概述：当全网都在讨论大模型做网优、AI管告警时，3GPP悄悄干了一件更根本的事——把神经网络直接写进了5G空口标准。Rel-18研究了三年，Rel-19已转入正式规范：CSI反馈压缩、波束管理、精准定位三大用例率先“AI化”。本文以3GPP官方研究报告TR 38.843为解读主轴，讲清楚AI进空口到底解决了什么问题、实测收益有多大、距离现网规模商用还差哪几步。这是AI+通信里最“硬核”也最容易被忽略的一条战线——它改的不是运维工具，而是空口协议本身。
先说人话版背景。5G Massive MIMO基站有几十甚至上百个天线端口，基站要给终端调度资源，就得知道信道好不好——这个“知道”的过程叫CSI（信道状态信息）反馈：终端测完信道，把信道质量报告给基站，基站据此做波束赋形、选MCS、调度频谱资源。
问题在于开销。Rel-15/16定义的Type II CSI反馈，为了支撑高阶波束赋形精度，反馈比特数随天线端口数和子带数暴涨。做个直观对比：宽带CQI这种粗粒度反馈只要几个到十几个比特，而32端口场景下的增强型Type II反馈，单个终端一次报告可以到几百甚至上千比特，还要周期性地占满PUCCH/PUSCH资源。终端多了之后，CSI开销挤占的正是业务流量本身——这在Sub-6GHz大容量层和毫米波小站上都已经是现网工程师能感知到的痛。
波束管理是另一个开销大户。FR2毫米波用窄波束打，基站侧几百个候选波束，终端要周期性扫描RS（参考信号）来找最佳波束。波束越窄、增益越高，扫描的开销和时延也越大。高频段组网后，波束切换失败还会直接引起掉话——这也是毫米波网络掉话率偏高的常见根因之一。
这两类开销有个共同点：它们消耗的都是“空口的真金白银”——频谱资源和空口时延。这也是为什么3GPP盯上了AI：信道本身有强相关性和时变规律，理论上一个轻量神经网络就能从少量测量中“脑补”出完整信道信息，省下的反馈比特直接变现为容量。
本文解读主轴是3GPP官方研究报告TR 38.843《Study on AI/ML for NR air interface》（可在3GPP官网规格库检索）。这条线的推进节奏大致是：
timeline
title AI进空口的标准化时间线
2021年底 : Rel-18研究项目（SI）立项
: 三大用例确定
2022至2023 : TR 38.843研究评估
: 定义模型框架与信令需求
2024年前后 : Rel-19转正式规范（WI）
: 波束管理与CSI压缩先行
2026年前后 : Rel-19主体规范完成
: 进入商用芯片集成阶段
几个关键节点值得展开：
第一，用例选择很务实。 Rel-18研究没有贪大求全，只选了三个用例：CSI反馈增强（核心是AI压缩）、波束管理（AI预测最佳波束）、定位精度增强（AI改善NLOS场景误差）。三个用例都是开销大、AI收益可量化、且不触碰核心调度逻辑的“安全区”——出问题可以回退到传统算法，不影响网络基本功能。
第二，研究比规范先行。 Rel-18是Study Item，只出研究报告不动协议文本；转入Rel-19后才变成Work Item，开始写正式规范。这种安排在3GPP内部争论了很久——反对者的核心担忧是：AI模型不像传统算法，没有“标准答案”，各家训练出来的模型五花八门，怎么互联互通？最终的折中方案很有意思，下面第四节的模型生命周期管理就是这套折中的产物。
第三，标准允许多种实现。 3GPP只规范了模型交互的“信封”（如何传输、监控、激活、回退），模型本身各家自己训练——具体行为以各厂家官方文档为准。这一点和历史上Turbo码、Polar码的标准化思路一脉相承：标准定边界，实现见真章。
TR 38.843汇集了多家公司（终端芯片商、设备商、运营商）的评估结果。需要强调：以下数据来自3GPP评估结论和研究界公开论文，具体数值随场景、天线规模、模型结构浮动很大，我给的是量级和方向，不做精确引用。
传统Type II反馈是“全量采样”：终端把每个子带的预编码指示完整报上来。AI压缩则是“编码-解码”架构：终端侧一个轻量编码器把高维信道矩阵压成低维向量，基站侧解码器还原。
| 维度 | 传统Type II反馈 | AI压缩反馈（评估口径） |
|---|---|---|
| 反馈开销 | 随端口/子带数线性暴涨 | 同等精度下开销约降一个数量级 |
| 精度 | 全量采样，无失真上限 | 还原精度接近全量（视场景） |
| 时延敏感性 | 报告间隔内信道不变即有效 | 要求信道时变不能太快 |
| 模型要求 | 无 | 终端+基站两侧都要部署 |
| 失效模式 | 粒度粗但不至于错 | 模型失配时性能断崖 |
| 标准化状态 | Rel-15/16已冻结 | Rel-19规范化中 |
研究界在这个方向积累最久：2018年前后IEEE Wireless Communications Letters上的CsiNet系列论文最早证明了用卷积网络压缩CSI的可行性，此后五年几乎所有大厂研究院都有跟进成果。3GPP评估阶段达成的共识是：在天线规模大的场景，同等反馈精度下开销收益约一个数量级——这已经不是“优化”，而是把一类开销直接抹掉。
AI波束管理的思路：用历史波束测量+终端位置/移动性信息，预测下一个时刻的最佳波束，从而减少需要实际扫描的波束数量。TR 38.843的评估结论方向一致：可把测量波束数量砍掉一半以上，预测命中率普遍在八成以上（视场景与模型）。对毫米波网络，这意味着更少的SSB/CSI-RS扫描开销和更低的波束失败率——间接改善的正是毫米波掉话和切换性能。
NLOS（非视距）是5G定位的老大难：多径导致到达角/到达时延测量漂移，城市峡谷误差轻松到几米甚至十几米。AI用例的思路是用神经网络学习“测量特征→真实位置偏差”的映射。评估显示在NLOS场景可将误差从数米级压到1米级附近，这是工业物联网（AGV调度、资产追踪）真正需要的量级。
三个用例合起来看，一个清晰的模式浮现：AI没有取代任何既有协议机制，而是在每一个环节上做“预测式降开销”。这也是3GPP对AI空口一贯的工程哲学——不做革命，做收割。
如果说三大用例是“AI怎么用”，那Rel-19规范化中最有开创性的部分是“模型怎么管”。这是通信标准第一次为一群“会变化的黑盒”定义管理框架，大致流程如下：
flowchart TD
A[终端与基站互报能力] --> B[协商选择模型]
B --> C[模型下发与激活]
C --> D[运行中持续监控]
D -->|性能达标| E[继续使用]
D -->|性能劣化| F[触发回退]
F --> G[回落传统算法]
F --> H[请求切换新模型]
H --> B
几个设计要点：
能力协商先行。 终端要上报“我支持哪些AI用例、哪些模型结构、算力够不够”；基站 likewise。这本质上是把终端从“执行固定协议的状态机”变成了“携带模型的设备”——是空口架构层面的一次 quietly 的范式转变。
监控与回退是硬要求。 每个AI用例都必须定义性能监控指标和回退路径。模型失效（信道环境突变、数据分布漂移）时，网络不能瘫——必须能自动落回传统算法。这条要求直接吸收了AIOps领域多年的教训：AI上线容易，“AI失效时怎么办”才是工程化的分水岭。
模型传输走信令。 模型或模型参数可以通过专用信令在网元间、网络与终端间分发，这意味着未来可能出现“模型OTA”这种全新运维动作——升级网络不再只升级软件版本，还要管理成百上千个模型的版本、灰度、回滚。对运维体系来说，这是一条全新的工作流，很多运营商的网管工具链目前还没有这个位置。
双端一致性是坑。 CSI压缩要求终端编码器和基站解码器配对工作，任何一侧单独升级都可能造成失配。标准为此定义了模型标识与协商机制，但“灰度发布期间新旧模型共存”的兼容性管理，会是未来现网部署时最磨人的工程问题之一。
标准在写，芯片已经在动：
终端侧。 高通2024年初发布的骁龙X80是官方口径中“首款集成专用AI处理器”的5G Modem-RF系统，把AI算力带进了基带；2025年的X85进一步增强AI能力。联发科M90同样主打AI增强空口。按照双方公开宣传口径，AI算力主要用于波束管理、移动性优化等场景——与3GPP三大用例高度对齐。基带AI化的意义在于：终端侧终于有了执行神经网络推理的“常驻算力”，AI空口从论文里的仿真变成了可以跑在量产芯片上的代码。
基站侧。 各设备商均在5G-A阶段的产品线中集成了AI能力，公开材料多聚焦于波束与移动性场景。标准允许多种实现，具体到各厂商模型的训练方式、部署位置（基带/集中单元/云端），以各厂家官方文档为准，此处不展开。
运营商侧。 据公开报道，国内运营商在5G-A试验网测试中已将AI空口能力列入验证项，方向集中在波束管理和定位。需要说明的是：三大用例在现网的规模商用，普遍要等Rel-19规范冻结加上芯片规模化支持，业内普遍预期在2026年之后逐步展开——也就是说，我们正处在“标准快冻结、芯片已就位、现网未起量”的临界点上，这正是工程师提前布局知识储备的最佳窗口。
以一线运维视角看，AI空口从“能用”到“敢用”还有四道坎：
第一道坎：数据集与泛化。 神经网络吃训练数据。信道数据的分布因站点环境而异——密集城区训练的模型放到郊区，性能可能劣化。模型要“随身携带、随网适配”，就需要在网模型再训练或自适应机制，这恰是目前标准化覆盖最薄的部分。
第二道坎：失效模式变了。 传统算法的失效是渐进的、可解释的（比如CQI偏高导致的误块率上升）；AI模型的失效可能是突发的、不可解释的（分布漂移导致的整体失准）。现有的KPI门限告警体系对这类失效不够敏感，需要配套的模型监控KPI——这也是3GPP把模型监控写进规范的原因，但规范有了，运维工具链还在补课。
第三道坎：双端升级节奏。 前面说过，CSI压缩要求终端与基站模型配对。现实中终端换代以年计、基站软件升级以月计，中间漫长的“混代期”如何保证互操作质量，需要大量IOT（互操作测试）。可以说，AI空口的IOT复杂度会远超历史上的任何一次空口功能引入。
第四道坎：安全。 模型成了攻击面。理论上存在通过构造特殊信道环境诱导模型失效（对抗样本）的可能，模型下发链路也需要完整性保护。目前标准主要覆盖了传输安全，对抗鲁棒性更多靠产业界自律验证——这是安全团队需要提前进场的领域。
给一线工程师的务实建议：不用急着押注某个具体模型，但有三件事现在就值得做——把TR 38.843通读一遍（三大用例的评估方法本身就是极好的学习材料）；在网管的参数体系里给“模型标识/模型版本”类新对象预留位置；关注Rel-19冻结后主流芯片的AI空口互操作测试报告。
过去两年，AI+通信的话题几乎全压在“运维侧”：AIOps、大模型告警治理、AI客服。这些固然热闹，但都是在协议外面打转。3GPP把AI写进空口标准，是第一次让神经网络成为协议的组成部分——反馈开销降一个数量级、波束测量砍半、定位误差进1米级，这些收益不需要新建一个系统，而是直接叠加在每一次空口传输上。
它也意味着一种新的工程素养：未来的无线工程师，看懂一张CSI压缩的性能曲线，可能和今天看懂RSRP/SINR分布一样，是基本功。空口的AI化不是哪个厂商的产品发布，而是一整代协议的转向——现在它正走到商用临界点上。
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。