6G空口面临一个根本矛盾——系统规模越大，信道获取越难，调度复杂度越高。中国移动白皮书给出了一系列AI驱动的解决方案：疏密导频动态适配不同速度、双图神经网络以数值算法1%-2%的复杂度达到90%以上的最优性能、基于簇演化的信道获取将环境分布偏移降低70%。这些技术共同指向一个目标：让6G空口在高动态、大规模场景下依然保持高效与精准。
新型导频与信道获取：从固定开销到动态适配
现有5G导频设计面临两大困境：发送端难以动态优化导频图案（导频密度增加挤占数据资源），接收端难以实时判断信道估计精度。白皮书提出两种新型导频方案。疏密导频由密集型（a型）与稀疏型（b型）导频组合而成，按“a+N×b”循环发送，N值根据场景动态调整——高铁等高速场景（速度300km/h）N取1-2，低速场景N通常大于10。接收端通过不同AI模型在密集与稀疏导频上依次估计，显著降低开销并灵活适配多种场景。
性能检测导频在传统导频基础上增加少量检测导频，接收端基于检测导频与相邻传统导频的信道估计情况判断精度，通过反馈机制协助发送端调整导频间隔。基于双向LSTM+注意力机制的Seq2Seq信道估计方案，在30km/s+20dB场景下、稀疏资源块上的NMSE可达到0.009。
在信道反馈方面，白皮书提出统一TDD/FDD反馈框架——通过上行CSI预测下行CSI，FDD与TDD共用主预测模块，实现了3.4%-6.8%的SGCS增益。基于簇演化的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。
用户调度与MIMO预编码：图神经网络破局
用户调度与MIMO预编码面临组合爆炸难题。随着用户数、资源块数和天线规模增加，可能的组合数量指数级增长。传统穷举或贪婪算法计算复杂度不可接受，启发式方法又导致资源分配效率低。白皮书提出基于双图神经网络的联合学习框架，将复杂联合优化分解为调度与预编码两个嵌套策略。
调度模块采用序列化GNN设计，由K个连续的3D-GNN组成，每个GNN选择一个用户，确保后续GNN接收前面已做出的调度决策，从而解决“相似用户信道相同决策”的冲突问题。预编码模块采用带注意力机制的GNN处理用户间干扰，通过注意力系数衡量不同资源块上用户之间的干扰强度。分阶段训练策略（先预训练预编码模块、再训练调度模块、最后联合微调）解决嵌套策略学习挑战。
所提方案在特定配置（16 RB、30用户、16天线）下训练，无需重新训练即可直接应用于RB数4-128、用户数3-60、天线数8-128的动态网络，性能达到最优算法90%以上。CPU推理时间比复杂数值算法快50-100倍，样本复杂度是GAT的1%、CNN的0.4%。
信源信道联合编码与波形设计
白皮书设计了一种基于多项式-高斯变分自编码器（MG-VAE）的无速率信源信道联合编码方案，能够根据链路状态调整编码开销实现无速率传输。在PSNR不低于30dB的图像重建标准下，该方案在SNR-1dB至27dB范围内较R16标准的JPEG+LDPC方案具有3.5-6.4倍的信道容量增益。
在波形设计方面，提出AI辅助的脉冲成形OFDM（PS-OFDM） 以摆脱对循环前缀的依赖。发射端通过深度神经网络实现脉冲成形滤波改善信号时频局域性，接收端引入卷积神经网络均衡解调网络。在时频双选信道、50-100km/h高速移动场景中，系统对多普勒频偏几乎不敏感，谱效相比传统方案提升约15.5%。系统结合离线训练与在线微调，实现对不同信道环境的快速适应。
