想象这样一个场景：一个5G基站，一段完全相同的频谱，在完全相同的一毫秒里，要同时给小区里10部手机各发各的视频流，而且彼此不能串扰。如果把频谱比作一条高速公路的车道，这相当于要求"10辆车挤在同一条车道、同一个时刻、朝同一个方向开，还各自互不相撞"。
听起来违反直觉——频率资源不是独占的吗？同一频率同时发射两个信号，接收端不该收到一团糊吗？
这正是空分多址（SDMA，Space Division Multiple Access）要解决的核心命题。它的答案简短而精妙：用空间方向来区分用户，而不是用频率或时间。 而实现这一点的关键技术，叫做多用户MIMO（MU-MIMO）与零强迫预编码（Zero-Forcing Precoding）。
本文将从"为什么能"讲到"如何做"，再到现网工程师调试时哪里会踩坑，把这个5G容量提升的头号功臣拆解清楚。
要理解空分多址的位置，先回顾无线通信区分用户的四种基本维度。每一种"多址技术"，本质上都是在回答同一个问题：多个用户共用同一段频谱，靠什么把它们分开？
| 多址技术 | 区分维度 | 通俗类比 | 代表代际 |
|---|---|---|---|
| FDMA（频分多址） | 频率 | 各开一条独立车道 | 1G/2G |
| TDMA（时分多址） | 时间 | 排队轮流上同一条车道 | 2G(GSM) |
| CDMA（码分多址） | 正交编码 | 同车道用不同"暗号"对话 | 3G |
| OFDMA（正交频分） | 细分子载波+时隙 | 车道切成小格子分配 | 4G/5G |
| SDMA（空分多址） | 空间方向 | 用聚光灯分别照准每个人 | 5G/6G |
前四种技术，无论怎么切，本质上都是在"时间和频率"这块二维蛋糕上做文章，蛋糕就那么大，切得再细，总容量也有天花板。而SDMA开辟了第三个维度——空间。它的革命性在于：同一格时频资源，可以被多个用户重叠复用，前提是它们在空间方向上分得开。
打个比方：前四代技术是在一个房间里给每个人发一个时段或一个频道说话，房间越挤越吵；SDMA则像给每个人配一个定向话筒，大家同时说、同频说，但声音各自精准射向自己的目标，互不干扰。房间没有变大，能容纳的"同时说话"的人却成倍增加。
这就是5G相比4G容量翻几番的根本来源之一。
理解MU-MIMO之前，必须先厘清它的前身——单用户MIMO（SU-MIMO），这能帮你看清两者本质差异。
在SU-MIMO下，基站把所有空间资源（多根天线）集中服务于一个用户，通过"空间复用"把多个数据流并行发给它。这在前面《空间复用：把多径变成并行管道》里讲过——核心是利用多径环境，在同一个用户身上叠加多条互不干扰的数据"管道"，提升该用户的峰值速率。
但SU-MIMO有个现实瓶颈：空间流数受限于收发两端天线数的最小值。 如果基站有64根天线，而手机只有2根天线（受限于体积和功耗，手机天线数通常很少），那么无论基站多豪华，也只能开2条流。其余62根天线的空间潜力被白白浪费。
flowchart LR
subgraph SU["SU-MIMO：基站64天线 → 单个用户2天线"]
BS1["基站 64T"] -->|"只能开2条流<br/>62根天线潜力浪费"| UE1["用户手机 2R"]
end
subgraph MU["MU-MIMO：基站64天线 → 32个用户各1天线"]
BS2["基站 64T"] -->|"同时开多组流<br/>每流服务一个用户"| UE2["用户1"]
BS2 --> UE3["用户2"]
BS2 --> UE4["..."]
BS2 --> UE5["用户N"]
end
SU -->|"瓶颈：手机天线少<br/>空间资源闲置"| MU
MU-MIMO的思路转换非常关键：与其把多条流塞给一个手机（受手机天线数限制），不如把每条流分给不同的手机。 这样，基站的64根天线就能同时服务多达几十个单天线用户，每人在同一时频资源上各走各的流。
| 对比维度 | SU-MIMO（单用户） | MU-MIMO（多用户） |
|---|---|---|
| 同时服务用户数 | 1个 | 多个（几个到几十个） |
| 空间资源分配 | 全部给一个用户 | 分配给多个用户 |
| 主要收益 | 提升单用户峰值速率 | 提升小区总容量（频谱效率） |
| 干扰来源 | 同一用户的流间干扰（可联合处理） | 用户间干扰（必须预编码消除） |
| 对基站天线数要求 | 受手机天线数制约 | 基站天线数 ≥ 同时服务用户数 |
| 核心技术 | 空间复用 + 单用户预编码 | 空分多址 + 多用户预编码（零陷） |
这里出现了一个SU-MIMO没有的新难题——用户间干扰。在SU-MIMO里，多个流发给同一个用户，这个用户用自己多根天线能联合解调，流间干扰可控；但在MU-MIMO里，流发给不同用户，每个用户只有自己的天线，它根本看不到、也无法消除发给别人的信号。如果基站粗暴地把多路信号叠加发射，每个用户都会收到一团"自己的信号+一堆别人的串扰"。
这正是空分多址必须攻克的核心难关：如何在发射端就预先消除用户间干扰，让每个用户只"看见"自己的信号。
答案，就是零强迫预编码。
先建立下行MU-MIMO的信号模型。设基站有 $N_t$ 根天线，要同时给 $K$ 个单天线用户发数据。第 $k$ 个用户要发的数据符号是 $s_k$，它到基站的信道向量是 $\mathbf{h}_k$（一个 $N_t$ 维复向量），基站为它设计的预编码（加权）向量是 $\mathbf{w}_k$。那么第 $k$ 个用户实际收到的信号是：
$$ y_k = \underbrace{\mathbf{h}k^H \mathbf{w}_k s_k}}} + \underbrace{\sum_{j \neq k} \mathbf{hk^H \mathbf{w}_j s_j} $$}} + \underbrace{n_k}_{\text{噪声}
中间那个求和项就是用户间干扰——所有发给别人的信号，也会顺着信道 $\mathbf{h}_k$ 漏到这个用户头上。如果这一项不为零，这个用户就会被干扰糊住。
零强迫（Zero-Forcing，ZF）的思路直接而暴力：设计每个预编码向量 $\mathbf{w}_k$，使得发给用户 $k$ 的信号，在所有其他用户 $j$ 的方向上都等于零。 数学上写成：
$$ \mathbf{h}_j^H \mathbf{w}_k = 0, \quad \forall j \neq k $$
这句话翻译成人话：基站给用户A发信号时，会刻意让这股信号"绕开"用户B、C、D所在的空间方向——在这些方向上，信号强度被压到接近零（形成所谓的"零陷"或"零点"）。于是用户B收到的、来自给A的信号，理论上为零。
每一个用户的波束，都被设计成既要"对准"自己，又要"回避"其他所有人。 这就是空分多址的物理本质——不是简单地把波束指向目标，而是要同时管理所有方向上的"亮区"和"暗区"。
flowchart TD
A["基站为用户1设计预编码 w₁"] --> B{"同时满足两个约束"}
B -->|"约束1：对准目标"| C["h₁ᴴ·w₁ 最大化<br/>（用户1方向信号最强）"]
B -->|"约束2：避开他人"| D["h₂ᴴ·w₁ = 0<br/>h₃ᴴ·w₁ = 0<br/>...（其他用户方向为零陷）"]
C --> E["结果：用户1只收到自己的信号<br/>用户2、3收不到给用户1的信号"]
D --> E
E --> F["同一时频资源<br/>多用户互不干扰"]
当把所有用户的约束写在一起，ZF预编码矩阵有一个极其优雅的闭式解。把所有用户的信道向量拼成信道矩阵 $\mathbf{H} = [\mathbf{h}_1, \mathbf{h}_2, \dots, \mathbf{h}_K]$（$N_t \times K$），那么ZF预编码矩阵为：
$$ \mathbf{W}_{ZF} = \mathbf{H} (\mathbf{H}^H \mathbf{H})^{-1} $$
（实际使用时还需做功率归一化。）这个式子的几何含义深刻：它本质上是信道矩阵 $\mathbf{H}$ 的伪逆（Moore-Penrose伪逆）。做矩阵乘法 $\mathbf{H}^H \mathbf{W}_{ZF}$ 后，结果恰好是单位矩阵 $\mathbf{I}$——意味着每个用户恰好只收到自己的符号，干扰项全部被"强迫为零"。这也是"Zero-Forcing（强迫为零）"这个名字的由来。
如果不喜欢公式，可以这样理解ZF：基站要给4个用户同时发信号，相当于要解一个方程组——寻找4组天线权重（预编码），使得"用户1的权重组合"在用户2、3、4方向都为零，"用户2的权重组合"在用户1、3、4方向都为零……每个用户给其他3个用户各挖一个零点。当基站天线数 $N_t$ 越多，能挖的零点就越多、能同时服务的用户就越多，这就是下面要讲的"空间自由度"。
零陷不是无限的。每为一个用户设计预编码，就要在其他 $K-1$ 个用户方向上各放一个零点。要解出这个方程组，需要足够的"自由度"——也就是基站天线数 $N_t$ 必须不少于同时服务的用户数 $K$：
$$ K \leq N_t $$
这个 $N_t$（在多天线用户场景下是 $\min(N_t, \sum_k N_{r,k})$）就是系统的空间自由度（Spatial Degrees of Freedom），也叫空间复用增益。它决定了同一时频资源上最多能并行多少个独立的数据流。
| 基站天线数 | 理论最大同时服务用户数（单天线用户） | 现实工程意义 |
|---|---|---|
| 2T2R | 2 | 早期4G，容量翻倍有限 |
| 4T4R | 4 | 4G主流配置 |
| 32T32R / 64T64R | 32~64 | 5G Sub-6GHz主流，大规模MIMO入门 |
| 128T128R / 192T | 128~192 | 5G宏站，城区高容量场景 |
这也直接解释了大规模MIMO的真正价值：天线从4根猛增到64、128根，不只是"波束更窄、增益更高"（那是天线增益维度），更关键的是空间自由度成倍扩张——同一份频谱能同时复用的用户数从4个飙升到几十个，频谱效率随之成数量级提升。可以说，没有大规模MIMO提供的海量空间自由度，就没有真正意义上的空分多址。
零强迫听起来完美——干扰完全消除。但工程世界里，"完美消除"往往标着昂贵的价签。ZF的代价叫噪声增强（noise enhancement）。
问题出在 $(\mathbf{H}^H \mathbf{H})^{-1}$ 这个矩阵求逆上。当两个用户的信道向量接近线性相关（即两个用户在空间方向上靠得很近、信道几乎平行）时，矩阵 $\mathbf{H}^H \mathbf{H}$ 会接近奇异（病态），其逆矩阵的某些元素会变得非常大。预编码权重被放得极大，发射功率被迫集中在某些天线上，结果：信号是干净了，但噪声被这些大权重一起放大了，信噪比反而恶化。
通俗说就是：为了把信号精准地从另一个用户身边"挤"过去（挖一个极深的零陷），基站不得不非常用力地扭曲波束，这种扭曲消耗了大量"能量预算"，最后虽然干扰没了，有用信号也被噪声淹没。
工程上的改进版叫最小均方误差预编码（MMSE），也叫正则化零强迫（Regularized ZF, RZF）。它在求逆时加一个小项 $\alpha \mathbf{I}$ 来稳定矩阵：
$$ \mathbf{W}_{MMSE} = \mathbf{H} (\mathbf{H}^H \mathbf{H} + \alpha \mathbf{I})^{-1} $$
这里的 $\alpha$ 反映噪声水平。MMSE不再追求"干扰绝对为零"，而是允许残留一点点干扰，换取不被噪声放大吞噬，整体信噪比更优。这正是"残缺的完美胜过完美的残缺"的工程哲学。
| 预编码方案 | 干扰消除程度 | 噪声增强 | 适用场景 |
|---|---|---|---|
| MRT（最大比传输） | 不消除（靠波束对准） | 无 | 用户少、信噪比低 |
| ZF（零强迫） | 完全消除 | 严重（用户近时） | 用户信道正交、信噪比高 |
| MMSE/RZF | 部分消除（最优折中） | 受控 | 现网最常用 |
有了好的预编码算法，就能保证MU-MIMO性能吗？还不够。还有一个工程上极其关键、却常被忽视的环节——用户配对（User Pairing / Scheduling）。
零强迫能干净分离用户的前提，是这些用户的信道向量足够正交（空间方向分得开）。如果基站非要把两个站在同一方向、信道几乎重合的用户配成一组同时服务，ZF预编码就得挖一个"极深、极窄"的零陷，噪声增强会毁掉一切，性能反而不如分开调度。
因此，基站调度器在决定"这一毫秒把哪几个用户凑成一组做MU-MIMO"时，会刻意挑选空间方向差异大、信道正交性好的用户组合。这就像老师分组讨论，会把坐在教室不同角落、口音迥异的学生分到一组，他们同时发言才容易区分；如果都是同桌、口音一样，混在一起谁也听不清。
flowchart TD
Start["调度时刻到来<br/>多个用户等待传输"] --> A["收集各用户上行SRS/CSI<br/>获得信道向量 h₁...hₖ"]
A --> B["计算用户两两之间的<br/>空间相关性/正交性"]
B --> C{"是否找到正交性好的<br/>用户组合？"}
C -->|"是，信道方向差异大"| D["✅ 触发MU-MIMO<br/>配成一组，ZF预编码<br/>零陷轻松、噪声小"]
C -->|"否，用户都挤在一处"| E["❌ 退化为SU-MIMO或<br/>单独调度，避免噪声增强"]
D --> F["同一时频资源多用户并行<br/>容量提升"]
E --> G["牺牲部分并行度<br/>换取单用户可靠性"]
这条隐形的调度逻辑，往往是现网MU-MIMO性能差异的主因——同样的硬件、同样的算法，城区密集场景（用户分布各方向）MU-MIMO增益显著，而室内单走廊或用户聚集场景，配对困难，增益大打折扣。
零强迫预编码要求基站知道每个用户的精确信道向量 $\mathbf{h}_k$（统称为CSI，Channel State Information），否则无法设计零陷。没有CSI，MU-MIMO就是瞎子摸象。 这引出两类完全不同的实现路径：
一句话：TDD天生的互易性，让空分多址在5G时代真正走向大规模商用。
当基站天线数 $N_t$ 趋于很大（64、128、256…），MU-MIMO会涌现两个奇妙的统计现象，让系统设计和性能大幅简化提升：
这两个效应合起来解释了一个反直觉的结论：大规模MIMO让MU-MIMO不仅变得更强，而且变得更容易实现。 这正是Massive MIMO被誉为5G"容量引擎"的深层原因——它同时给了你更多的空间自由度（能服务更多用户）和更好的用户正交性（服务得更干净）。
把这些原理落到现网，1-3年经验的工程师会在哪些地方碰到MU-MIMO/SDMA？
看小区容量与频谱效率：网优分析时，若发现同频段、同带宽下，某些小区下行吞吐量远超SU-MIMO理论上限，多半是MU-MIMO在生效。可在网管上确认"多用户配对次数""空间复用层数"等计数器。
TDD站点SRS是命门：TDD大规模MIMO的MU-MIMO性能，强依赖上行SRS质量。若SRS覆盖差、上报周期过长或权值计算异常（校准未做好），基站拿到的CSI失真，ZF零陷打偏，用户间干扰骤增，表现为整体吞吐下降、个别用户体验劣化但排查困难。检查SRS SINR、天线校准状态、互易性校准是关键。
用户分布决定增益：室内、单走廊、用户聚集场景，正交性差，MU-MIMO配对难，强行开启可能因噪声增强而有害。网优需结合用户空间分布评估是否启用、启用几层。
码本与码字：现网下行预编码常基于码本（预设的波束集合）反馈选择，而非实时计算完整ZF矩阵（出于复杂度和标准化）。理解码本与零陷的关系，有助于看懂RANK/PMI/RI等上报参数。详见前作《码本：波束的预设菜单》。
常见误解：很多人以为"开了MIMO、波束对了就行"，实际上MU-MIMO的性能瓶颈往往不在波束指向，而在用户配对的正交性和CSI的精度。波束再准，CSI错了或用户挤一堆，照样干扰严重。
回到开篇那个"不可能"的场景。现在我们知道它为何可能：基站用大规模天线阵列获得充沛的空间自由度，通过精准的预编码（ZF/MMSE）为每个用户既"点亮"自己又"零陷"他人，再辅以智能的用户配对调度，让数十个用户在同一份频谱、同一时刻各走各的流。
频谱没有变宽，时间没有变多，但空间这个"沉睡的维度"被唤醒了。从FDMA、TDMA、CDMA到OFDMA，通信人用了几十年把时频蛋糕切到极致；而SDMA告诉我们——真正的扩容，不在于把蛋糕切得更细，而在于把蛋糕叠成多层。 这就是空分多址留给通信工程的最重要的启示。
Q1：MU-MIMO和SU-MIMO到底什么区别？一句话概括。 A：SU-MIMO是把多条空间流集中给一个用户，提升单用户速率；MU-MIMO是把多条空间流分给多个用户，提升小区总容量。前者受限于手机天线数，后者受限于基站天线数（空间自由度）。
Q2：为什么ZF预编码有时反而让性能变差？ A：当被配对用户的信道接近平行（正交性差）时，ZF求逆会让预编码权重爆炸，发射功率集中、噪声被放大（噪声增强），信噪比恶化。这时应改用MMSE/RZF（允许残留干扰），或干脆退化为单独调度、不强行MU-MIMO。
Q3：为什么5G TDD比FDD更适合做大规模MU-MIMO？ A：TDD可利用上下行信道互易性，基站直接通过用户发送的SRS估计下行信道，CSI开销小、精度高、无反馈时延；FDD频段不互易，必须靠CSI-RS测量+用户反馈，开销大且有时延，CSI质量打折，MU-MIMO性能受限。
Q4：空间自由度是不是等于天线数？ A：基本是。单天线用户场景下，最大并行流数（空间自由度）等于基站天线数 $N_t$。但实际还受限于用户信道的正交性和多径丰富程度——天线数是"上限"，环境决定能逼近到多少。
Q5：用户配对为什么那么重要？ A：ZF能干净分离用户的前提是用户信道正交。配对选得好（用户空间方向差异大），零陷轻松、噪声小、增益大；配对选得差（用户挤在一处），噪声增强会毁掉一切。调度器的配对算法往往是现网MU-MIMO性能差异的主因。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。