想象一个安静的大客厅，里面有两对人想聊天。如果所有人都挤在客厅中央，四个人很快就会互相干扰，谁也听不清。但如果一组人站在客厅东头，另一组站在西头，墙上还挂着吸音帘，两组对话就可以同时进行、互不干扰——房间的容量瞬间翻了一倍，而这个房间并没有变大。
无线通信面临一模一样的困境。频谱就像那个客厅：带宽是有限的、昂贵的、被各国监管机构切分拍卖的稀缺资源。运营商花几百亿买来的频谱，就那么几十兆赫兹。按照香农的账本，带宽定了，速率的上限似乎就定了。
但工程师在 1990 年代发现了一件反直觉的事：无线信道除了频率和时间这两个维度，还藏着第三个维度——空间。只要在发射端和接收端各多装几根天线，利用电磁波在环境中传播时产生的多条独立路径，就能在同一段频谱、同一时刻里，并行传输多路互不干扰的数据流。这就是 MIMO（Multiple-Input Multiple-Output，多入多出）技术，也是过去二十年移动通信速率跃升的第一功臣。
本文要回答三个“为什么”：为什么多几根天线就能翻倍？为什么这件事不是在所有场景都成立？为什么 5G 基站要把天线数量从 4 根堆到 192 个振子？
先看那本“账本”。香农公式给出了有噪信道的容量上限：
$$C = B\,\log_2\left(1 + \frac{S}{N}\right)$$
其中 $C$ 是信道容量，$B$ 是带宽，$S/N$ 是信噪比。想提高速率，只有三个方向：
| 提速手段 | 效果 | 为什么受限 |
|---|---|---|
| 加大发射功率 | 信噪比线性涨，容量只按对数涨 | 功率翻倍，速率只提升约每赫兹1比特出头；功放成本、耗电、干扰邻居小区 |
| 争取更多带宽 | 容量线性增长 | 频谱是稀缺行政资源，拍卖价格天价 |
| 提高调制阶数 | 每符号多载几个比特 | 信噪比不够时误码率雪崩，只有极近距、强信号场景可用 |
三条路的边际收益都在递减。第四条路藏在公式之外——香农公式描述的是一根天线对一根天线的单信道。如果在两端都部署多根天线，信道就不再是“一条”，而是一个网络。1990 年代贝尔实验室的 Foschini 提出 BLAST 分层空时结构，Telatar 给出了多天线高斯信道的容量分析，两者共同揭示了一个惊人的结论：
在散射足够丰富的环境里，MIMO 信道的容量近似随 $\min(N_t, N_r)$ 线性增长（$N_t$ 为发射天线数，$N_r$ 为接收天线数），而额外的发射功率几乎不需要。
换句话说：不买一寸频谱、不多烧一瓦功率，网速翻倍。这就是空间维度带来的“免费午餐”。
以最经典的 2×2 MIMO 为例：基站发两根天线，手机收两根天线。电磁波从每根发射天线出发，经直射、反射、绕射等路径到达每根接收天线，于是形成了 2×2 = 4 条“发射—接收”组合路径。每条路径有自己的衰减、时延和相位旋转，写成矩阵就是信道矩阵 $\mathbf{H}$：
$$\mathbf{y} = \mathbf{H}\mathbf{x} + \mathbf{n}$$
$\mathbf{x}$ 是两根天线同时发出的两路数据，$\mathbf{y}$ 是两根天线各自收到的混合信号，$\mathbf{n}$ 是噪声。注意关键点：手机收到的每一路信号，都是两路发送数据叠加后的“混合物”——听起来像灾难，两路数据搅在一起了。但只要 $\mathbf{H}$ 的四个元素不是简单成比例（即四条路径各自独立衰落），接收机就能通过信道估计测出 $\mathbf{H}$，然后像解二元一次方程组一样，把两层数据分离出来。
flowchart TD
A["原始高速数据流"] --> B["串并转换<br/>拆成两层并行流"]
B --> C1["天线1发送 流1"]
B --> C2["天线2发送 流2"]
C1 --> H["无线信道<br/>四条互相独立的路径"]
C2 --> H
H --> D1["接收天线1<br/>收到混合信号y1"]
H --> D2["接收天线2<br/>收到混合信号y2"]
D1 --> E["信道估计<br/>测出四条路径强弱"]
D2 --> E
E --> F["检测器联立求解<br/>分离两层数据"]
F --> G["两流并行输出<br/>速率翻倍"]
用 algebra 打个比方：一个未知数一个方程，解不出来；两个未知数、两个“形状不同”的方程，就能解。四条独立路径就是四个“形状不同”的方程，方程的数量决定了你能同时解出几层数据。
高信噪比下的工程近似为：
$$C \approx \min(N_t, N_r)\, B\,\log_2\left(1 + \overline{\mathrm{SNR}}\right)$$
对比单天线版本，容量整整乘了一个系数 $\min(N_t, N_r)$。这个“取小”很有讲究：
数学上，信道矩阵的“秩”（rank）决定了最多能并行传输的层数。接收机上报的秩指示（RI），就是终端测出“当前这条无线信道能塞几层”后向基站的汇报。
多装天线并不只有“提速”一种玩法。同一套硬件，按信号处理方式不同有三种用法，理解它们的分工，是理解现网配置的关键。
flowchart TD
S["SISO 单发单收<br/>一切的基础"] --> SI["接收分集 SIMO<br/>多收几份 抵抗深衰落"]
S --> MS["发射分集 MISO<br/>多天線发同一码字"]
SI --> M2["空间复用 MIMO<br/>多层并行 提速率"]
MS --> M2
M2 --> BF["波束赋形<br/>能量聚焦 提信噪比"]
BF --> MM["Massive MIMO<br/>大规模阵列 多用户空分"]
| 用法 | 核心目标 | 信号特征 | 代价与条件 | 典型使用场景 |
|---|---|---|---|---|
| 分集（Diversity） | 提高可靠性，抵抗深衰落 | 多天线传同一份数据的不同副本 | 不提速，牺牲频谱效率 | 小区边缘、控制信道、信道差时 |
| 复用（Multiplexing） | 提高峰值速率 | 多天线传不同数据的并行层 | 依赖信道秩，视距或相关信道时退化 | 近点、富散射环境的数据信道 |
| 赋形（Beamforming） | 能量对准用户，提升信噪比并降低干扰 | 各天线按相位加权，同相叠加 | 需要较准确的信道方向信息 | 广覆盖、多用户隔离 |
三者的关系不是“三选一”，而是按信道状态动态组合。实际网络中，基站根据终端上报的秩（RI）和信道质量（CQI）实时决定：当前这个用户这一毫秒，用几层复用、剩余自由度换多少分集、赋形权值往哪个方向压。像 2×2 MIMO 里经典的 Alamouti 空时编码，就是用两根天线互为备份传同一符号的共轭副本，接收端合并后等效获得分集增益——不提速，但把“深衰落瞬间掉链子”的概率大幅压低。
一句话总结设计哲学：信道好的时候用复用换速度，信道差的时候用分集换稳定，人多的时候用赋形换隔离。
4G 时代主流配置是 2×2 或 4×4 MIMO；5G Sub-3GHz 宏站的常见形态是 64 收发通道的大规模阵列（业内常说 64T64R），天线振子数达到 192 个。天线数从 4 涨到 64，并不是为了把单用户速率提 64 倍——单用户能吃的层数受限于它自己的天线数和信道秩，通常仍是 4 层封顶。天线的洪流是为了另外三件事：
1. 更尖锐的赋形波束。 天线阵元越多，波束越窄（波束宽度大致与阵元数成反比），能量越集中地打到目标用户身上。边缘用户的信噪比显著改善，等效于“不建新站也扩了覆盖”。
2. 信道硬化。 单天线信道会经历深衰落的“过山车”；当天线数成百时，众多独立路径的衰落相互平均，合成信道趋于稳定——就像一片树叶的晃动影响不了一整片森林的光照。信道稳定意味着调度器可以放心“压榨”每一步资源，链路自适应的误差变小，系统容量更接近理论值。
3. 多用户空分（MU-MIMO）。 这是 Massive MIMO 真正的杀手锏：利用空间分辨率，在同一时频资源块上同时服务多个用户。基站的赋形让发给用户 A 的波束在用户 B 的位置恰好相互抵消（零陷），反之亦然。客厅终于被隔成了几十个包间——每个包间里一对人自由聊天。系统谱效率从“单用户层数封顶”中解放出来，随 $\min(M, K)$ 的量级增长（$M$ 为天线数，$K$ 为配对用户数）。
| 维度 | LTE 4×4 时代 | 5G Massive MIMO |
|---|---|---|
| 收发通道 | 4 发 4 收，常见 4 层 | 64 通道阵列常见，单用户仍 4 层左右封顶 |
| 服务方式 | 以单用户复用（SU-MIMO）为主 | 多用户空分（MU-MIMO）成为日常 |
| 信道信息来源 | 终端测量后反馈码本 | TDD 互易性 + 上行探测为主 |
| 硬件形态 | 无源天线 + RRU 分体 | 有源天线单元（AAU），阵列与功放一体 |
| 主要增益 | 峰值速率 | 边缘覆盖 + 多用户容量 + 谱效率 |
赋形和 MU-MIMO 都有一个苛刻的前提：基站必须知道电磁波从自己到用户的信道长什么样，否则波束打不准、零陷对不上。可下行信道只有用户能“感觉到”，基站怎么提前知道？
TDD（时分双工）给出了一个漂亮的答案：上下行使用同一个频段、轮流收发。物理定律保证，同一频率的传播特性是相同的——手机往上行发一个探测信号，基站测到上行信道，就等于免费拿到了下行信道的“镜像”。于是信道信息的获取从“终端测量、量化、反馈”的迂回路，变成了“上行探一针，下行全知道”，反馈开销不随天线数膨胀。这正是 64 通道阵列在 TDD 网络上大放异彩的根本原因。
sequenceDiagram
participant U as 手机
participant G as 基站
U->>G: 上行探测信号SRS
Note over U,G: TDD同频分时收发 上下行信道相同
G->>G: 由上行接收估计各用户信道
G->>U: 按信道信息下发赋形数据
Note over G: FDD上下行频率不同 互易性不直接成立
而 FDD（频分双工）上下行频率不同（常差几十上百兆赫兹），传播响应并不相等，互易性不直接成立，只能依赖反馈或校准补偿，这也是 FDD 网络上大规模 MIMO 落地更曲折的物理根源。工程上还有一个容易被忽视的细节：即便在 TDD 下，阵列的每条收发通道的射频电路响应也并非天然对称，需要周期性校准，否则估计出的信道带着系统性偏差，波束会“打偏”。
理解了原理，再看现网数据就通透了。工程师日常会撞见这些场景：
路测里看层数（Rank/RI）。 路测软件会显示下行调度层数。城区富散射环境，4 能力终端常跑 4 层；空旷高速、海面、草原等视距场景，秩常退化到 2 甚至 1。做容量规划时若把“满 4 层”当默认值，高速专网的容量预估会系统性偏乐观。同理，地铁隧道这类直射为主的场景，漏缆或单层传输反而更贴近实际。
测速不达标，先数天线。 用户抱怨“5G 没跑满”，第一件事是核对终端能力：手机几根接收天线、上报了几层、CQI 多少。基站侧配了 4 层，终端只敢收 2 层或信道秩只有 2，速率天花板就钉死在 2 层。瓶颈常常不在基站参数，而在终端能力和无线环境。
MU-MIMO 配对失败。 多用户配对的前提是用户间信道“够不像”。同方向、近距离的两个用户，信道高度相关，配对后互相干扰，增益归零甚至为负。调度器会计算用户间相关性来决定配对；如果某小区 MU 增益长期异常，先看用户分布是否过于集中（如 stadium 容量场景的扇区窄化需求）。
Wi-Fi 同理。 家用路由器插 8 根天线，不代表你的笔记本能跑 8 倍速——协商的空间流数取三者最小：路由器流数、终端流数、当前信道秩。Wi-Fi 6 标准最高支持 8 条空间流，但多数手机只收 2 条。这也是“换天线不换终端，网速纹丝不动”的原因。
常见调试陷阱： - 只看信噪比不看秩，误判“信号满格为什么慢”——满格是好，秩不够照样快不起来； - 反射板、金属吊顶等强反射体有时反而是复用的“帮手”，清理站周环境未必总利好速率； - 天线口功率配平了，但通道间相位一致性没校准，赋形方向图畸变，表现为边缘用户体验劣化而均值指标正常。
误解一：天线越多，速率按天线数翻倍。 单用户速率按 $\min(N_t, N_r, \text{信道秩})$ 封顶，64T64R 是为了赋形与多用户空分，不是给单用户 64 层。
误解二：视距最好，所以空旷场景 MIMO 最强。 恰好相反——复用吃的是独立散射路径，富散射的城区才是空间复用的主场；视距环境矩阵秩退化，多层并行会坍缩。
误解三：分集和复用是二选一的对立。 两者共享同一套天线自由度，网络按信道质量实时切分：好信道多复用、差信道多分集，切换粒度可以细到每条调度。
误解四：MIMO 提速靠多花功率。 总功率不变，只是把同一份功率摊到多根天线的多个自由度上；收益来自“自由度数量”而非“功率大小”，这正是它对香农公式第一步“加功率”的超越之处。
Q: MIMO 和波束赋形是什么关系？ A: 波束赋形是多天线（MIMO 硬件）的三种用法之一，另外两种是分集和空间复用。Massive MIMO 这个名字容易让人以为它只做复用，实际上一个 64 通道基站在同一时刻同时在做赋形（对准）、多用户复用（并行服务）和分集兜底（控制信道），三者在不同信道和业务上各司其职。
Q: 4×4 的基站配上 4×4 的手机，为什么实测速度只有两层的效果？ A: 实际层数 = min（基站可调度层数，终端能力层数，当前信道秩）。前两者是能力问题，第三者是环境问题：视距或强相关信道下秩只有 2，硬件再强也解不出第 3、4 层。换到富散射环境，同一对终端往往就能跑满 4 层。
Q: FDD 网络就做不了大规模 MIMO 吗？ A: 不是做不了，是路径更绕。FDD 上下行频率不同，用上行信道直接推下行会带偏差，需要靠终端反馈码本或附加校准手段来补，反馈开销和精度都受限。TDD 上下行同频，互易性天然成立，这也是 TDD 制式在大规模阵列时代占优的物理原因。
Q: 手机天线和 Wi-Fi 路由器天线的 MIMO 原理一样吗？ A: 物理原理完全一样，都是利用独立路径并行传输。差别在角色分工：路由器和基站侧天线多，重点是赋形与多用户空分；手机内部空间受限，重点是 2~4 根接收天线拿到足够的“观测方程”数，把层数吃满。终端天线数量直接写进了它的速率档位。
Q: MIMO 需要更大的发射功率吗？辐射会不会更大？ A: 不需要。总发射功率不变，被分配到多根天线上；速率提升来自空间自由度而非功率。大规模阵列的赋形反而让能量更集中地指向用户、减少向无关方向的泄漏，单位比特消耗的能量通常是下降的。
注：本次写作环境无法联网检索，以下为该主题公认的长期稳定公开资料入口，文中公式与史实均为教科书级常识，细节建议读者按下列入口复核。
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。