6G——下一个10年数字经济风口
作者：廖勇
我国是全球第5个开通5G服务的国家，在5G时代取得了巨大的成功。截至2022年底，我国已建设开通5G基站累计231万个，总量超过全球的60%，实现了县县通5G。来自2022年世界5G大会的数据显示，全国电信运营商5G累计投资4 016亿元，加上移动流量、手机信息服务等消费，直接和间接带动经济产出8.56万亿元，经济增加值达2.79万亿元。
上述成果让人备受鼓舞，那么我国能否在6G时代继续扮演领跑的角色从而开启下一个10年数字经济的风口呢？要回答这个问题，我们得了解6G。本文将从概念、候选技术、智能通信、标准及其技术挑战等角度，浅谈一下6G。
1 6G概念
何谓6G？6G的概念目前并没有权威的定论。但是业界有一些不同的声音，有人认为人工智能（AI）+区块链结合现有的5G就是6G，也有人认为卫星通信+5G就是6G。
6G将具备什么能力？目前业界认为，6G通信能力将是5G的十倍以上，5G向6G的发展是从“万物互联”向“万物智联，数字孪生”的一个过程。6G将推动沉浸感更强的全息视频，实现物理世界、虚拟世界、人的世界三个世界的联动。
随着6G关键技术研发的深入以及标准的推进，相信6G的概念、场景、愿景和关键业绩指标（KPI）等会越来越清晰。
2 6G候选技术
6G的主要候选技术，包括但不局限以下技术：
（1） 超大规模多输入多输出(multiple input multiple output, MIMO)
6G的频谱效率较5G提升10倍，达到Kbps/Hz。超大规模MIMO可成数量级提升频谱效率，IMT-2030、华为等将超大规模MIMO列为6G关键技术之一。
超大规模MIMO技术是大规模MIMO技术的进一步演进升级。天线和芯片集成度的不断提升将推动天线阵列规模的持续增大，通过应用新材料，引入新的技术和功能（如超大规模口径阵列、可重构智能表面（RIS）、人工智能和感知技术等），超大规模MIMO技术可以在更加多样的频率范围内实现更高的频谱效率、更广更灵活的网络覆盖、更高的定位精度和更高的能量效率。
（2）智能超表面(reconfigurable intelligence surface, RIS)
智能超表面(RIS)因为其能够灵活操控信道环境中的电磁特性，在学术研究及产业推进上发展迅速,被认为是6 G的关键候选技术之一。
智能超表面是在平面上集成大量低成本的反射元件，通过智能地调整、配置这些元器件，可以对无线传播环境进行调控，从而提高无线通信网络的性能。
智能超表面最大的特点是可编程，因为智能超表面是由很多独立的由超材料组成的反射单元组成的，通过调整这些反射独立单元的工作状态，就可以影响电磁波的传输特性，包括相位控制、幅度控制等，从而对被反射的无线信号产生调控的效果。
RIS目前国内在此领域非常活跃，现在已经形成RIS技术联盟，正在推进RIS相关的研究成果落地。
（3）新型波形
在新波形技术方面，需要采用不同的波形方案设计来满足6G更加复杂多变的应用场景及性能需求。
新型多载波技术有望提升系统频谱效率，而以超奈奎斯特（Faster-Than-Nyquist signalin, FTN）、正交时频空调制（orthogonal time frequency space, OTFS）为代表的新型波形信号技术有望拓展6G系统的适用范围。其中，面向超高速移动场景下（500km/h及以上移动速度）的目前处于研究的热点。
（4） 新型多址接入技术
6G移动通信网络亟需多址接入技术的不断演进以满足万物互联需求。6G时代的设备连接数将达到107/km2，传输峰值速率也将突破1 Tbps。
为满足6G超大规模的设备接入和海量的数据传输，新型多址接入必须以最有效的方式分配有限的资源块（如时域、频域、码域和功率域资源）以容纳多个用户。为实现这一目标，新型多址接入需要融合新的概念并挖掘全新通信范式，突破对资源正交分配的限制，以期实现更高的网络连通性和频谱效率。
面对未来更多的接入用户、不同的业务需求，如何接入6G信道和占用信道仍然是一个挑战。
（5）通信感知一体化技术
通信感知一体化将是6G的标志特征之一，通感一体化系统是指在同一系统中通过频谱共享、硬件共享、信号共享等方式，在进行信息传递的同时，感知目标物体的方位、距离、速度等信息，或者对目标物体、事件或环境等进行检测、跟踪、识别、成像等。通感一体化系统相比通信和感知分离的系统，能获得融合增益与协作增益，实现人机物智慧互联、智能体高效互通。
这个也是近年来国内关注度比较高的一个研究方向。
（6）太赫兹通信
频点越高，带宽越大，香农极限下的理论信道容量也越大，传输速率也会越大。在6G中，太赫兹通信由于能提供极高的数据速率与巨大带宽，具有极大应用潜力。太赫兹（ THz, Terahertz）频段频谱范围为0.1—10 THz，远比5G 毫米波（ mmWave， millimeter Wave）频段（频谱范围为30—300 GHz）丰富。如此海量的带宽资源将可以提供超高的数据速率，如实现Tbit/s的数据传输，预计将比5G快100到1 000倍。
（7）语义通信
6G移动通信的高可靠、高频谱效率传输需求对于经典信息论指导下的传统通信技术构成了挑战，提取信源语义特征进行编码传输的语义通信技术，为6G移动通信提供了新型解决方案。
语义通信是先对原始信号进行有选择的特征提取、压缩和传输，再利用语义层面信息进行通信的技术，其优势在于以任务为主体先理解后传输，能大幅提升通信系统的传输效率和可靠性。
（8）智能通信
为充分支持万物互联，6G必须满足垂直行业严苛的物理层通信需求，而人工智能技术是提升物理层通信能力的有力手段。
采用AI技术用于物理层信号处理，即为智能通信。目前理论上已经比较成熟，有很多智能通信的学术成果问世。但是实际在开发部署环节，仍然存在一些问题，比如成本和实现等。
随着6G的推进，后续可能还会出现新的候选技术。
3 智能通信
在上述候选的技术中，我们重点谈一下智能通信。在介绍智能通信之前，我们需要对AI技术做一些了解。
3.1 AI学习模型
目前的AI技术，从学习模型来看，主要分为：
（1）机器学习
机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时地模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。机器学习是现阶段实现人工智能应用的主要方法，它广泛地应用于机器视觉、语音识别、自然语言处理、数据挖掘等领域。
（2）深度学习
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是机器学习的技术和研究领域之一，通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。
深度学习在搜索技术、数据挖掘、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
（3）强化学习
强化学习，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
强化学习问题在信息论、博弈论、自动控制等领域有得到讨论，被用于解释有限理性条件下的平衡态、设计推荐系统和机器人交互系统。
（4）迁移学习
迁移学习是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。
迁移学习利用已有的数据、模型和知识，在领域相似性的基础上“举一反三”，把学到的通用经验适配到新的领域、场景和任务上。一般情况下，可以将迁移学习任务分为三个阶段：何处迁移、何时迁移、怎么迁移。迁移学习获取到所需数据后，对数据进行可迁移性分析，然后便是迁移过程。一个迁移学习过程结束后，需要按照特定的模型选择方法对迁移学习模型和参数进行选择，选择出最优模型后要对模型进行部署与评估。
（5）联邦学习
联邦学习是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算节点之间开展高效率的机器学习。
3.2 AI网络模型
主要的网络模型如下：
（1）卷积神经网络
卷积神经网络（CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一 。CNN具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为平移不变人工神经网络。
典型的CNN由卷积层、池化层、全连接层构成。如图1所示。
图1 卷积神经网络示意图
（2） 循环神经网络
循环神经网络（RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络。
循环神经网络在自然语言处理（NLP），例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。
其中循环神经网络中的代表网络为长短期记忆网络（LSTM），其网络结构如图2所示。
图2 LSTM网络示意图
（3）图神经网络
图神经网络（GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
GNN可能解决图灵奖得主Judea Pearl指出的深度学习无法做因果推理的核心问题。图3是GNN示意图。
图3 GNN示意图
（4）生成对抗网络
2014 年 Goodfellow 等人启发自博弈论中的二人零和博弈 ，开创性地提出了生成对抗网络（GAN）。
GAN是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。图4是GAN示意图。
GAN已经从最初的图片生成，被拓展到计算机视觉的各个领域，如图像分割、视频预测、风格迁移等。
图4 GAN示意图
（5）脉冲神经网络
脉冲神经网络（SNN）脉冲神经网络是源于生物启发的新一代人工神经网络模型，属于深度学习的子集，且具有较强的生物基础支撑。SNN旨在弥合神经科学和机器学习之间的差距，使用最拟合生物神经元机制的模型来进行计算。图5是SNN示意图。
图5 SNN示意图
3.3 AI在物理层中的应用
介绍完AI典型的学习模型和神经网络模型之后，接下来介绍AI在无线通信物理层中的应用，这里给出了部分应用，并且列出了一些相关文献，供大家参考：
（1）信道估计
[1]Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2017, 7(1): 114-117.
[2]Deep learning-based channel estimation for beamspace mmWave massive MIMO systems[J]. IEEE Wireless Communications Letters, 2018, 7(5): 852-855.
[3]基于深度学习的信道估计技术研究进展[EB/J].电讯技术, 2023
[4]面向C-V2I的基于边缘计算的智能信道估计[J].电子学报，2021,49(5):833-842.
[5]高速移动环境下基于深度学习的信道估计方法[J].电子学报，2019,47(8):1701-1707.
[6]Deep Learning based channel estimation algorithm for fast time-varying MIMO-OFDM systems[J]. IEEE Communications Letters, 2019, 24(3): 572-576.
（2）信号检测
[1]Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters, 2017, 7(1): 114-117.
[2]Deep Learning for Joint channel estimation and signal detection in OFDM systems[J]. IEEE Communications Letters, 2020, 24(12): 2780-2784.
（3）CSI反馈
[1]Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Communications, 2018, 7(5): 748–751.
[2]Deep learning-based CSI feedback approach for time-varying massive MIMO channels[J]. IEEE Wireless Communications Letters, 2019, 8(2): 416-419.
[3]Convolutional neural network based multiple-rate compressive sensing for massive MIMO CSI feedback: design, simulation, and analysis[J]. IEEE Transactions on Wireless Communications, 2020, 40(2): 53-57.
[4]基于深度展开的大规模MIMO系统CSI反馈算法[J]. 通信学报, 2022, 43(12): 77-88.
[5]高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法[J].通信学报，2022,43(5):166-176.
[6]快时变FDD大规模MIMO系统智能CSI反馈方法[J].通信学报，2021,42(7):211-219.
（4）综述类
[1]An introduction to deep learning for the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2017, 3(4): 563-575.
[2]基于人工智能的无线传输技术最新研究进展[J].电信科学，2018,34(8):46-55.
[3]人工智能在6G空口物理层的潜在应用研究进展[J]. 北京邮电大学学报, 2022, 45(6): 22-31.
AI技术在不断发展，目前我国正在大力发展过程和结果可解释性的AI技术，科技部2018年便启动了科技创新2030——“新一代人工智能”重大项目，旨在推动AI关键技术的发展和应用。
4 6G标准
2019-2030年，属于5G建设和运营的时间，2030年将公布6G标准及发放运营牌照。6G标准的建立至关重要，可以说，谁掌握了6G标准，谁就掌握了财富和下一个10年的市场主动权。目前6G的标准化工作，是由3GPP组织推进。
我国高度重视6G的关键技术和标准的推进工作。在2019年我国开始运营5G的元年，科技部就启动了6G的研发工作，三大运营商（中国移动、中国联通、中国电信）、华为、中兴通讯等通信行业企业已经宣布进行6G相关技术的预研和储备。同时，我国高度重视6G创新发展，在2019年会同相关部门成立了IMT-2030（6G）推进组，系统推进需求、技术、标准及国际合作等各项工作。到目前为止，IMT-2030（6G）推进组发布了一系列的白皮书和成果报告，例如《6G总体愿景与关键技术白皮书》《6G网络架构愿景与关键技术展望白皮书》《6G典型场景和关键能力》《6G AI即服务（AIaaS）需求研究》《6G前沿关键技术研究报告》等。
IMT-2030（6G）推进组是推动中国6G研发与国际合作的重要平台，代表中国6G技术和产业的最前沿进展。2022年6月，中国IMT-2030（6G）推进组与欧洲6G智慧网络和业务产业协会（6G-IA）签署6G合作备忘录，双方致力于共同促进6G研究。
目前6G仍处在前沿技术研究阶段，预计2025年将开始标准化进程，并在2030年实现6G的商业运营。
5 6G技术挑战
（1）多智能体通信
①收发机之间的一体化智能体通信。
②多个用户之间的多智能体协作通信。
（2）多功能融合信号处理
不再单独区分信道估计、均衡等功能，弱化传统的固定划分功能的处理，进行多功能融合/联合处理。采用的方式，主要也是以人工智能为主。
（3）跨协议栈融合
将不同的协议栈进行融合处理。这个不是一个新问题，未来解决这类问题采用的渠道将会更加丰富。
（4）大语言预训练模型在通信中的应用
2023年上半年最火的科技词汇，非OpenAI公司推出的ChatGPT莫属。目前，学术界有人开始用GPT预训练大模型做通信网络的优化。但是，如何脱离主服务器网络进行本地部署以及考虑数据和隐私安全前提下进行训练是当前讨论的热点。
（5）量子AI在通信中的应用
未来的世界是人工智能的世界，也会是量子计算的世界，目前已有科研人员探索将量子和AI相结合，构成量子AI算法，用于解决实际的问题。量子AI将比传统的AI具有更简的结构和更大的数据处理能力。
6 结束语
毫无疑问，6G是未来通信领域最重要的研究对象，也是下一个10年数字经济的风口，本文从概念、候选技术、智能通信、标准以及技术挑战等领域做了浅析，希望可以给各位同行以及对移动通信感兴趣的朋友带来一些参考和借鉴。
6G尚未成功，同行尚需努力！
实习编辑 : 郭春妮
审核：曹启花 谭辉
