專刊：通信和人工智能

特邀策劃人

劉光毅

工學博士，教授級高工，享受國務院特殊津貼專家，現任中國移動通信集團公司首席專家、中國移動通信研究院首席專家和6G總監、毫米波與太赫茲產業聯盟副理事長、北京通信學會理事、工信部IMT-2030研究組無線組副組長。2007—2013年負責中國移動的TD-LTE及其演進的研究、標準化、產業化和國際推廣；2014—2019年負責中國移動集團公司5G關鍵技術研究、標準化和產業化推進；自2019年開始負責中國移動的6G研發；2014—2020年擔任Global TD-LTE Initiative (GTI)的頻率組主席、TD-LTE演進和5G eMBB項目的協調人，帶領全球產業開展TD-LTE演進技術和sub 6GHz 5G的產業化和國際推廣。曾主持3項國家級研發項目，2016年榮獲國家科技進步特等獎，2018/2021年通信學會科技進步一等獎，2017年團隊入選央企楷模，2017年入選科技部中青年科技創新領軍人才，2020年入選全國勞模，先后榮獲中國通信標準化協會科學技術一等獎和二等獎共5項、國家知識產權局頒發的專利優秀獎3項，參與國際標準制定20余項，個人授權專利152項，在國內外學術期刊雜志發表學術論文150余篇。

內容導讀

隨著移動通信技術的普及和推廣，移動通信網絡已經成為整個國民經濟的重要基礎設施，5G更是位列我國十大新基建之首，通過超高速率、超低時延和超大連接的全新能力，賦能千行百業的數字化轉型和升級，對我國數字化經濟的發展起著至關重要的作用。

近年來，在摩爾定律的發展和推動下，計算芯片的工藝和水平不斷取得突破，特別是在專用計算芯片GPU等的支持下，人工智能技術的算法和模型的研究不斷取得突破，讓一些原本復雜問題的處理變得簡單而高效，人工智能和大數據的應用研究逐漸成為熱點。隨著傳統移動通信技術的發展和突破遭遇瓶頸，眾多科研人員開始轉向AI和通信技術融合的研究，試圖通過AI的應用來解決通信中的眾多推理和優化問題，并在無線信道的預測與反饋、無線資源管理的優化、波束賦形權值的優化、移動性管理、無線業務預測、網絡故障的根因分析等方面取得了較好的效果。特別是面向6G移動通信技術和網絡的研究，有研究人員更是提出要通過內生AI的設計，將AI打造成網絡的一個基礎能力和服務，按需提供AI應用所需的數據、算力、算法和模型，支持隨時隨地的AI應用，賦能2030年“智慧泛在”的發展愿景。為此，中國移動、華為等聯合國內的大學和企業成立了6G Alliance of Network AI (6GANA)，希望能夠聯合國內外的大學和企業，共同推動6G Network AI的研究，形成行業共識，推動AI as a Service在6G網絡中落地。

鑒于上述情況，為了更好地將我國移動通信技術與AI融合的最新研究成果介紹給讀者，進一步加速AI在6G中的應用研究，賦能各行各業面向2030年的智慧化轉型，我們組織了本專刊。

為了解決5G網絡能耗高、結構復雜和運維管理難度大等問題，同時使得6G網絡具備更極致的全場景適應能力，《內生智能和端到端服務化的6G無線網絡架構設計》從網絡功能、網絡結構、網絡運行三個方面對未來6G網絡進行了智慧內生和極簡的設計，提出端到端微服務化的架構、多頻段協同的信令廣域覆蓋機制及方案、網絡內生智能設計和AI服務質量指標體系及保障機制，并對內生AI網絡架構中基于QoAIS的AI工作流編排方案進行了仿真分析

面向服務化、智能和開放化的6G無線網絡，《基于AI內生的無線接入網絡架構》提出了一種基于AI內生的無線接入網絡架構，包括智能面、控制面、用戶面的功能，通過引入智能流、智能體的方法，實現了AI內生，并提出未來基于AI內生的無線網絡設計還需要應對ICDOT融合、通信感知算力融合等方面的挑戰。

《6G通算融合網絡架構》提出了一種在無線網絡內通信資源與分布式計算資源實時協同的計算面方案，來實現6G網絡業務適配能力上的突破，提升綜合資源能效。在終端和基站聯合模型拆分推理場景下，仿真驗證了控制面融合方案能更好地應對終端空口連接帶寬發生的變化，大幅降低業務時延抖動。

《面向6G的雙循環數字孿生網絡架構設計》提出了基于雙循環機制的數字孿生網絡架構，闡述了數字孿生網絡的重要特性，詳細給出了系統的架構設計及其在算力眾籌上的應用案例分析，最后對數字孿生技術未來的發展進行展望，分析了未來面向6G的數字孿生網絡面臨的問題與挑戰。

《任務為中心的6G網絡AI架構》重點闡述從會話為中心到任務為中心的架構變化，以及任務為中心的架構面臨的技術問題，提出了一種以任務為中心的無線網絡架構，通過統一架構來提供AI4NET、NET4AI、AIaaS的服務；提出了任務管控的三層邏輯架構，滿足實時和靈活的任務部署需求；提出了在無線接入網域和核心網域獨立部署任務錨點TA和任務調度器TS，從而實現不同域內任務的獨立部署和各域自治；通過控制信令的方式實現任務控制功能，給出了具體的接口、協議框架和流程設計，并給出針對任務執行期間的任務QoS保障、AI用例自生成和任務應用實例等。

《一種支持語義解析的智能通信服務網絡架構》提出一種支持語義解析的智能通信服務網絡架構，在現有底層通信和上層應用之間增加基礎語義服務層，使用深度學習實現語義信息的編碼和解碼，構建通信場景的語義知識庫，設計語義標識倒排索引,并以分布式視頻會議場景進行了概念驗證，可以有效支撐通信網絡面向萬物互聯場景的服務智能化。

《智啟無線：下一代智能無線通信系統的需求與構建》給出智能業務為6G帶來的新需求與新變化，分析了AI技術為通信系統賦能與重構的特征與效果，最后對以用戶需求和服務為中心的未來智能無線通信系統進行了展望。

針對6G網絡面臨著資源維度高、網絡動態性強、資源調度復雜度大等諸多問題，《知識驅動的6G網絡資源調度綜述》提出將基于理論模型和專家經驗的網絡資源調度知識與神經網絡方法深度融合，通過引入知識子層和網絡資源決策知識庫來設計知識驅動的資源調度方法，并提出了未來的研究方向，包括基于本體論的6G全場景知識圖譜構建、基于6G全場景知識圖譜的場景服務識別和基于多知識聚合的6G網絡資源按需調度。

《基于強化學習的基站多維度資源協同分配方案》指出面向未來更高實時性的業務需求，6G無線網絡需要實現通信與計算的深度融合，一種可能的模式是基站內部具有計算資源，并高效協同調配通信與計算資源。同時，從節能的角度出發，未來6G無線網絡則需要同時考慮通信業務與計算業務，將能效作為基站進行通算資源協同分配的優化目標之一。

為了剖析物理層AI算法設計、數據集構建、評估準則和指標以及泛化性增強等技術問題的內在關系，《物理層AI關鍵技術探討》從物理層AI研究面臨的挑戰出發，給出了物理層AI算法設計中泛化性的定義，提出了系統性能的評估準則和指標，深入分析了物理層AI的開銷，提出了數據集構建準則，以及泛化性提升的多種方案，并對未來研究和標準化進行了展望。

《基于AI的信道估計的泛化性能提升方法》針對泛化問題，提出了結合遷移學習、聯合訓練和模型無關的元學習的信道估計方案，并以信道場景變換為例驗證了上述三種方案的泛化以及遷移性能，基于MAML的方案以最少的微調次數實現了最高的信道估計精度，是一種非常有潛力的訓練方案。

通過使用非對稱卷積來增強傳統卷積的特征提取能力，《基于非對稱卷積的大規模天線信道狀態信息反饋算法》提出了一種基于非對稱卷積的自編碼器算法來處理CSI壓縮和解壓問題，并考慮到實際應用部署，采用裁剪方法來有效降低接收機對于存儲空間的要求，仿真結果表明該算法可以提高歸一化均方誤差和余弦相似度ρ的性能，也驗證了算法裁剪和多模型集成在保障算法性能的同時，可進一步使參數量減少83%和90%以上。

通過在Massive MIMO系統中將CSI重構得到的角度時延信道幅度矩陣作為指紋，《大規模MIMO系統領域自適應定位》提出了一個基于分歧差異的深度卷積對抗網絡領域自適應指紋定位方法—網格中心重定位的方法，仿真結果表明，該方法可以有效緩解環境變化對定位方法的影響，并達到較高的定位精度。

《多元LDPC編碼調制系統CNN輔助迭代檢測譯碼算法》針對相關噪聲信道提出了一種適用于多元LDPC碼的深度學習輔助譯碼算法，將卷積神經網絡引入到基于硬信息的迭代大數邏輯算法中以對抗相關信道噪聲影響,能夠獲得最高1 dB的性能增益，證明了該方案在恢復受干擾符號的有效性。

《信噪比自適應Turbo自編碼器信道編譯碼技術》提出了自適應信道SNR的Turbo自編碼器信道編譯碼系統，通過引入注意力機制感知信道變化，生成與信道條件相匹配的編碼碼字,仿真結果表明該方法能夠有效應對信道條件的變化，大幅降低設備端神經網絡參數的存儲開銷。

《基于深度強化學習的物理層欺騙檢測方法》針對無線網絡中潛在的物理層欺騙攻擊威脅，提出一種基于深度強化學習的物理層欺騙檢測方法，可以實現檢測閾值的動態連續選擇且對于動態未知環境具有自適應性。仿真結果表明該算法可以有效地檢測物理層欺騙攻擊，檢測概率達到97%以上，檢測性能優于優化的固定檢測閾值方法。

《基于深度學習的自動調制識別方法綜述》針對復雜多變的電磁環境中的信號識別問題，提出了將DL算法應用于AMR任務,總結了針對不同的信號表示所設計的神經網絡模型，并概述了 AMR存在的問題以及潛在的研究方向。

針對無線通信網絡在低干信比條件下單節點干擾正確識別率較低等問題，《基于深度卷積神經網絡的多節點協同干擾識別方法》提出了一種基于深度卷積神經網絡的多節點協同干擾識別方法，并設計了基于中心判決和基于硬判決的兩種干擾識別算法，仿真結果表明該方法能夠顯著提升無線通信網絡在低干信比條件下的干擾正確識別率，且基于硬判決的方法較基于中心判決的方法有更好的性能。

針對未來工廠中機器人的工作環境復雜多變和機器人進行協作定位時無法獲知全局信道狀態嚴重影響機器人的定位性能問題，《面向智能工廠多機器人定位的無線分布式協同決策》提出了基于雙重超Q神經網絡的多機器人協同決策算法，將多機器人進行協作定位時的決策系統構建為競爭加合作模型，同時引入機器人決策軌跡的記錄空間以實現對其他機器人的行為預估，仿真證明該算法在實現精準行為預估的基礎上能夠收斂到最優策略。

《一種基于神經網絡的alarm2vec告警壓縮算法》提出了一種基于神經網絡的alarm2vec算法以及結合極大團圖挖掘告警間的關聯規則，實際網絡告警數據實驗結果表明，該方法相對原始數據，可實現39.85%的告警壓縮率。

《基于深度強化學習的自動協商研究綜述》回顧自動協商框架和模后，系統闡述深度強化學習在自動協商任務中的應用，包擴經典算法及模型，探討了未來深度強化學習與自動協商任務融合的前景和挑戰。

《基于強化學習的信道碰撞對抗研究》從現有防碰撞策略入手，提出了基于強化學習的自適應信道干擾方法，對比已有典型方法，運用強化學習技術可以智能尋找到更低功耗與更高效能的智能干擾策略，并在高并發場景下驗證了該方法的有效性。

針對傳統基于數據的網絡故障診斷方法存在可解釋性差、應用性低等問題，《基于知識圖譜的5G網絡故障分析方法》結合知識圖譜技術，提出了一種基于知識和數據雙驅動的網絡故障分析方法，通過本體構建、知識抽取以及知識融合等步驟利用Neo4j圖數據庫搭建面向網絡故障診斷的知識圖譜，然后結合機器學習進行智能化網絡故障診斷與分析，將網絡故障診斷問題拆分成不同子問題并匹配準確度最高的機器學習算法，仿真結果表明該方法可以有效提高網絡故障診斷的準確性。

針對無線移動網絡性能異常的診斷識別問題，《基于無監督學習的無線網絡性能異常檢測方法》給出三類通用的檢測方法，分別為基于統計特征的異常檢測、基于密度的異常檢測以及基于聚類的異常檢測，并選取現網性能指標數據，對三種算法進行評估分析，證明基于聚類的異常檢測算法在對無線網絡診斷識別上效果最好。

綜上所述，本專刊首次全方位地展示了AI與無線通信在物理層、新型網絡架構、資源調度與管理維護等多方面的研究進展。希望本專刊能夠對廣大讀者了解和研究AI和通信的融合提供有益的啟示、參考和借鑒，加速AI在6G中的應用和突破。最后，感謝編輯部各位老師在征稿通知發布、論文評審與意見匯總、論文定稿、編輯修改及出版所付出的努力和汗水；感謝專題評審專家及時、耐心、細致的評審工作；衷心感謝各位作者的辛勤工作和精心撰稿!