AI空口技术不能停留在仿真阶段——真实的信道环境与仿真存在系统性偏差。中国移动搭建了集中式与分布式超大规模MIMO样机以及超高阶调制样机，在外场实测中验证了AI信道压缩反馈、非线性补偿等技术的实际增益：反馈开销降低70%、4096QAM在1.3%以上EVM下BLER降至10%以下。这些数据表明，空口AI技术正在从理论走向工程。
集中式超大规模MIMO样机：32通道实测验证
集中式超大规模MIMO样机采用6GHz频段，基站侧支持32独立收发通道，终端侧支持2独立收发通道。系统由服务器（GPU负责AI模型训练、CPU负责推理与模型管理）、基带（中央处理板汇聚数据、数据采集板收集训练数据）、射频前端和天线阵列三部分组成，可支持32×2组独立上下行信道。
样机完成了两项关键验证。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前提下，降低E-type II所需反馈量开销的70%。基于上下行信道部分互易性的压缩反馈方案，在上述基础上进一步降低反馈量开销的10%。这两项验证证明，AI信道压缩反馈在实际信道环境中具有显著的工程可行性。
分布式大规模MIMO样机：协作基站间的联合压缩
在现有分布式MIMO系统中，终端通常对不同基站的CSI进行独立压缩与分别反馈，导致反馈开销较大，且协作基站无法获知其他基站与终端之间的信道状态。白皮书提出利用分布式MIMO中协作基站间CSI的共同稀疏特性，引入基于AI的联合压缩与反馈机制。
样机部署于高楼窗侧（基站天线朝向窗外）与地面（终端天线指向基站方向）的外场测试环境中。测试结果表明，相较于基于3GPP Rel-16 eType II码本的独立反馈方案，所提出的基于AI的联合压缩方法平均反馈精度提升18%。这一增益在真实无线信道环境下取得，证明了AI联合压缩机制在分布式部署场景中的实用价值。
超高阶调制样机：非线性补偿的实测突破
高阶调制（256QAM及以上）的应用面临发射端功率放大器非线性失真的严重制约。传统数字预失真和接收端Volterra均衡等方案因模型普适性差和复杂度高而未能广泛应用。白皮书设计的智能非线性补偿（AI-NC）方法基于回声状态网络（ESN），仅需训练隐藏层到输出层的加权矩阵，可在不增加额外开销的条件下实现快速在线训练。
原型机实测结果表明：在1.3%以上EVM情况下，AI-NC可将4096QAM传输的BLER性能降至10%以下，满足高调制传输的可靠性要求。对于256QAM和1024QAM增益同样显著——在2T64R配置下，AI-NC在EVM为3.5%时可实现13.5dB的SNR增益。该方案可在合理的EVM区间改善高阶调制的解调性能，显著提升高阶调制的覆盖范围与系统谱效。
系统级仿真验证：多模块集成的综合优势
白皮书设计了空口AI多模块集成与系统级仿真方案，将发射端信道误差模型、接收端信道CSI误差模型、非线性补偿增益映射表三个AI增强模块，以及单小区/多小区调度与MIMO预编码两个集成模块整合至统一仿真平台。
仿真验证了五种UE移动速度（3km/h、30km/h、60km/h、120km/h、350km/h）下的系统性能。低速场景下6G non AI相比5G non AI优势明显；但中高速场景下优势迅速减弱。引入基于AI调优的信道误差模型和MIMO预编码集成模块后，6G AI方案在中高速场景下仍保持显著优势——相比6G non AI，在30km/h时谱效提升2.5倍以上，在120km/h时提升2.8倍以上。相比5G non AI，6G AI系统以5倍带宽和4倍收发通道数实现了2倍谱效、10倍能效、10倍容量，算法复杂度增加不超过5倍，验证了多AI模块集成方案的综合性能优势。
