| 2026 | No.9 | No.8 | No.7 | No.6 | No.5 | No.4 |
|---|---|---|---|---|---|---|
| No.3 | No.2 | No.1 | ||||
| 2025 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2024 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2023 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2022 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2021 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2020 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2019 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 | No.5 | No.4 | No.3 | No.2 | No.1 | |
| 2018 | No.12 | No.11 | No.10 | No.9 | No.8 | No.7 |
| No.6 |
人工智能(Artificial Intelligence,AI)与网络的深度融合,推动第六代移动通信技术(6th Generation Mobile Communication Technology,6G)从传统的数据传输向智能原生网络架构转变。首先探讨了6G与AI的双向赋能关系,然后系统分析了第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)在Release 20的6G网络架构项目中关于“AI辅助6G架构”与“6G架构辅助AI”的标准化进展,最后对国内外技术演进路线进行了研究。
面向第六代移动通信技术(6th Generation Mobile Communication Technology,6G)通智融合,系统梳理移动人工智能(Artificial Intelligence,AI)的典型场景、核心需求、关键技术与发展路径。首先,深入剖析了移动AI内涵与核心愿景,以及面向智慧生活、智慧生产、城市治理3类移动AI典型场景,并进一步归纳典型业务核心需求,构建分级指标体系;然后,从网络、AI等角度针对性提出移动AI潜在的关键技术;最后,提出移动AI发展路径与发展建议,以期从移动AI角度为促进6G通智融合高质量发展提供参考。
各类基于位置服务与第六代移动通信技术(6th Generation Mobile Communication Technology,6G)的新技术迅速发展,对无线定位技术的性能提出了更高的要求。利用人工智能(Artificial Intelligence,AI)算法赋能,可使定位技术突破传统方法的性能瓶颈,产生更优越的范式。首先,阐述了传统无线定位技术的原理和局限性;其次,对主流无线定位算法的智能化演进进程进行了系统梳理;最后,分析了AI赋能的无线定位技术对于6G新技术体系的使能作用,并探讨了该领域面临的挑战与机遇。
人工智能(Artificial Intelligence,AI)与通信的深度融合已成为推动无线通信系统发展的核心驱动力之一。在分析第六代移动通信技术(6th Generation Mobile Communication Technology,6G)中低开销信道状态信息获取的研究背景与必要性的基础上,提出面向6G系统的低开销信道状态信息获取方法,包括基于稀疏参考信号的信道状态信息重构与基于单一参考信号的多场景信道状态信息预测两种方案。通过仿真,验证了所提方案的有效性,并进一步分析了其标准化前景与待标准化的关键内容。
边端协同依托算力下沉、模型分层部署、终端协同调度和资源统一管控等优势,能够有效支撑算力受限的新一代智能终端完成复杂智能化协同作业。系统梳理了边端协同领域的研究现状,重点围绕模型拆分、终端模型轻量化、通算资源联合管控等技术,梳理该领域现存“瓶颈”和面临的挑战。在此基础上,结合算网融合、通感一体化、无线智能化等6G关键技术,展望6G赋能边端协同的演进方向,为边端协同后续研究提供参考。
6G核心网向内生智能演进已成为业界共识,但现有研究在智能体架构、意图处理与人工智能(Artificial Intelligence,AI)能力管控方面仍呈现碎片化特征。立足于当前6G架构标准化的研究进展,提出了一种面向6G核心网的多智能体协同与AI能力生命周期管理架构。该架构引入规划智能体与执行智能体两类网络级AI智能体,不同智能体之间通过智能体专属接口进行任务级协作;同时架构设置了AI控制功能,可对AI能力注册、模型训练、验证入库、供给部署、运行监测、重训练和异常回退实施统一管控。
随着网联车感知与智能应用的发展,车辆终端持续产生大量本地数据,联邦学习为在保护数据隐私的前提下开展多车辆协同训练提供了有效途径,而第六代移动通信技术(6th Generation Mobile Communication Technology,6G)网络的低时延、高可靠通信与边缘计算能力进一步为大规模车辆协同学习提供了网络与算力支撑。然而,传统联邦学习通常面向时不变的数据分布,难以适应车辆移动及数据采集环境持续变化的动态环境。为此提出面向移动网联车的数据与资源协同感知联邦持续学习算法,通过优化终端调度提高新类别数据的参与程度,通过漂移感知自适应聚合动态调整全局模型的更新步长。试验结果表明,所提算法能够加快概念漂移后的模型性能恢复,最终准确率较带宽优先调度算法提高约2.5%,较固定学习率算法提高8.2%。
第六代移动通信技术(6th Generation Mobile Communication Technology,6G)网络正朝着泛在连接、智能化和多场景融合方向演进,安全风险形势日趋复杂。通过构建“传承式演变、智能化衍生和新技术叠加”三位一体的安全风险分析框架,分析既有风险在6G场景下的演变、人工智能技术参与网络运行后的衍生风险,以及数字孪生等新技术引入的增量风险。分析认为,6G安全应与网络架构和智能化机制同步设计,增强动态防护与内生安全能力。相关分析可为6G网络架构研究、安全设计和标准制定提供参考。
面向6G无线网络日益复杂的业务需求与运行环境,传统任务专用模型在跨任务适配和领域知识融合方面存在局限。大模型凭借知识表示与任务泛化能力,为无线网络智能化提供了新路径。梳理无线网络大模型构建、无线任务应用、网络智能体及能力评测等方向的研究进展,并结合无线网络用户体验诊断案例,展示大模型与领域知识、专业工具等协同完成复杂任务的应用模式。最后,总结可信闭环、跨场景迁移、评测体系及产业生态等关键挑战。
提出一种基于人工智能(Artificial Intelligence,AI)的跨模块优化框架,通过调制与预编码协同设计及智能控制策略,实现物理层联合优化,打破传统模块间的信息壁垒,支撑端到端性能的全局调优。为验证方案有效性,分别针对单用户和多用户场景开展评估。仿真结果表明,该方案在误块率和吞吐量等关键性能指标上具有优势。
第六代移动通信技术(The 6th Generation Mobile Communication Technology, 6G)对频谱效率和连接密度提出了更高要求,解调参考信号(Demodulation Reference Signal, DMRS)导频开销成为制约系统性能的关键因素。降低DMRS密度可将更多资源释放给数据传输,同时为端口复用提供更大空间,但也使接收机面临信道估计精度下降与色噪声等性能挑战。面向6G,3GPP RAN1启动了“AI接收机赋能的低密度DMRS”专项研究,利用人工智能(Artificial Intelligence,AI)技术提升接收机在低密度DMRS场景下的信号处理能力,共提出了7种AI接收机架构。首先,从AI接收机技术分类角度,综述了近年来基于AI的信道估计、多输入多输出(Multiple-Input Multiple-Output, MIMO)检测、星座解调及多模块联合优化四个方向的研究进展;随后,系统梳理了7种AI接收机架构的定义、分类、优势以及局限;并在此基础上,对其中典型架构进行了链路级仿真验证。仿真结果表明,AI接收机在低密度DMRS下仍能保持优异的译码性能。