效果。突破传统

198、网络站址固定部署限制，实现广域网络控制微域网络快速灵活部署，减少光纤铺设，降本提效。支持微域网络业务不出域本地化处理，避免基站中转，减轻运营商网络承载压力，降低端到端时延。与传统的卫星网络+地面网络分别服务不同的用户相比，空天地一体网络最大的优势是为网络运营商大幅度降低了全球覆盖的成本，同时提供了灵活的网络部署方式。网络运营商可以根据自身用户业务分布情况和建设维护成本，灵活选择采用地面或空、天网络提供服务。同时，空天地一体网络为运营商在物流，航运等领域拓展用户提供了大量空间。此外，卫星更好的安全性能和抗灾性能，为广域传输提供了替代传统海底光缆的方案，也为海外资产的保护和管理提供了助力。4.5.

199、3 关键问题与挑战关键问题与挑战广域微域融合的关键技术问题在于如何使用一套技术体制满足6G多样化业务的差异化需求，以及干扰协同及使能微域内极致性能传输技术。广域微域融合复杂而多样的部署场景及微域的动态移动性，导致网间干扰严重，且具有多样性、动态性、突发性等特点，需突破多域间网络协调与协同传输问题，设计更加鲁棒的资源调度、干扰管理等机制来提升用户性能体验。如攻关广域微域融合干扰抑制技术，设计基于广域协同微域资源选择的集中式迭代方案，解决微域移动性导致的干扰动态性问题，实现至少 6 个 9 的数据包传输可靠性；设计广域辅助微域的接入、资源调度、功率控制等空口传输方案，提高支持微域本地业务不出域处理

200、及满足极致性能业务传输体验（如百 us 级超低闭环传输时延）可能性。对于广域空天地一体网络从网络架构设计角度看，面临的最重要的问题，是如何实现多层网络间的协调统一。卫星星座具备的全球覆盖能力，必然造成卫星网络与其他各层网络间存在覆盖范围的重叠，除了造成网络资源的浪费也将造成不必要的干扰。频率方面星地间竞争激烈，目前低频段中，间隔分布着零散的小带宽的卫星和地面的业务。空天地一体化网络要具有较高的效率，就需要在明确各自覆盖目标的基础上，对时频资源资源进行合理分配统一管理。从组网角度看，太空轨道位置数量有限，为了提升容量和接入能力，各国对频轨资源的争夺异常激烈。同时卫星地面站建设也受各国政策影响。形

201、成全球服65/68务能力，需要全球各国政府间统一协调。从卫星设计制造而言，受制于硬件性能影响，当前单星能力有限，在尺寸、功耗、一致性等方面性能仍需加强，以提供更高的性能。大规模组网为星间链路带来的超大负荷也需要太赫兹/激光传输性能的进一步提升。4.6 用户为中心网络用户为中心网络4.6.1 技术概念技术概念随着新场景、新频段、新技术的引入，多样化的通信系统需求驱动 6G 网络从传统的以网络为中心到端到端的以用户为中心的转变。以用户为中心的接入网（User-CentricAccess Network，UCAN）不受高层节点部署约束，以用户和业务为中心，灵活组织网络节点和资源为任何用户提供随时随地

202、的按需满足，是未来6G 高效网络服务和完美用户体验的关键支撑。以用户为中心的网络可以智能地感知用户的无线通信环境，然后灵活地组织所需的网络接入点和资源为用户服务，让用户时刻感觉处在无线信号覆盖范围的中心。UCAN 具有五个主要特征：深度定制是针对用户实时需求，提供高度个性化和定制化的网络服务和体验；弹性可重构是按需为用户对网络侧节点进行动态配置，优化资源和干扰管理，降低能耗；开放和兼容指灵活检测和构建网络侧接入点，兼容多种网络类型；智能自适应用户服务是动态检测用户服务需求，智能自适应地为不同类型的终端和业务提供定制服务；用户权益提升指引入面向权益管控的新手段，增进 6G 无线系统的价值创造再生

203、空间。4.6.2 典型应用场景和潜在优势典型应用场景和潜在优势以用户为中心的 6G 无线网络不但可以提供个性化的专属服务，还能以用户为粒度优化信令开销和网络性能，融合多维资源灵活组网，广泛地满足 toB、toC场景需求，赋能千行百业的发展，具体地场景和以用户为中心的优势如下：6G 新型融合网络场景：针对其涵盖了超密集网络、广域覆盖网络、边缘云网络、空天地一体化等多种网络类型的特点，以用户为中心可以融合不同的网络侧接入点类型和无线接口类型，选取可用的接入点按需为不同类型的用户提供服务。66/68沉浸式通信场景：针对其要求网络同时提供超高的数据速率以及超低时延、超高可靠的性能保障的业务特点，UCA

204、N 通过多节点协调和灵活的分组设置，保证每个用户的独立业务传输，同时也为用户提供更灵活、更丰富的资源，满足全网大流量业务需求。另外提出用系统级指标（如系统容量）更直观地体现该场景对 6G 系统不同于 5G 的用户和业务需求的直观要求。通感算一体化和智能服务场景：UCAN 通过检测用户以及其服务需求，智能自适应的为用户构建灵活的小区，实现路径选择、无线资源协调、接入节点的选择等网络功能，同时基于对用户服务需求和网络状态的的感知，智能、快速地协调多用户之间的算力资源，满足业务对算力的需求，实现通感算智一体化网络性能。4.6.3 关键问题与挑战关键问题与挑战以用户为中心的技术研究首先需要通过简化和优

205、化的底层设计，解决连接和组网、移动性管理、传输提升、资源编排、新技术融合等关键问题，实现以用户为中心网络的连接和传输等基础服务，满足不同场景下用户的差异化连接需求，提供高速数据传输和一致性体验，并通过友好地网络交互和定制化使用户拥有更高的自主权。未来，面对网络规模不断扩大、复杂性不断增加以及跨学科和跨领域发展的趋势，以用户为中心的网络需要在整个架构层面，对不同接入方式采用统一的至简设计，搭建多网络节点下、多终端灵活连接的架构平台，同时考虑与内生智能、通感一体化、计算协同、新型安全的深度融合，探索更有创新性的设计，真正实现以用户为中心的端到端网络。参考文献1 FuTURE 5G6G SIG,以用

206、户为中心的 6G 接入网技术研究.2 ITU-R,Future technology trends of terrestrial International Mobile Telecommunicationssystems towards 2030 and beyond,Report M.2516-0,Nov.2022.3 S.Chen et al.,User-Centric Access Network(UCAN)for 6G:Motivation,Concept,Challenges and Key Technologies,in IEEE Network,doi:10.1109/MNET

207、.135.2200587.67/685.总结与展望总结与展望随着 AI 大模型、算力网络、语义通信等新技术趋势的出现，ICDT 技术一方面在各自领域向着纵深方向继续发展，与此同时，各个领域也在逐步加速深度融合。ICDT 的深度融合必将成为未来网络发展的重要驱动力。未来 6G 将是一个通感算智深度融合、空天地一体全域覆盖的新一代移动信息网络。通过信息在感知、传输、认知、决策和行为层面的优化处理，最终构建出一个以“性能沉浸式”、“要素融合化”、“覆盖全域化”、“网络平台化”为特征的 6G 网络。24年将是6G从单点技术研究逐步走向体系化构建和业界共识形成过程中承上启下的一年。本文倡议：加强信息通信

208、领域的跨界融合技术研究与协同，以需求为牵引，加快基础理论、瓶颈技术问题的联合攻关和协同创新。同时，注重跨界融合技术创新向应用与服务的转化，培育应用层的产业生态，孵化新业务、新应用。最后，进一步加强国际合作，各国携手，为实现“数字孪生，智慧泛在”的 6G 愿景，共同夯实 6G 基础，推动其全球化发展。.68/68致致谢谢责任编辑：责任编辑：易芝玲，王森，王天雄核心贡献单位：核心贡献单位：中国移动：王森，王天雄，赵芸，王爱玲，马良，王亚娟，金婧，王启星，崔春风中信科移动：彭莹，杨现俊，刘海涛，谌丽，张钰婕华为：施学良，何佳，王坚中国联通：马静艳，杨艳，张琳中兴通讯：赵亚军紫光展锐：徐志昆，张萌清华大学：秦志金，王紫荆北京理工大学：曾捷北京邮电大学：龙航北京交通大学：马国玉