《IEEE Wireless Communications》：AI for Air Interface Life-Cycle Management: End-to-End Verification, Adaptation, and Procedures
编辑推荐：
本文针对AI赋能的空口生命周期管理(LCM)挑战，提出了融合射频数字孪生、AI测试引擎、智能体编排器与多维KPI的端到端验证框架，解决了AI模型在训练、测试、部署等阶段的泛化性与可靠性难题，为6G网络智能化部署提供了自主验证路径。
随着第五代移动通信技术(5G)的规模化部署和第六代(6G)研究进程的加速，人工智能(AI)正深刻变革无线空口的传统设计范式。3GPP从Release 18开始启动空口AI研究，并已完成技术报告TR 38.843，明确了AI在信道建模困难场景下的学习能力、实时决策以及预测性自适应等核心价值。基于此，标准组织已规范了三大初始应用场景：信道状态信息(CSI)反馈增强、波束管理(BM)优化以及用户设备(UE)定位提升。然而，AI模型的概率性本质与传统通信协议的确定性要求形成鲜明对比，其性能高度依赖训练数据分布，且需在运行期持续更新，这给网络可靠性带来了前所未有的挑战。因此，构建覆盖模型全生命周期的管理(LCM)体系成为推动AI空口大规模落地的关键。
为解决上述挑战，Ankit Gupta等研究人员在《IEEE Wireless Communications》上发表论文，系统提出了面向空口AI的端到端LCM验证框架。该框架整合了四大技术模块：射频数字孪生用于生成高保真场景数据，AI测试AI引擎通过智能测试用例选择与性能预测实现黑盒验证，智能体编排器自主监控模型状态并触发更新，多维KPI体系则从无线性能、AI效能、资源效率等角度综合评估模型表现。
研究团队通过以下关键技术路径展开工作：首先，利用射线追踪(RT)技术构建射频数字孪生，基于高精度3D地图与材料属性仿真生成站点特异性信道数据，替代成本高昂的实地测量。其次，开发AI测试AI引擎，其配置生成器将自然语言描述转换为3GPP合规参数，测试集优化器采用分层抽样与主动学习策略压缩测试规模，性能预测器则基于有限测试结果推断全参数空间表现。此外，智能体编排器通过自然语言交互接收运维指令，动态调整验证策略并协调各模块联动。最后，研究定义了包含传统链路指标、AI模型性能（如中断信噪比Break-off SNR）、互操作性、资源效率及安全性的多维KPI体系。
A. 射频数字孪生用于训练和仿真阶段
研究表明，数字孪生可通过动态校准保持与现实环境的一致性，为AI模型提供大规模、低成本的训练与仿真数据。例如，在城区宏站(UMa)场景下，该技术能精确模拟多普勒效应与信道变化，弥补了标准化数据集的缺失。
B. AI测试AI引擎用于测试和部署阶段
在神经网络接收机的上行链路测试中，该引擎对150万组测试场景进行分析，结果显示整体预测准确率达95%。混淆矩阵标识出49万假阳性与68万假阴性案例，洞察合成模块进一步指出模型在UMa/UMi高多普勒场景下存在泛化能力不足的问题。
C. 智能体编排器用于监控和更新阶段
智能体通过维护跨阶段上下文信息，实现了模型退化问题的自主诊断与更新触发。相比预设脚本，其能解析运维意图并动态生成验证策略，显著缩短了模型迭代周期。
D. 多维KPI用于推理阶段
研究强调，除误块率(BLER)等传统指标外，需引入AI特异性KPI（如推理延迟、置信度）及安全指标（如模型完整性风险），以全面评估AI模块在真实环境中的表现。
该研究结论指出，3GPP标准化的AI空口用例亟需配套的自主验证方法。所提框架通过数字孪生、智能测试与编排器的协同，为AI模型的可靠部署与持续优化提供了可行路径。尤其在高多普勒等复杂场景下，该方案能精准识别模型局限，推动学习型空口从理论走向实践。随着6G研究深入，这种端到端的LCM框架将为实现无线网络全生命周期自治奠定重要基础。
