传统空口技术已逼近香农极限——链路级编码调制的性能天花板近在眼前，更大规模天线阵列带来难以承受的导频开销与计算复杂度。中国移动联合十家单位发布的6G智能空口技术白皮书提出了一条全新路径：用AI从底层重构空口设计逻辑。“能力-质量-代价”三角均衡模型、智能内生接入网架构、覆盖全链路的AI传输方案，正在将空口从被动管道推向“认知共生”的智能系统。
空口技术的“高原困境”与AI破局
面向2030年的6G愿景——全息通信、数字孪生、自动驾驶、智能体协同——对空口提出了极致要求：更高的谱效与能效、内生智能、通感一体、以及对复杂环境的自主认知能力。然而，传统技术路径已进入“高原区”：规模扩张与线性优化的方式难以为继，链路级编码调制的性能已逼近香农极限；更大规模的天线阵列意味着难以承受的导频开销与计算复杂度；密集化、超大规模的网络部署使干扰环境空前复杂。
白皮书系统梳理了空口AI面临的九大核心挑战：缺少科学的设计评估准则、智能接入网架构缺乏系统设计、数据集构建成本高昂、AI模型设计思路单一、信道获取精度不足、编码技术提升空间有限、OFDM波形CP开销过大、用户调度复杂度高、多模块集成与仿真难度大。这些问题相互耦合，无法通过单点突破解决。AI技术的兴起为突破瓶颈提供了全新范式——其核心价值体现在对复杂系统的高维建模能力、高效的高维空间寻优能力、以及革命性的端到端联合设计能力。
“能力-质量-代价”三角均衡：空口AI的设计评估准则
业界对空口AI的设计评估准则尚未达成共识，很多研究侧重于大算力前提下的通信能力最大化，对数据、算力、复杂度等代价以及泛化性、推理时延缺乏系统思考。白皮书提出“能力-质量-代价”三角形均衡设计评估模型。能力包括引入AI后的谱效、能效、系统容量等通信指标；质量包括AI模型的推理精度、时延、泛化性；代价包括数据采集、模型训练、推理部署所需的算力、复杂度与空口资源开销。
在满足推理时延的前提下，单部署场景的优化目标可量化为最大化能力与代价的比值（M值）。当考虑多部署场景时，泛化性成为关键指标，目标变为最大化多场景中能力与代价的综合比值。这一模型要求在三维约束空间寻求最优解，成为评判空口AI技术价值的基本准则。优化路径包括两条：一是在AI模型全生命周期中系统性降低代价（数据增强减少采集、轻量化与剪枝降低推理复杂度）；二是通过联合优化设计提升效率（多模块整合为单一模型降低总开销）。
从信道获取到编解码的全链路AI革新
白皮书在关键技术层面进行了从理论到实践的创新探索。在信道信息获取方面，提出疏密导频与性能检测导频两种新型导频设计——疏密导频按“密集型+稀疏型”循环发送，N值根据场景动态调整（高速取1-2，低速取大于10），接收端通过不同AI模型依次估计，显著降低开销；性能检测导频在极低开销下实现对信道估计结果的高效检测。基于簇演化的可泛化大规模MIMO信道获取框架通过物理启发的分布对齐（多簇解耦+细粒度簇对齐）将环境间分布偏移降低70%，在Sim-to-Real实测中仍保持优异性能。
在用户调度与MIMO预编码方面，双图神经网络联合学习框架将复杂联合优化分解为调度与预编码两个嵌套策略，在接近最优数值算法性能的同时具备卓越的维度泛化能力——单一模型可直接应用于RB数4-128、用户数3-60、天线数8-128的动态网络，推理复杂度比传统数值算法快50-100倍。在信源信道联合编码方面，基于多项式-高斯变分自编码器的无速率方案在PSNR≥30dB标准下较R16方案具有3.5-6.4倍信道容量增益。在波形设计方面，AI辅助的脉冲成形OFDM在50-100km/h高速移动中谱效提升约15.5%。
