AI原生6G网络无线基础模型全面综述

# 面向AI原生6G网络的无线基础模型综合综述  
来源：https://arxiv.org/html/2608.14694  
作者：Naveed Khan, Besan Al Sbeihi, Maryam Alshehhi, 与 Nasir Saeed  
作者单位：阿联酋大学（UAEU）工程学院电气与通信工程系，阿联酋阿莱茵（邮箱：[email protected]）

###### 摘要  
基础模型正作为一种变革性范式兴起，为AI原生第六代（6G）无线网络实现跨多种通信任务的可扩展、可迁移且数据高效的智能能力。与针对单一应用训练的传统深度学习模型不同，无线基础模型（WFMs）从大规模异构无线数据中学习通用表征，并能以最少的特定任务监督高效适配至通信、感知、定位和网络优化任务。尽管进展迅速，当前研究仍分散于架构、训练范式和应用领域，尚无专门针对WFMs设计、学习与部署的统一综述。本综述对无线基础模型进行全面统一的回顾。我们首先阐述WFMs的基本概念，并提出一个根据模型架构、预训练范式和应用领域组织的分类体系。随后回顾代表性架构、自监督预训练策略、参数高效适配方法、数据集、基准测试和评估方法，强调它们在实现可迁移无线智能中的作用。此外，我们探讨涵盖物理层信号处理、网络智能和跨层优化的新兴应用，并讨论数据可用性、泛化能力、可解释性、高效边缘部署及标准化等关键挑战。最后，我们概述面向AI原生6G网络的可扩展、可信且通用无线智能的未来研究方向。本综述为开发下一代智能无线系统的研究人员与从业者提供全面参考。

## I 引言  
无线通信系统正从模型驱动的信号处理演进至数据驱动的智能，以满足AI原生第六代（6G）网络的严苛性能、可扩展性和适应性要求\[31 (https://arxiv.org/html/2608.14694#bib.bib152)\]。数十年来，解析信道模型、估计理论、优化技术和信号处理算法成功支撑了信道估计、信号检测、波束赋形、资源分配和网络管理等无线任务\[112 (https://arxiv.org/html/2608.14694#bib.bib153)\]。然而，大规模多输入多输出（MIMO）、超密集异构网络、通感一体化（ISAC）、语义通信和AI原生6G系统等新兴技术引入的复杂性，日益挑战传统解析模型\[32 (https://arxiv.org/html/2608.14694#bib.bib48),177 (https://arxiv.org/html/2608.14694#bib.bib49),76 (https://arxiv.org/html/2608.14694#bib.bib11)\]。

深度学习通过直接从数据中学习复杂信号表征，显著推动了无线通信发展，早期在信道估计、信号检测和波束赋形等物理层任务中取得成功\[32 (https://arxiv.org/html/2608.14694#bib.bib48)\]。其应用随后扩展至定位、调制识别、智能无线接收机和网络级资源优化\[177 (https://arxiv.org/html/2608.14694#bib.bib49),36 (https://arxiv.org/html/2608.14694#bib.bib50)\]。然而，现有大多数基于学习的方法仍局限于特定任务，需为每个通信问题单独构建模型并设计训练流程。此外，它们对大规模标注数据集和环境特定训练的依赖，可能使适应新部署条件的成本高昂\[125 (https://arxiv.org/html/2608.14694#bib.bib52)\]。在特定信道、移动性或硬件条件下训练的模型，也可能在底层数据分布变化时泛化能力不足\[7 (https://arxiv.org/html/2608.14694#bib.bib5),105 (https://arxiv.org/html/2608.14694#bib.bib51)\]。

随着无线系统向日益动态和异构的环境演进，反复收集标注数据、重新训练模型并为单个任务维护独立学习流程变得低效且难以扩展。这些局限性推动了从特定任务学习向基础模型的转变。基础模型在大规模异构数据集上进行预训练（常采用自监督或无监督目标），学习可迁移的表征，从而高效适配多种下游应用\[184 (https://arxiv.org/html/2608.14694#bib.bib154)\]。这一范式已通过提升数据效率、泛化能力和知识迁移重塑自然语言处理和计算机视觉，并正吸引无线通信领域日益增长的关注\[1 (https://arxiv.org/html/2608.14694#bib.bib155)\]。

无线系统因其生成多样且互补的数据模态，特别适合这一范式。以信道为中心的测量（如信道状态信息CSI和信道冲激响应CIR）提供了传播特性和空间结构的丰富表征\[22 (https://arxiv.org/html/2608.14694#bib.bib53)\]。在信号层面，同相正交（IQ）采样、频谱图及其他射频（RF）观测使基础模型能够直接从原始或转换后的无线信号中学习可重用的表征\[10 (https://arxiv.org/html/2608.14694#bib.bib69),172 (https://arxiv.org/html/2608.14694#bib.bib8)\]。更新近的方法进一步整合异构感知与通信模态，以捕捉无线环境中互补的信息\[6 (https://arxiv.org/html/2608.14694#bib.bib9)\]。因此，信道、信号、感知和网络级观测的整合为多模态表征学习和通用无线基础模型的发展提供了天然基础\[181 (https://arxiv.org/html/2608.14694#bib.bib21)\]。

无线基础模型（WFMs）由此成为实现可扩展且通用无线智能的有前景范式。无需为通信、感知、定位和网络优化开发独立模型，单个预训练骨干网络可通过微调、参数高效适配、提示调优或上下文学习高效适配至多个下游任务\[84 (https://arxiv.org/html/2608.14694#bib.bib156)\]。包括WirelessGPT、大无线模型（LWM）、WavesFM及新兴多模态WFMs在内的近期模型表明，大规模预训练显著提升了知识迁移、参数效率和跨域泛化能力，同时降低了对大规模标注数据集的依赖\[163 (https://arxiv.org/html/2608.14694#bib.bib157)\]。图.1 (https://arxiv.org/html/2608.14694#S1.F1)总结了WFMs的基本学习范式。与为单个通信任务独立训练神经网络的传统深度学习不同，WFMs将大规模表征学习与任务特定优化解耦。在预训练阶段，包括CSI、IQ采样、CIRs、RF信号、感知测量和网络观测在内的异构无线数据被用于学习捕捉跨多种无线环境共同传播特性的共享表征。所得骨干网络随后通过微调、参数高效适配或提示调优等轻量级技术适配至多个下游任务。这一统一工作流程使通信、感知、定位和网络优化共享公共表征，显著提升了可扩展性、迁移性和数据效率，同时降低了重新训练成本。

### I-A 动机与贡献  
尽管进展迅速，无线基础模型的研究仍分散于不同社群和应用领域。现有综述主要关注通信领域的大AI模型、迁移学习、多模态无线智能或特定通信应用，未将WFMs视为统一学习范式\[161 (https://arxiv.org/html/2608.14694#bib.bib159),34 (https://arxiv.org/html/2608.14694#bib.bib158)\]。因此，尚缺乏在单一连贯框架内系统整合架构设计、自监督预训练、适配策略、数据集、基准测试框架、评估方法、部署考量和新兴无线应用的全面综述。此外，自2024年以来代表性WFMs的迅速涌现已从根本上重塑研究格局，凸显了针对无线基础模型进行全面及时综述的必要性。

基于这些发展，本综述对无线基础模型进行统一阐述，涵盖其基本原理、架构设计、学习范式、适配策略、部署考量、评估方法及在AI原生6G网络中的应用。除总结现有文献外，本综述综合快速演变的研究格局，识别通用设计原则，比较代表性模型与学习策略，探讨新兴研究趋势，并概述面向可扩展且可信的通用无线智能的未来方向。本综述的主要贡献总结如下：  
- •我们为无线基础模型建立统一概念框架，形式化其定义，区分其与传统特定任务深度学习的差异，并描述向面向AI原生6G网络的大规模可迁移表征学习的转变。  
- •我们制定全面的分类体系，从模型架构、学习范式和应用三个互补视角组织无线基础模型，为分析现有发展和未来研究方向提供系统框架。  
- •我们对代表性无线基础模型进行全面回顾与批判性比较，涵盖基于Transformer的、物理信息的、基于图的和多模态架构，以及自监督预训练、参数高效适配、基于提示的学习和迁移学习策略。  
- •我们系统回顾公开可用的数据集、仿真平台、基准测试方法和评估指标，讨论它们在实现可扩展、可迁移和可复现无线基础模型中的作用。  
- •我们提供涵盖物理层信号处理、通感一体化、定位、资源管理和网络智能的新兴应用的整体分析，强调共享预训练骨干如何在异构无线任务中实现通用无线智能。  
- •我们识别关键研究挑战与未来机遇，包括数据稀缺、域泛化、多模态学习、可解释性、高效边缘部署、持续适配和标准化，并呈现面向可扩展、可信且AI原生的6G无线系统的研究路线图。

参见标题 图1：无线基础模型的概念工作流程。大规模自监督预训练从异构无线数据中学习共享无线表征，随后通过轻量级适配机制将其适配至多样的下游通信、感知、定位和网络智能任务。

### I-B 组织结构  
本综述其余部分组织如下。第II节回顾基于模型和基于学习的无线通信背景以及无线基础模型的基本概念。第III节从架构、训练策略和协议层视角引入无线基础模型的统一分类体系。第IV节回顾代表性模型架构，而第V节讨论大规模预训练策略与适配技术。第VI节总结无线基础模型的主要应用领域。第VII节呈现公开可用的数据集、基准平台和评估方法。第VIII节讨论主要开放研究挑战和未来研究方向，随后在第IX节提供面向AI原生6G系统的路线图。最后，第X节总结本综述。

## II 向无线基础模型的演进  
WFMs代表了无线通信领域人工智能演进的最新阶段。其出现源于传统模型驱动的信号处理和特定任务深度学习在应对AI原生6G网络日益增长的复杂性方面的局限性\[138 (https://arxiv.org/html/2608.14694#bib.bib160)\]。理解这一演进为认识WFMs的设计理念和大规模可迁移表征学习的动机提供了必要背景。本节首先回顾基于模型的无线通信基础及其向深度学习的转变。随后讨论基础模型在自然语言处理（NLP）和计算机视觉（CV）中的成功如何启发新一代无线学习系统，使其能够通过共享预训练骨干支持多种通信任务。

### II-A 基于模型的无线通信  
无线通信系统传统上依赖解析模型、估计理论、优化和统计信号处理来解决信道估计、信号检测、同步、波束赋形、均衡和资源分配等基本问题\[51 (https://arxiv.org/html/2608.14694#bib.bib190)\]。经典方法（包括最小二乘（LS）、最小均方误差（MMSE）、最大似然（ML）和凸优化）提供数学上可解释的解决方案，具有良好理解的理论保证，并构成了连续几代无线技术的基石\[158 (https://arxiv.org/html/2608.14694#bib.bib56),45 (https://arxiv.org/html/2608.14694#bib.bib57)\]。这些技术的有效性取决于对无线传播和网络行为的准确数学描述。例如，信道估计算法假设特定的统计信道模型，而波束赋形和资源分配需要可靠的CSI和可处理的优化公式\[9 (https://arxiv.org/html/2608.14694#bib.bib185)\]。在这些假设下，模型驱动方法可实现可预测的性能，并能使用估计理论、信息论和凸优化进行严格分析\[82 (https://arxiv.org/html/2608.14694#bib.bib58),159 (https://arxiv.org/html/2608.14694#bib.bib59)\]。

然而，向AI原生6G网络的转变已显著