概述：过去两年，AI在通信网里干的都是“外围活”——告警压缩、节能调度、客服应答。真正的主战场空口物理层，一直没人敢动。本文回答三个问题：基带为什么难被AI改写、3GPP如何把AI正式收编进空口标准、以及2024-2026年谁先把“神经接收机”从论文做到了芯片和外场——芯片厂、设备厂、初创公司各自的打法与公开效果数据，以及落地路上真正的拦路虎。
把这两年运营商和设备商公开过的AI项目摊开看，会发现一个规律：几乎全部集中在管理层。告警压缩、根因定位、节能关断、话务预测、智能客服——这些场景的共同点是，决策周期以秒、分钟甚至小时计，跑在网管和OSS层，AI判断错了，代价是“多花点电费”或者“工单处理慢半小时”。试错成本足够低，AI才敢上。
而基带里那条信号处理链路，完全是另一个世界。以5G常见的30kHz子载波间隔为例，一个时隙只有0.5毫秒，装14个OFDM符号，摊到每个符号上的处理窗口只有大约35.7微秒——包括循环前缀。100MHz带宽下，4096点FFT对应3276个激活子载波，64通道大规模MIMO阵列意味着这条链路要64路并行，每一路都不许迟到、不许算错。整条链路固化在基带芯片的定点DSP和专用加速器里，功耗预算精确到瓦，任何一环输出漂了，后果不是“体验略差”，而是整个传输块CRC校验失败、直接重传。
这就是为什么深度学习浪潮卷了十年，图像、语音、NLP挨个被改写，基带链路却始终岿然不动——不是没人试，是硬约束太苛刻：微秒级实时性、定点数运算、毫瓦级功耗、还有最要命的可确定性。传统DSP链路的每一级行为都可用公式复现，出了问题能抓帧、能仿真、能定位到某级滤波器；换成神经网络，输出是一个几百万参数加权和的黑盒，出了问题连“哪一层错了”都说不清。
所以过去几年，产业界对空口AI的态度基本是“研究可以，上车免谈”。转折发生在2021年之后：3GPP把AI/ML正式立项进Rel-18，ITU在6G框架里给AI留了正式席位，而芯片厂商的产品路线图率先把“AI空口”变成了出货项。外围围墙一个个被拆掉，最后这座堡垒开始被正面强攻。
要看懂AI进空口这件事的标准脉络，锚点就是3GPP官方的技术报告TR 38.843《Study on AI/ML for NR air interface》（3gpp.org/dynareport/38843.htm）。Rel-18在2021年立项“NR空口AI/ML研究”，这是3GPP历史上第一次把机器学习作为一等公民放进空口标准研究，历时两年多收敛，产出了这份评估报告。报告圈定了三大用例：
| 用例 | 做什么 | 关键指标 | 当前状态 |
|---|---|---|---|
| CSI反馈增强 | 用自编码器等网络压缩信道状态反馈，替代码本量化 | 相同反馈开销下的互信息（GPMI） | 进展最快，Rel-19已转入规范化 |
| 波束管理 | 预测最优收发波束，减少扫描开销 | 波束命中率、测量时延 | 持续研究 |
| 定位精度增强 | 用AI修正NLOS等场景的定位误差 | 定位误差分布 | 持续研究 |
三个用例里，CSI反馈压缩是最被看好的突破口，原因很符合工程直觉：它不碰接收主链路，错了顶多反馈不准，链路自适应的MCS选择会自然兜底——这是整个空口里风险最低、收益又直观的AI落点。研究阶段评估的结论方向是：在相同反馈开销下，神经网络的压缩互信息明显优于传统码本量化，开销压到十几分之一时性能损失仍然可控（具体曲线见TR 38.843评估结果，为各成员公司仿真口径）。
比数字更重要的是报告里划出的三条红线：数据集构建、模型泛化、生命周期管理。TR 38.843花了大量篇幅讨论“在一个信道分布上训练的模型，换到另一个场景还灵不灵”，以及“模型部署后怎么监控、怎么切换、怎么退回”。这为后续埋下了伏笔——标准组织从一开始就没把AI空口当成精度问题，而是当成运维问题。
2024年，Rel-19把这项研究推进到规范化阶段，首个规范化目标就是CSI反馈压缩，配套的还有模型生命周期管理的控制信令：UE能力上报、模型指示、激活去激活、异常回退。换句话说，未来的空口协议里，“当前用的哪个模型”会变成一个和“当前用的哪套参数”平级的正式网络状态。标准允许多种实现，具体行为以各厂家官方文档为准，但“模型可管理”这个方向已经写进了路线图。
更大的一锤定音来自ITU。2023年11月发布的ITU-R M.2160建议书（itu.int/rec/R-REC-M.2160）为6G（IMT-2030）定下六大应用场景，“AI与通信”赫然在列，与沉浸式通信、通感一体并列。这意味着AI空口不再是某家厂商的技术秀，而是6G标准提案的正式赛道——国内厂商提出的“AI原生空口”，指向的就是把AI内生地设计进物理层，而不是外挂。
标准和场景铺垫完了，看技术本体。什么叫神经接收机？先看经典链路怎么干活：
flowchart TD
subgraph L1["经典接收链路"]
A["OFDM基带样本"] --> B["信道估计"]
B --> C["均衡与相位补偿"]
C --> D["软解调"]
end
subgraph L2["神经接收机"]
E["OFDM基带样本"] --> F["卷积神经网络"]
F --> G["直接输出比特似然"]
end
D --> H["信道译码"]
G --> H
H --> I["CRC校验后交付"]
经典链路是“分而治之”的哲学：信道估计用导频插值，均衡用MMSE近似，软解调查表算似然。每一级都针对自己的子问题做最优或次优解，但级与级之间的信息损失是串接放大的——估计残差喂给均衡器，均衡残差喂给解调器，谁也不回头补救。
神经接收机的思路是端到端：把整段时间频率资源格栅直接喂进一个卷积网络，让它在训练中自己学会“估计+均衡+解调”的联合映射，输出比特级对数似然，交给后面的信道译码。训练目标是端到端的误块率，而不是任何中间量的均方误差。这个方向的学术标杆是诺基亚贝尔实验室2020年发表的DeepRx——全卷积网络直接处理原始OFDM符号，在测试信道上打平乃至超过了调校多年的经典接收机，第一次证明“整条链路交给神经网络”不是纸上谈兵。此后相关论文和综述大量涌现，成为近年物理层机器学习最热的分支。
产业侧最坚定的玩家是美国的DeepSig（deepsig.ai）。这家公司成名很早——长期开源维护射频机器学习领域最有名的RadioML数据集系列，把调制识别做成了教科书案例，创始团队源自学术界，深耕无线信号处理中的深度学习十年。它的产品OmniPHY定位就是软件定义的AI原生物理层：用神经接收机替换传统基带软件栈中的接收处理模块，跑在通用加速算力上。2024年2月AI-RAN联盟（ai-ran.org）成立时，DeepSig是创始成员之一，与英伟达、多家运营商和设备商同席——神经接收机由此从论文话题进入了产业联盟的议程（联盟已发布多份AI-RAN技术白皮书，可在其官网查阅）。
必须泼一盆冷水的是训练数据问题。神经接收机的训练集要么来自3GPP标准信道模型的仿真，要么来自现网采集——前者存在经典的仿真到实网（sim-to-real）鸿沟，后者牵扯用户数据脱敏。TR 38.843里讨论最多的泛化性问题，落到工程上就是这张网在高铁多普勒、深层室内、密集城区各跑各的样子，一套权重通吃所有场景目前没人敢承诺。这也是为什么现阶段所有商用方案都保留经典链路作备份——双链路并存、可随时回退，是当前所有落地方案的共同底座。
聊完原理看战报。谁先跑起来了？摊开一张产业地图：
| 玩家 | 产品/项目 | 落点 | 公开进展与效果口径 |
|---|---|---|---|
| 高通 | 骁龙5G AI套件（X75引入，X80延续） | 终端基带：AI增强CSI反馈、AI波束管理、AI网络切片 | 已随2024年起旗舰终端规模商用；厂商发布会口径为两位数百分比的容量/覆盖增益 |
| 中兴通讯+中国移动 | 神经元接收机外场验证 | 基站侧接收链路 | 据双方公开发布，5G-A外场验证中小区边缘用户吞吐获得可观提升（厂商口径，未见独立第三方复测） |
| DeepSig | OmniPHY神经接收机软件 | 通用算力上的可部署PHY软件栈 | AI-RAN联盟创始成员；官网称在多种场景较经典链路取得增益 |
| 诺基亚贝尔实验室 | DeepRx | 研究原型 | 学术界端到端神经接收机的开山与标杆工作 |
一个反直觉的事实值得展开：先规模商用的不是基站侧，而是手机里的终端芯片。高通2023年发布骁龙X75时推出的"5G AI Suite"，把AI增强的CSI反馈和波束管理做进了商用量产基带——注意，这是直接面向消费者的量产芯片，不是实验室样机。为什么终端侧敢先上？三个原因：一是模型小，终端侧CSI压缩网络是百万参数量级的小模型，与动辄千亿的大模型是两个物种，定点化后在基带NPU上跑得动；二是风险隔离，AI只作用于反馈环节，反馈失准由基站侧链路自适应兜底，最坏情形退化成传统性能；三是可迭代，终端模型可以随芯片固件OTA升级，试错周期以月计。后续的X80继续沿AI套件方向扩展，这条路线已成为高通旗舰基带的固定卖点。
基站侧明显更谨慎，原因前面说过：接收主链路一错就是整块传输块报废，基站还叠加了功耗红线——神经网络每个符号、每根天线都要算，64通道大规模MIMO的算力开销乘上全天运行，就是实打实的电费。所以设备厂的姿势是“外场验证先行、商用待标准”：中兴与中国移动的神经元接收机验证即属此类，针对的正是最疼的场景——小区边缘弱覆盖用户，那里信道估计质量最差、传统链路余量最小，也是神经接收机理论增益最大的地方。
给这张表打个补丁：表中所有增益数字均为厂商或研究机构自家口径，公开可查的第三方独立复测目前几乎为零。这是当前判断AI空口价值时最大的信息缺口——和当年AI节能“省电40%”的宣传期何其相似。工程师读战报的正确姿势是盯住三个硬指标：相同开销下的互信息曲线、全场景BLER-FER对比、以及边缘用户吞吐分布的尾部改善，而不是PPT首页的大数字。
写到这里，多数报道会收在“前景广阔”。干了十八年运维的人知道，真正决定一项新技术生死的是后半夜的事。AI空口的坎，不在实验室精度，而在三个运维命题。
第一，模型即网元。传统网元升级，对象是软件版本；AI空口引入后，网元里多了一类新实体——模型。它有版本、有适用范围、有性能漂移、会“过期”（现网环境变了，训练分布失效）。谁来监控模型的健康度？BLER突然抬升，是干扰来了，还是模型该重训了？这需要一套全新的模型侧KPI体系：输入分布漂移、置信度分布、模型间一致性比对。TR 38.843当年把生命周期管理与数据集、泛化并列为三大关键议题，标准侧Rel-19正在补控制信令，但运维规程、告警模型、割接流程，全行业都还是空白。
第二，灰度与回退必须像喝水一样自然。所有成熟方案的共同底座是双链路：神经网络与经典DSP并存，可逐用户、逐小区、逐时段灰度切换，异常时自动回退。这意味着基带要常驻两套链路的算力——这本身就是一笔功耗税，也是为什么“回退机制”的成熟度比“增益百分比”更能判断一家方案的真伪。凡是回避谈回退的PPT，都值得多问一句。
第三，最后一瓦的问题。训练在云端，推理在基带，中间隔着定点量化这道坎：浮点模型压到INT8甚至更低，精度损失多少、在哪些信道条件下崩，需要逐场景验收。终端侧模型小，这道坎好过；基站侧64通道乘上100MHz，任何量化损失都会被规模放大。算力放在哪、多大比例的样本要实时处理、空闲时段要不要降频——这些答案直接写进电费单。
这三条坎的共同点是：它们都不是算法问题，而是运维体系问题。这也是本文最想传递的判断——AI空口的产业瓶颈已经从“神经网络够不够准”迁移到了“运维体系接不接得住”。
最后落到人。AI进空口对网优和无线运维岗位意味着什么？三条可执行的建议：
第一，现在就去读TR 38.843，并跟踪Rel-19的38系列新章节。这是空口AI的第一个标准锚点，三大用例的评估方法、指标定义（尤其是互信息类指标）、泛化与生命周期的讨论框架全在里面。读它不是为了做算法，而是为了在明年厂家方案评审会上听得懂、问得出。重点盯CSI反馈压缩的规范进展——“模型指示、激活、回退”这套信令落地之日，就是网管系统要新增模型管理对象之时。
第二，动手建数据底座，这是网优工程师的独特筹码。算法公司不缺模型，缺的是带现网标签的数据：SRS与CSI上报分布、MCS-BLER联合分布、分场景的信道质量档案。把脱敏后的现网数据按场景整理成可复用的数据集，是运营商和其工程师在未来AI空口产业链里最不可替代的位置。仿真到实网的鸿沟，只能靠现网数据去填。
第三，试点从低风险用例切入，验收盯尾部指标。终端侧CSI反馈、节能类应用风险低、可回退，适合作为试验田；基站接收主链路等Rel-19规范成熟、芯片生态支持后再上不迟。验收时盯三个指标：相同开销下的互信息增益、全场景BLER对比（尤其是高速移动与深衰场景）、边缘用户吞吐分布的尾部改善——均值会骗人，尾部不会。
AI进空口，本质上是在问一个问题：一条被DSP工程师打磨了三十年、每一级都有闭式解的链路，值不值得让位于一个需要喂数据、会漂移、说不清理由的神经网络？2021年之前，这个问题被当作笑话；2024年之后，它出现在了量产芯片和产业联盟的章程里。标准已经发牌，芯片已经出货，外场正在验证——剩下的是数据、生命周期和电费这三笔最朴素的账。对通信工程师来说，这不是又一阵风口，而是物理层三十年来第一次真正的范式之问。答案或许要到6G冻结时才揭晓，但建数据底座、补模型运维课，从今天就该开始了。
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。