A Comprehensive Survey of Wireless Foundation Models for AI-Native 6G Networks
本综述对面向 AI 原生 6G 网络无线基础模型的进行了全面且统一的回顾，建立了架构与训练范式的分类体系，同时分析了其应用、挑战及未来的研究方向，以实现可扩展且可迁移的无线智能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
无线通信长期以来一直依赖精确的数学公式来描述无线电波如何在空气中传播、在建筑物上反射并到达接收器。几十年来，工程师们使用这些固定的方程组来设计系统，以估算信号强度、检测消息并管理网络流量。然而，随着网络向第六代（即 6G）演进，环境已变得过于复杂，不再是这些静态规则所能应对的。如今的电波中充满了海量的天线、超密集设备网络以及必须同时执行多项任务的集成感知系统。在这种混乱的格局下，旧的方法难以跟上步伐，因为它们无法在不被完全重写的情况下轻松适应新环境。
为了解决这个问题，研究人员正转向一种受人工智能变革其他领域启发的新方法。与其为每一项单一任务——例如一个程序专门用于寻找信号，另一个程序专门用于定位设备——都构建一个独立的专用计算机程序，科学家们正在开发一种单一的、庞大的模型，该模型首先学习无线信号的基本本质。该模型通过海量原始数据进行训练，以理解无线电波行为的普遍模式。一旦理解了这些模式，它就可以被快速调整以执行许多不同的工作，从清理噪声信号到管理整个城市的交通。这种转变有望使无线网络变得更聪明、更高效，并能够处理未来的多样化需求。
由阿拉伯联合酋长国大学研究人员发表的一项全面综述汇集了这一新兴领域的零散部分，旨在绘制这些“无线基础模型”的工作图谱。作者解释说，尽管这一概念非常强大，但目前的研究是碎片化的，不同的团队使用着不同的方法并在不同的数据上进行测试。他们的目标是创建一个统一的指南来组织这些工作，解释这些模型是如何构建、如何学习以及可以应用在何处。该综서并不声称这些模型是完美的或已准备好立即投入商业使用；相反，它表明只要能克服几个重大障碍，这些模型就代表了下一代网络的一次必要演进。
研究人员描述了一个定义这些模型功能的两步过程。首先，模型经历一个大规模的预训练阶段，在此期间它学习大量的无标签无线数据。这些数据包括从各种来源收集的原始信号测量值、信道信息和环境读数。在这一阶段，模型使用自监督学习，这意味着它通过尝试填补数据的缺失部分或通过比较同一信号的不同版本来进行自我教学。它学习识别无线电波的底层结构，而无需人类告诉它每一个数据点具体代表什么。一旦建立了这种通用的理解，模型就会进入第二个阶段，即进行轻量级的调整或“微调”，以执行特定任务。这种调整只需要极少的新数据，并允许同一个核心模型处理诸如估计信道质量、检测信号甚至定位设备等任务，且都拥有一个共享的基础。
该综述确定了几种不同的模型构建方式，每种方式都有其自身的优势。最常见的方法使用的是一种被称为 Transformer 的架构，它非常擅长发现数据的长程连接，例如信号随时间或跨频率的变化方式。其他设计则将已知的物理定律直接纳入模型的结构中，确保 AI 的预测符合无线电波在现实世界中的行为逻辑。还有一些模型旨在将网络视为一个整体，将用户和基站视为图中的连接点，以更有效地管理资源。虽然由于 Transformer 模型在学习海量数据集方面的能力，它们目前在领域内处于领先地位，但研究人员指出，未来的系统可能会结合这些不同的方法，以平衡性能、速度和精度。
该综述的一个主要发现是数据的至关重要性。与其他存在海量公共数据集的领域不同，无线通信面临着多样化、真实世界数据的短缺。收集真实的无线电信号既昂贵又耗时，且往往受到隐私问题的限制。因此，许多当前的模型严重依赖于计算机模拟生成的数据。作者指出，虽然这些模拟工具很有用，但它们无法完美捕捉物理世界的混乱现实。这造成了模型在实验室中所学内容与在真实城市中表现之间的差距。该综述建议，弥合这一差距需要更好的模拟工具，以及创建结合了真实测量值与合成数据的标准化大规模数据集。
研究人员还强调，这些模型不仅仅是为了提高信号质量。它们正被应用于广泛的新兴应用中，包括集成感知与通信，即利用相同的无线电波既传输数据又探测物体（如汽车或行人）。这些模型还在测试语义通信，这是一种侧重于传输消息含义而非每一个比特数据的技术，这可以大幅减少需要传输的信息量。然而，该综述强调，这些应用仍处于早期开发阶段。这些模型在模拟和受控测试中展现出了潜力，但它们推广到全新环境的能力仍然是未来研究的关键领域。
尽管潜力巨大，但前行的道路并非没有障碍。该综述指出，这些大型模型需要巨大的计算能力和内存，这使得它们很难在构成物联网的小型、电池供电设备上运行。此外，还存在安全性和可靠性的担忧。由于单个模型处理许多不同的任务，对核心系统的缺陷或攻击可能会导致多种服务同时中断。此外，这些模型的“黑箱”性质使得人们很难理解它们做出某些决策的具体原因，这对于自动驾驶等安全至关重要的应用来说是一个问题。研究人员认为，要让这些模型成为现实，业界必须开发出更好的方法使其更加高效、安全且具有可解释性。
展望未来，作者勾勒出了未来十年的路线图。在短期内，重点将是构建更好的数据集并完善训练方法。在中期，我们可以期待看到能够同时处理多项任务的通用模型。从长期来看，愿景是实现完全自主的网络，它们可以自主学习和适应，在无需人工干预的情况下不断优化性能。这种演进代表了一种根本性的转变：从构建许多小型、专门的工具，转向创建一个理解无线世界的大型智能系统。虽然这项技术仍在成熟过程中，但该综述总结道，无线基础模型是迈向 6G 时代所需的智能化、适应性网络的最具前景的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。