本文旨在向广大研究者介绍一篇题为“Wireless Large AI Model: Shaping the AI-Native Future of 6G and Beyond”的综述论文。该文以Fenghao Zhu和Xinquan Wang（共同第一作者）为首，联合了来自浙江大学、东南大学、清华大学、鹏城实验室、西安电子科技大学、南京大学、香港大学、哈利法大学、南洋理工大学、伦敦大学学院、电子科技大学等海内外知名高校及研究机构的众多学者，共同撰写完成，并于《Science China Information Sciences》期刊发表。这篇论文的核心议题是探讨无线大人工智能模型（Wireless Large AI Model, WLaM）如何塑造6G及其后（B6G）通信系统的AI原生未来，属于领域内的前瞻性综述与路线图规划。

论文的核心主旨与背景

论文开宗明义地指出，第六代及未来通信系统的出现，预期将通过引入前所未有的智能、效率和连接水平，从根本上改变数字体验。实现这一革命性愿景的关键技术之一，便是无线大人工智能模型（WLaM）。WLaM以其在数据处理、推理和决策方面的卓越能力为特征，有望成为构建真正AI原生无线网络的核心使能技术。

研究的背景源于无线通信与大规模人工智能两大领域的深刻融合趋势。传统的无线AI模型通常是“一事一议”，针对特定任务（如信道估计或波束成形）进行设计和训练。这种方法存在三大根本性局限：首先，形成了孤立的智能“烟囱”，模型间无法复用知识，管理开销大；其次，在动态无线环境中泛化能力差，部署场景一旦变化就需要昂贵且频繁的重新训练；最后，传统AI缺乏处理多模态数据或理解高级人类意图的能力，限制了网络实现真正的基于意图的自主性。为了突破这些系统性瓶颈，WLaM应运而生。与传统的任务特定模型不同，WLaM是一个通用性强的基础模型（Foundation Model），可以通过提示工程、微调等轻量级适配方式，复用于各种无线应用场景，而无需经历彻底的重新训练周期。这标志着从“AI for Wireless”（AI优化无线）向“AI-Native Wireless”（AI原生无线）的范式转变。在AI原生6G网络中，AI不再是附加功能，而是被从根本上集成到网络架构的核心设计、运营和优化中，从而实现前所未有的网络自动化、自优化、弹性和情境感知服务。

论文的主要论点与论述结构

论文围绕WLaM这一主题，构建了一个系统、全面的论述框架。其核心论点可归纳为以下几个主要方面，并辅以详尽的技术细节和前瞻性分析作为支撑：

1. WLaM的基础原理与核心技术栈

论文的第二部分详尽阐述了构成WLaM的技术基石。首先，模型架构是核心。作者对比分析了密集网络、卷积神经网络、Transformer以及编码器-解码器等架构在无线环境中的适用性与优劣。特别重点介绍了在生成式AI中表现突出的扩散模型（包括DDPM、DDIM、DiT）及其在信号生成、去噪等方面的潜力，以及旨在实现高效计算扩展的混合专家模型。其次，数据是训练WLaM的燃料。论文强调了为无线领域构建高质量、多样化、大规模数据集的重要性，涉及数据来源、清洗预处理以及伦理考量（如隐私保护和消除数据偏见）。第三，论文系统梳理了WLaM的生命周期：从有监督的预训练获得通用知识；到通过强化学习（重点介绍了PPO、RLHF、DPO、GRPO等先进算法）使模型行为与复杂目标（如网络效用最大化、安全性能提升）对齐；再到利用参数高效微调、领域适配、指令调优等技术进行轻量级定制；最后，探讨了推理策略，如基于提示的推理、思维链、任务规划、检索增强生成等，这些策略使得冻结的预训练模型无需重新训练即可灵活应对多样化的实时任务。此外，多模态对齐和网络部署策略（如模型压缩、分布式推理、边缘计算）也是构建实用化WLaM系统的关键技术环节。这些基础技术共同构成了WLaM系统的关键设计原则：对动态环境的适应性、边缘部署的高效性、对多模态数据的处理能力、对隐私安全的内生考虑，以及通过反馈实现自适应的能力。

2. WLaM赋能无线通信：自顶向下的智能优化

论文的第三部分深入探讨了“大AI用于无线”这一范式，即WLaM作为网络的“智能大脑”，优化各层通信性能。 * 物理层：WLaM可用于信道相关预测，例如利用历史数据和视觉信息进行高精度波束预测；优化收发机设计，实现端到端的学习型通信系统；赋能集成感知与通信，通过多模态数据融合提升感知精度并辅助通信决策；改善无线缓存策略；以及增强物理层安全，例如设计智能协同干扰策略以对抗窃听。 * 网络层：WLaM能变革网络的运营与管理，实现自动化故障诊断、根因分析和配置优化；执行动态资源管理与优化，在多目标约束下进行智能决策；推动网络设计与配置的自动化；并最终支持构建AI原生网络架构。 * 语义层：WLaM是实现语义通信的理想载体。它可以理解信息的含义，仅传输关键语义，从而极大提升带宽效率。论文探讨了针对不同模态（文本、图像、视频）和任务的语义通信设计，以及生成式AI模型在其中的作用。 * 无线AI智能体：这是AI原生网络的终极体现之一。WLaM可以具身为知识智能体（回答技术问题、生成代码）、AI-RAN多智能体（多个智能体协作管理无线接入网）等，实现网络的高度自主运行。

3. 无线通信赋能WLaM：自底向上的基础设施支撑

论文的第四部分阐述了“无线用于大AI”的互补范式，即先进的无线技术为WLaM的训练和部署提供必要的基础设施支持。 * 边缘智能：将计算推向网络边缘，靠近数据源，以降低推理延迟，满足实时性要求。 * 分布式协作学习：重点介绍了联邦学习，它允许多个设备在本地数据上协同训练一个共享模型，而无需交换原始数据，从而保护数据隐私。此外，分割学习将模型拆分到客户端和服务器端执行，进一步减轻了客户端的计算负担。 * 空中计算：这是一种将通信与计算融合的前沿技术，允许多个设备同时上传数据，并在无线信道中直接完成聚合运算（如求和），极大地降低了大规模分布式AI（尤其是联邦学习）中数据/梯度聚合的通信开销。

4. WLaM与新兴技术的融合

论文的第五部分展望了WLaM与其他颠覆性技术结合可能产生的化学反应，包括超维计算、量子计算、物理信息神经网络、下一代序列建模模型等。这些融合有望突破现有AI或通信技术的瓶颈，催生全新的能力。

5. 高层挑战与未来研究方向

论文的第六部分没有回避现实困难，系统性地剖析了阻碍WLaM实际落地的一系列高层挑战：网络架构与协议需要为AI原生设计而重构；数据集的规模、质量和标准化亟待解决；能源效率是边缘部署的严峻约束；安全与隐私问题在分布式AI背景下尤为复杂，包括模型投毒、隐私泄露等新型威胁；此外还有鲁棒性、可解释性等共性问题。针对这些挑战，论文相应地提出了未来的重点研究方向，为学界和工业界提供了清晰的路线图。

论文的价值与意义

这篇综述论文具有极高的学术价值和前瞻指导意义。首先，它首次对“无线大人工智能模型”这一新兴交叉领域进行了系统性、全景式的梳理与定义，明确了其概念内涵、技术体系和应用范畴，起到了领域奠基和知识整合的作用。其次，论文创造性地提出了 “大AI用于无线”与“无线用于大AI”的双向协同范式，并构建了清晰的逻辑框架，深刻揭示了AI与通信技术深度融合、相互增益的本质。第三，论文不仅总结了现有技术，更前瞻性地指明了技术融合趋势与核心挑战，为后续研究提供了明确的问题导向和创新灵感。其提出的从“5G+AI”到“AI-Native 6G”的范式对比，清晰地勾勒了未来网络演进的方向。最后，这篇由来自全球顶尖机构的庞大作者团队共同完成的综述，本身就代表了该领域最前沿的集体智慧与共识，对于推动全球6G研究与标准化进程具有重要的参考价值。它不仅是研究人员深入了解WLaM的必备文献，也是产业界规划未来技术路线不可或缺的战略指南。