专刊：通信和人工智能

特邀策划人

刘光毅

工学博士，教授级高工，享受国务院特殊津贴专家，现任中国移动通信集团公司首席专家、中国移动通信研究院首席专家和6G总监、毫米波与太赫兹产业联盟副理事长、北京通信学会理事、工信部IMT-2030研究组无线组副组长。2007—2013年负责中国移动的TD-LTE及其演进的研究、标准化、产业化和国际推广；2014—2019年负责中国移动集团公司5G关键技术研究、标准化和产业化推进；自2019年开始负责中国移动的6G研发；2014—2020年担任Global TD-LTE Initiative (GTI)的频率组主席、TD-LTE演进和5G eMBB项目的协调人，带领全球产业开展TD-LTE演进技术和sub 6GHz 5G的产业化和国际推广。曾主持3项国家级研发项目，2016年荣获国家科技进步特等奖，2018/2021年通信学会科技进步一等奖，2017年团队入选央企楷模，2017年入选科技部中青年科技创新领军人才，2020年入选全国劳模，先后荣获中国通信标准化协会科学技术一等奖和二等奖共5项、国家知识产权局颁发的专利优秀奖3项，参与国际标准制定20余项，个人授权专利152项，在国内外学术期刊杂志发表学术论文150余篇。

内容导读

随着移动通信技术的普及和推广，移动通信网络已经成为整个国民经济的重要基础设施，5G更是位列我国十大新基建之首，通过超高速率、超低时延和超大连接的全新能力，赋能千行百业的数字化转型和升级，对我国数字化经济的发展起着至关重要的作用。

近年来，在摩尔定律的发展和推动下，计算芯片的工艺和水平不断取得突破，特别是在专用计算芯片GPU等的支持下，人工智能技术的算法和模型的研究不断取得突破，让一些原本复杂问题的处理变得简单而高效，人工智能和大数据的应用研究逐渐成为热点。随着传统移动通信技术的发展和突破遭遇瓶颈，众多科研人员开始转向AI和通信技术融合的研究，试图通过AI的应用来解决通信中的众多推理和优化问题，并在无线信道的预测与反馈、无线资源管理的优化、波束赋形权值的优化、移动性管理、无线业务预测、网络故障的根因分析等方面取得了较好的效果。特别是面向6G移动通信技术和网络的研究，有研究人员更是提出要通过内生AI的设计，将AI打造成网络的一个基础能力和服务，按需提供AI应用所需的数据、算力、算法和模型，支持随时随地的AI应用，赋能2030年“智慧泛在”的发展愿景。为此，中国移动、华为等联合国内的大学和企业成立了6G Alliance of Network AI (6GANA)，希望能够联合国内外的大学和企业，共同推动6G Network AI的研究，形成行业共识，推动AI as a Service在6G网络中落地。

鉴于上述情况，为了更好地将我国移动通信技术与AI融合的最新研究成果介绍给读者，进一步加速AI在6G中的应用研究，赋能各行各业面向2030年的智慧化转型，我们组织了本专刊。

为了解决5G网络能耗高、结构复杂和运维管理难度大等问题，同时使得6G网络具备更极致的全场景适应能力，《内生智能和端到端服务化的6G无线网络架构设计》从网络功能、网络结构、网络运行三个方面对未来6G网络进行了智慧内生和极简的设计，提出端到端微服务化的架构、多频段协同的信令广域覆盖机制及方案、网络内生智能设计和AI服务质量指标体系及保障机制，并对内生AI网络架构中基于QoAIS的AI工作流编排方案进行了仿真分析

面向服务化、智能和开放化的6G无线网络，《基于AI内生的无线接入网络架构》提出了一种基于AI内生的无线接入网络架构，包括智能面、控制面、用户面的功能，通过引入智能流、智能体的方法，实现了AI内生，并提出未来基于AI内生的无线网络设计还需要应对ICDOT融合、通信感知算力融合等方面的挑战。

《6G通算融合网络架构》提出了一种在无线网络内通信资源与分布式计算资源实时协同的计算面方案，来实现6G网络业务适配能力上的突破，提升综合资源能效。在终端和基站联合模型拆分推理场景下，仿真验证了控制面融合方案能更好地应对终端空口连接带宽发生的变化，大幅降低业务时延抖动。

《面向6G的双循环数字孪生网络架构设计》提出了基于双循环机制的数字孪生网络架构，阐述了数字孪生网络的重要特性，详细给出了系统的架构设计及其在算力众筹上的应用案例分析，最后对数字孪生技术未来的发展进行展望，分析了未来面向6G的数字孪生网络面临的问题与挑战。

《任务为中心的6G网络AI架构》重点阐述从会话为中心到任务为中心的架构变化，以及任务为中心的架构面临的技术问题，提出了一种以任务为中心的无线网络架构，通过统一架构来提供AI4NET、NET4AI、AIaaS的服务；提出了任务管控的三层逻辑架构，满足实时和灵活的任务部署需求；提出了在无线接入网域和核心网域独立部署任务锚点TA和任务调度器TS，从而实现不同域内任务的独立部署和各域自治；通过控制信令的方式实现任务控制功能，给出了具体的接口、协议框架和流程设计，并给出针对任务执行期间的任务QoS保障、AI用例自生成和任务应用实例等。

《一种支持语义解析的智能通信服务网络架构》提出一种支持语义解析的智能通信服务网络架构，在现有底层通信和上层应用之间增加基础语义服务层，使用深度学习实现语义信息的编码和解码，构建通信场景的语义知识库，设计语义标识倒排索引,并以分布式视频会议场景进行了概念验证，可以有效支撑通信网络面向万物互联场景的服务智能化。

《智启无线：下一代智能无线通信系统的需求与构建》给出智能业务为6G带来的新需求与新变化，分析了AI技术为通信系统赋能与重构的特征与效果，最后对以用户需求和服务为中心的未来智能无线通信系统进行了展望。

针对6G网络面临着资源维度高、网络动态性强、资源调度复杂度大等诸多问题，《知识驱动的6G网络资源调度综述》提出将基于理论模型和专家经验的网络资源调度知识与神经网络方法深度融合，通过引入知识子层和网络资源决策知识库来设计知识驱动的资源调度方法，并提出了未来的研究方向，包括基于本体论的6G全场景知识图谱构建、基于6G全场景知识图谱的场景服务识别和基于多知识聚合的6G网络资源按需调度。

《基于强化学习的基站多维度资源协同分配方案》指出面向未来更高实时性的业务需求，6G无线网络需要实现通信与计算的深度融合，一种可能的模式是基站内部具有计算资源，并高效协同调配通信与计算资源。同时，从节能的角度出发，未来6G无线网络则需要同时考虑通信业务与计算业务，将能效作为基站进行通算资源协同分配的优化目标之一。

为了剖析物理层AI算法设计、数据集构建、评估准则和指标以及泛化性增强等技术问题的内在关系，《物理层AI关键技术探讨》从物理层AI研究面临的挑战出发，给出了物理层AI算法设计中泛化性的定义，提出了系统性能的评估准则和指标，深入分析了物理层AI的开销，提出了数据集构建准则，以及泛化性提升的多种方案，并对未来研究和标准化进行了展望。

《基于AI的信道估计的泛化性能提升方法》针对泛化问题，提出了结合迁移学习、联合训练和模型无关的元学习的信道估计方案，并以信道场景变换为例验证了上述三种方案的泛化以及迁移性能，基于MAML的方案以最少的微调次数实现了最高的信道估计精度，是一种非常有潜力的训练方案。

通过使用非对称卷积来增强传统卷积的特征提取能力，《基于非对称卷积的大规模天线信道状态信息反馈算法》提出了一种基于非对称卷积的自编码器算法来处理CSI压缩和解压问题，并考虑到实际应用部署，采用裁剪方法来有效降低接收机对于存储空间的要求，仿真结果表明该算法可以提高归一化均方误差和余弦相似度ρ的性能，也验证了算法裁剪和多模型集成在保障算法性能的同时，可进一步使参数量减少83%和90%以上。

通过在Massive MIMO系统中将CSI重构得到的角度时延信道幅度矩阵作为指纹，《大规模MIMO系统领域自适应定位》提出了一个基于分歧差异的深度卷积对抗网络领域自适应指纹定位方法—网格中心重定位的方法，仿真结果表明，该方法可以有效缓解环境变化对定位方法的影响，并达到较高的定位精度。

《多元LDPC编码调制系统CNN辅助迭代检测译码算法》针对相关噪声信道提出了一种适用于多元LDPC码的深度学习辅助译码算法，将卷积神经网络引入到基于硬信息的迭代大数逻辑算法中以对抗相关信道噪声影响,能够获得最高1 dB的性能增益，证明了该方案在恢复受干扰符号的有效性。

《信噪比自适应Turbo自编码器信道编译码技术》提出了自适应信道SNR的Turbo自编码器信道编译码系统，通过引入注意力机制感知信道变化，生成与信道条件相匹配的编码码字,仿真结果表明该方法能够有效应对信道条件的变化，大幅降低设备端神经网络参数的存储开销。

《基于深度强化学习的物理层欺骗检测方法》针对无线网络中潜在的物理层欺骗攻击威胁，提出一种基于深度强化学习的物理层欺骗检测方法，可以实现检测阈值的动态连续选择且对于动态未知环境具有自适应性。仿真结果表明该算法可以有效地检测物理层欺骗攻击，检测概率达到97%以上，检测性能优于优化的固定检测阈值方法。

《基于深度学习的自动调制识别方法综述》针对复杂多变的电磁环境中的信号识别问题，提出了将DL算法应用于AMR任务,总结了针对不同的信号表示所设计的神经网络模型，并概述了 AMR存在的问题以及潜在的研究方向。

针对无线通信网络在低干信比条件下单节点干扰正确识别率较低等问题，《基于深度卷积神经网络的多节点协同干扰识别方法》提出了一种基于深度卷积神经网络的多节点协同干扰识别方法，并设计了基于中心判决和基于硬判决的两种干扰识别算法，仿真结果表明该方法能够显著提升无线通信网络在低干信比条件下的干扰正确识别率，且基于硬判决的方法较基于中心判决的方法有更好的性能。

针对未来工厂中机器人的工作环境复杂多变和机器人进行协作定位时无法获知全局信道状态严重影响机器人的定位性能问题，《面向智能工厂多机器人定位的无线分布式协同决策》提出了基于双重超Q神经网络的多机器人协同决策算法，将多机器人进行协作定位时的决策系统构建为竞争加合作模型，同时引入机器人决策轨迹的记录空间以实现对其他机器人的行为预估，仿真证明该算法在实现精准行为预估的基础上能够收敛到最优策略。

《一种基于神经网络的alarm2vec告警压缩算法》提出了一种基于神经网络的alarm2vec算法以及结合极大团图挖掘告警间的关联规则，实际网络告警数据实验结果表明，该方法相对原始数据，可实现39.85%的告警压缩率。

《基于深度强化学习的自动协商研究综述》回顾自动协商框架和模后，系统阐述深度强化学习在自动协商任务中的应用，包扩经典算法及模型，探讨了未来深度强化学习与自动协商任务融合的前景和挑战。

《基于强化学习的信道碰撞对抗研究》从现有防碰撞策略入手，提出了基于强化学习的自适应信道干扰方法，对比已有典型方法，运用强化学习技术可以智能寻找到更低功耗与更高效能的智能干扰策略，并在高并发场景下验证了该方法的有效性。

针对传统基于数据的网络故障诊断方法存在可解释性差、应用性低等问题，《基于知识图谱的5G网络故障分析方法》结合知识图谱技术，提出了一种基于知识和数据双驱动的网络故障分析方法，通过本体构建、知识抽取以及知识融合等步骤利用Neo4j图数据库搭建面向网络故障诊断的知识图谱，然后结合机器学习进行智能化网络故障诊断与分析，将网络故障诊断问题拆分成不同子问题并匹配准确度最高的机器学习算法，仿真结果表明该方法可以有效提高网络故障诊断的准确性。

针对无线移动网络性能异常的诊断识别问题，《基于无监督学习的无线网络性能异常检测方法》给出三类通用的检测方法，分别为基于统计特征的异常检测、基于密度的异常检测以及基于聚类的异常检测，并选取现网性能指标数据，对三种算法进行评估分析，证明基于聚类的异常检测算法在对无线网络诊断识别上效果最好。

综上所述，本专刊首次全方位地展示了AI与无线通信在物理层、新型网络架构、资源调度与管理维护等多方面的研究进展。希望本专刊能够对广大读者了解和研究AI和通信的融合提供有益的启示、参考和借鉴，加速AI在6G中的应用和突破。最后，感谢编辑部各位老师在征稿通知发布、论文评审与意见汇总、论文定稿、编辑修改及出版所付出的努力和汗水；感谢专题评审专家及时、耐心、细致的评审工作；衷心感谢各位作者的辛勤工作和精心撰稿!