当前空口AI研究普遍陷入一个误区——用更大的算力、更复杂的模型换取通信性能增益，却对数据采集成本、推理时延和泛化能力视而不见。中国移动在6G智能空口技术白皮书中首次系统性提出了“能力-质量-代价”三角均衡设计评估模型——这不是一个口号，而是一套可量化的评估准则，要求研究者从三维约束空间寻求最优解。
为什么需要空口AI设计评估准则？
在5G及以前，通信系统的信号处理算法在线性调制解调、编译码及MIMO预编码等理想信道条件下表现优异，部分调制技术甚至可逼近香农极限。但5G时代AI技术的引入，让设计评估的维度骤然增加。当前研究普遍聚焦于设计高精度AI模型以提升通信能力，忽视了工程实践中所需的算力、复杂度和空口资源等AI代价，对模型泛化能力和推理时延等关键AI质量指标也缺乏系统性考量。这种过度依赖算力资源追求通信能力提升的研究范式，难以支撑智能化网络的可持续发展。
缺少科学的设计评估准则是6G空口AI研究面临的九大挑战之首。没有统一的评估框架，不同方案之间缺乏可比性，产业界也难以判断哪些AI技术真正值得投入工程化。白皮书提出的“能力-质量-代价”三角均衡模型正是为了解决这一根本性问题。
三角均衡模型：三个维度的量化定义
白皮书将空口AI的评估拆解为三个核心维度。能力指引入AI技术后谱效、能效、系统容量等空口通信能力指标。质量指AI模型的质量，包括推理准确度、推理时延、不同场景下的泛化性。代价代表为了达到预期的空口传输能力所付出的AI代价，包括AI模型相关的数据采集、数据集构建、模型训练、模型分发等所需的算力、复杂度、空口时频资源等开销。
三个维度并非独立优化，而是相互耦合的复杂多目标优化问题。白皮书将问题拆解为两个层次：首先，推理时延是硬性约束，所有可选AI模型都必须满足时延要求；其次，在满足推理时延的前提下，单部署场景中的均衡优化可通过最大化能力与代价的比值（M值）来实现。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。
两条优化路径：降低代价与联合设计
白皮书提出两种方法实现三角均衡优化。第一种是在确保空口AI能力和质量满足需求的前提下，通过降低空口AI的代价来提升M值。具体措施覆盖AI模型全生命周期：数据采集阶段通过少量实测数据增强减少开销（实测开销可降低80%以上）；模型训练阶段采用更先进的AI模型和训练方法降低训练复杂度；再训练阶段通过轻量化迁移学习或元学习提升泛化能力；推理阶段通过低精度量化、模型蒸馏和剪枝降低复杂度。
第二种是在空口AI能力满足需求的基础上，通过代价和质量的联合优化提升M值。关键在于确保模型推理准确度满足通信能力提升要求的同时，在提升泛化性时不增加甚至降低代价。这需要更巧妙的AI模型设计——例如利用无线策略中固有的置换对称性设计图神经网络，使单一模型具备对用户数、资源块数的维度泛化能力，无需针对不同系统规模重新训练。在多模块联合设计中，将信道估计、预测与预编码整合为单一模型，在降低总开销的同时提升整体性能。
