空口是移动通信最后一块没被AI啃动的硬骨头：物理层算法被工程师用解析数学守了三十年。2021年12月，3GPP立项"AI/ML for NR air interface"，把神经网络正式写进5G-Advanced标准，CSI反馈压缩、波束管理、高精度定位三大场景，走完“研究项→工作项→规范冻结”全流程。本文以3GPP官方技术报告TR 38.843为解读主轴（3GPP TR 38.843），结合各公司在标准评估与外场试验中公开的数据，讲清楚空口AI的标准框架、实测成绩、商用卡点，以及它和AI-RAN的本质区别——一个是算力层的生意，一个是协议层的革命。
干了十几年核心网和无线优化的人，对"AI管网"这件事的态度大多经历了三段变化：先是看告警聚类、工单摘要，觉得是锦上添花；再看节能、负荷预测，觉得有点意思；直到3GPP把神经网络写进空口标准，才发现这次动的不是运维的外围，而是通信协议的心脏。这篇文章回答三个问题：空口为什么难AI化、3GPP怎么给黑盒立规矩、实测到底拿到了多少增益。
运营商的AI应用是分层推进的。最外层是网管域：告警收敛、工单自动化、根因分析，吃的是管理数据；往里一层是资源域：基站节能、负荷预测、容量规划，吃的是话统和性能数据；最里层才是空口——UE和基站之间的无线信号处理本身。前两层AI再怎么折腾，动的是“网络的报表”；空口AI动的是“网络的物理规律”。这也是为什么它最难、最晚，但一旦成事价值最大。
空口难AI化，根子在算法传统。三十年来，物理层的设计语言是解析数学：信道估计用最小二乘和MMSE，反馈用精心设计的码本，调度用比例公平这类有闭式解或可证明性质的算法。这些方法的共同点是确定性、可解释、可认证，出了问题能定位到公式哪一项。神经网络是另一套语言：数据驱动、概率性、黑盒。让一个不可解释的模型直接决定空口行为， certification（认证）体系里根本没有对应的格子。这就是3GPP直到Rel-18才立项、而且先花整整两年只做“研究项”的原因——不是技术不成熟，是行业的信任机制要先搭起来。
具体到工程痛点，三大场景在现网里的样子，做过网优的人都熟：
CSI反馈之痛。 基站要做下行预编码，必须知道下行信道。TDD制式有信道互易性，上行SRS一测，下行信道大致推得出来；FDD制式上下行频段隔得远，互易性不成立，只能靠终端把测到的信道“汇报”上来。汇报就有开销和精度的矛盾：5G NR的Type II码本精度不错，但在64发64收、双极化、大带宽多子带的配置下，信道矩阵的维度是爆炸的，量化后的PMI反馈比特在重负载场景能吃掉可观的下行容量。反馈越精细开销越大，越粗糙预编码越差——这个三角问题码本时代无解。
波束管理之痛。 毫米波和高频段Massive MIMO靠窄波束换覆盖，代价是波束对齐的维护开销。SSB burst set几十个波束轮着扫，P1/P2/P3流程一套下来时隙开销不小；更难堪的是波束失败恢复，链路一旦被遮挡要重新扫描，时延直接叠加在用户体验上。 UE转个身、抬个手，波束就断了。
定位之痛。 Rel-16给NR引入了原生定位能力，DL-TDOA、Multi-RTT、到达角这套方法在LOS环境下表现不错，但城市峡谷的NLOS多径让误差飙到数米级，垂直维度（楼层定位）更是一塌糊涂。而监管要求越来越狠：美国FCC对应急呼叫的垂直定位精度要求已经压到米级（±3米量级），工业互联网的资产跟踪也等不起十米级的误差。
3GPP标准化的经典两段式，在AI身上用得格外谨慎。
timeline
title 空口AI标准化这些年
2021年底 : Rel-18研究项立项
2022年 : 三大场景与评估方法冻结
2023年 : TR 38.843结题
2024年 : Rel-19工作项启动
2026年上半年 : Rel-19协议冻结
2025年起 : Rel-20研究6G AI原生空口
2021年12月的RAN全会上，"Study on AI/ML for NR air interface"立项，圈定三个用例：CSI反馈增强、波束管理、定位精度增强。两年研究期里，爱立信、诺基亚、华为、中兴、三星、vivo、OPPO、联发科、高通、中国移动、NTT DOCOMO等几十家公司提交了链路级和系统级评估，2023年结题形成TR 38.843——这份报告是空口AI的“现象级底稿”，把每个场景的输入输出、模型放置方式、评估口径都定义了一遍。
对工程师来说，这份报告里最有价值的不是某个公司的增益数字，而是它给黑盒套上的框架约束：
第一，模型放置被显式标准化讨论。CSI压缩这类任务，编码器在UE侧、解码器在基站侧，两侧模型必须配对，这叫双侧（dual-sided）部署；波束预测可以只在网络侧做，这是单侧部署。双侧部署带来一个此前空口从未有过的工程问题：模型的版本一致性管理——终端里跑的编码器和基站里跑的解码器版本不匹配，等于整个链路失效。
第二，评估口径先于增益结论。CSI压缩不看均方误差单一指标，而是看重建信道与真实信道的余弦相似度（越接近1越好），再折算成吞吐当量损失；波束管理看Top-K命中率（预测的前K个波束里有没有真实最优波束）；定位看误差分布的百分位点。这套口径让各公司的数字至少有了可比的地基。
第三，标准允许多种实现，模型结构本身不进规范——规范约束的是模型与空口流程的接口（什么时候上报、怎么激活、怎么回退），具体网络结构、训练方法各家自由发挥，行为以各厂家官方文档为准。这一点很像当年HARQ和调度器的标准化哲学：约束接口，放开实现。
先给表格，再逐项展开。下表中的增益量级综合自TR 38.843收录的各公司评估和厂商公开试验信息，各家口径不一，只看量级，不做横向排名：
| 场景 | 传统方案天花板 | AI的打法 | 公开评估的增益量级 | 标准化状态 |
|---|---|---|---|---|
| CSI反馈 | 码本量化损耗与反馈开销互相锁死 | 自编码器两端压缩：UE编码、基站重建 | 反馈开销压到几分之一到几十分之一，吞吐当量损失可控 | Rel-19进入规范 |
| 波束管理 | 全波束扫描，开销随时隙数堆高 | 用历史测量+位置姿态预测目标波束 | 测量开销大幅压缩，Top-3命中率普遍九成上下 | Rel-19进入规范 |
| 定位 | NLOS多径误差达数米，垂直维度最差 | 学习式指纹修正+LOS/NLOS识别 | NLOS场景误差明显收敛，垂直维度改善最显著 | Rel-19进入规范 |
CSI压缩是三大场景里产业共识最强的。 技术路线就是通信人熟悉的自编码器：终端侧编码器把高维信道矩阵压成一个低维比特向量，上行反馈；基站侧解码器重建信道矩阵。重建质量用余弦相似度衡量。TR 38.843收录的评估里，压缩比做到几十分之一、重建精度仍能支撑预编码增益的方案不止一家；国内运营商与设备厂商联合开展的外场验证（据IMT-2020/IMT-2030推进组公开信息）也反复复现了“开销大幅下降、吞吐损失个位数百分比”的结论。对FDD大MIMO基站，这笔账很好算：反馈开销省下来的，就是下行可以多卖出去的容量——相当于不动频谱、不加天线，白捡一段效率。
波束管理的AI化更贴近现网刚需。 高频段部署越多，波束维护开销越肉疼。AI的思路是把“扫描”变“预测”：用历史波束测量、终端位置和姿态序列，预测下一个周期的最优波束，只需要对少数候选波束做确认测量。3GPP评估中Top-K命中率是硬指标——K取3时命中率普遍能做到九成上下，意味着基站可以省掉绝大部分盲扫。对波束失败恢复，AI预测能把“断了再找”变成“提前备好”，时延改善直接体现在切换和恢复指标上。
定位是最难但社会价值最高的一个。 学习式方法处理NLOS有天然优势：多径指纹本身就有区分度，模型学的是“这类信号形态对应这类误差修正”。TR 38.843收录的评估显示，NLOS场景误差收敛过半的方案不少，垂直维度的改善尤其明显——这恰恰是应急救援最需要的那个维度。
需要泼一盆冷水：这些数字绝大多数来自链路级仿真、系统级仿真和受控外场，仿真到现网的折扣是全行业还没有公论的开放问题。这数字能信几分，第五节细说。
讨论空口AI的人爱聊模型精度，但真正决定它能不能商用的是另一件事：模型怎么部署、怎么更新、出错了怎么兜底。这是3GPP在生命周期管理上花的笔墨不比用例本身少的原因。
标准框架里讨论并逐步规范化的机制包括：给模型分配模型标识；网络侧模型可以通过NAS层信令向终端传输模型参数（终端里住进基站发来的神经网络，这在蜂窝协议史上是头一回）；通过RRC配置和MAC层控制信令做模型的激活与去激活；以及对模型性能的持续监测——一旦监测指标越限，回退到传统算法（比如CSI从AI压缩回退到Type II码本）。
flowchart TD
A[训练数据采集] --> B[模型训练]
B --> C[实验室验证]
C --> D{是否达标}
D -->|达标| E[传输部署到基站]
D -->|不达标| B
E --> F[激活并监测性能]
F --> G{性能劣化}
G -->|是| H[回退传统算法]
G -->|否| F
H --> A
这张闭环图里最值得琢磨的是“回退”那条边。网络敢用一个黑盒直接处理物理层信号，前提是任何时候都能一脚刹车回到三十年验证过的老算法——回退机制之于空口AI，相当于安全带之于汽车。这也是运营商评估AI特性的第一优先级问题：不是“增益多少”，而是“失效时多快能退回去、退回去用户有没有感知”。
对网优团队来说，生命周期管理还改变了一个日常认知：模型变成了网元的一部分资产。软件版本管理清单里从此多了一列“模型版本”；跨厂商组网里，双侧模型的一致性校验要进日常巡检；模型更新走变更流程，和割接同级别管控。这些运维侧的连锁反应，很多团队还没有排上日程。
第一道坎：泛化性。 一个CSI压缩模型要在全国几百万个小区、十几种频段组合、室内室外高速高铁全场景下工作，训练数据永远追不上场景的分布漂移。3GPP评估里大家用同样的信道模型各拿漂亮的数字，实网却是另一片丛林。行业目前的共识方向是按场景分域训练加在线微调，但“分多细、谁的钱包撑得住”没有答案。
第二道坎：仿真-实网gap。 链路级仿真里0.5dB的增益到了现网，可能被 implffa的信道老化、硬件校准误差吃掉一半。外场验证复现率是比峰值增益诚实得多的指标，看厂商宣传材料时要专门追问这一行。
第三道坎：算力与功耗。 终端侧跑编码器，吃的是手机SoC的基带算力和功耗预算——这直接和芯片厂商谈判；基站侧跑解码器和监测，吃的是基带板的处理余量——这直接和老款设备的扩容计划冲突。AI空口的账要连电费一起算。
第四道坎：认证与责任。 模型更新本质是软件变更，但它的失效模式是性能静默劣化而非显式告警，传统验收测试抓不住。谁认证模型、模型行为导致的质量劣化谁负责，监管和行业都还没有成熟框架。这也是为什么生命周期管理和回退机制是标准化的重中之重——责任链条先闭合，商用才敢放开。
顺带厘清一个容易混淆的概念：这两年风头很劲的AI-RAN，是把通用算力（GPU）塞进基站机房，在RAN的算力上跑AI推理和边缘应用，动的是算力层；本文说的空口AI，是让神经网络直接参与无线信号的处理、反馈和调度，动的是协议层。两者经常被混为一谈，但产业角色、商业模式、标准化路径完全不同。空口AI在6G里的地位会更核心——2025年启动的Rel-20 6G研究中，“AI原生空口”（AI-native air interface）已被列为候选设计基线之一，也就是不再问“AI能不能加进空口”，而是问“空口该怎么围绕AI重新设计”。
回看这条路：2021年立项时，不少人判断空口AI是学术界自嗨；2023年TR 38.843结题，三大场景的评估口径立起来了；2024年Rel-19工作项启动，生命周期管理进入规范；2026年上半年Rel-19按计划完成协议冻结——四年时间，神经网络从空口的编外人员变成了有名分的住户。
对通信工程师，这个转变的职业含义很直接：物理层优化技能栈里，Codebook参数调优之外要加上数据集构建、模型评估和模型版本运维；对运营商，频谱效率的竞争维度里多了一个“谁的模型好”的隐形战场；对整个行业，这是第一次用一个概率性系统去替换确定性系统承载关键业务，回退机制、监测体系、认证框架这些配套，比模型本身更值得工程师花时间读懂。
空口的AI化不是替代物理层大师们的公式，而是给公式旁边配了一个会学习的搭档。三十年前码本设计者们的谨慎没有错，今天标准制定者们的小心也没有错——真正的问题从来不是AI能不能进空口，而是我们对它的信任，能不能一层一层地建起来。
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。