本文作者为 Christina Chaccour、Walid Saad、Mérouane Debbah、Zhu Han 和 H. Vincent Poor，发表于 IEEE Communications Surveys & Tutorials 第 27 卷第 1 期（2025 年 2 月）。这是一篇教程类（tutorial）论文，旨在为下一代语义通信网络的构建提供统一且自洽的参考框架。文章的核心主张是：未来无线系统必须从数据驱动和人工智能增强型网络，迈向知识驱动与推理驱动的 AI 原生（AI-native）网络，从而实现“以更少的数据获取更多的知识”。

文章首先系统性地指出现有语义通信研究的三大局限。第一，学术界对“语义通信系统”的定义模糊、分歧显著，缺乏共识使得构建严谨且可扩展的框架极为困难。第二，当前方法仍受制于数据驱动与信息驱动的 AI 增强网络，这些网络“绑定”于数据，难以执行灵活的推理逻辑；相比之下，知识驱动和推理驱动的 AI 原生网络能够提供更强的泛化能力，但目前缺乏技术基础。第三，对“语义表示”（semantic representation）的理解仍不充分，其在嵌入数据意义与结构方面的作用尚待深入研究。作者强调，开发具有极简性（minimalism）、泛化性（generalizability）和高效性（efficiency）的语义表示，是实现“以最少语义表示生成内容”的关键前提。

在此基础上，作者提出了构建端到端语义通信网络的完整愿景。其技术基础融合了人工智能、因果推理、迁移学习以及最小描述长度（Minimum Description Length）理论。文章首先区分了语义通信与若干易混淆概念。作者明确指出，语义通信不等同于数据压缩：数据压缩通过消除统计冗余实现短期极简性，但缺乏学习与推理能力；语义通信则通过识别结构、学习模式并赋予语义表示来获得长期极简性。语义通信也并非仅仅是“AI for wireless”的延伸：传统 AI 增强方法只是在原有通信任务上叠加智能层，而语义通信从根本上改变了通信任务的机制——发射机不再是比特管道，而是能够提取语义内容、建立知识库并生成语义语言的“教师”（teacher）。语义通信同样不等同于目标导向通信：后者往往局限于具有合作或竞争目标的场景，而语义通信的应用范围更广，即使教师与学徒之间不存在共同目标，也能通过知识库和推理能力提升通信效率。此外，语义通信也超越了应用感知通信：应用感知只关注应用层的信息特征，而语义通信关注的是低层数据结构，通过因果与关联逻辑实现跨应用、跨领域的泛化。

文章的另一个核心贡献是提出“教师/学徒”（teacher/apprentice）架构，以取代传统的发射机/接收机二元结构。教师节点负责从源数据中解耦出多个语义内容元素，为每个语义内容元素构造满足极简性、泛化性和高效性的语义表示；学徒节点则利用计算资源与推理能力，理解接收到的语义表示，并以高保真度生成相应的语义内容。这一过程依赖于“语义语言”（semantic language）的逐步建立。语义语言是一个从可学习数据点到语义表示的映射字典，其原子单元是语义表示，而不是自然语言中的词。自然语言受语法和措辞的约束，而语义语言的核心在于捕捉数据中的结构与变异性，因此更适合自动化通信系统。

在理论层面，文章提出了从信息论向语义信息论迁移的路径。香农信息论将信息定义为不确定性，熵衡量的是发射机选择的自由度，而非消息本身的结构。文章提出“语义信息”的定义：若某数据流的传输能够提升系统追求目标的能力，或能够增强教师与学徒的推理能力并扩展其语义语言，则该数据流富含语义信息。相应地，文章用“语言复杂度”（language complexity）取代经典熵的概念，其表达式为交叉熵损失与分布 Kolmogorov 复杂度之和的最小值。这一度量不仅刻画数据本身的复杂性，也反映语言模型的表达能力，克服了传统熵无法衡量语义结构的问题。

在语言预处理阶段，文章强调必须将数据分为“可学习部分”（learnable part, x_l）和“可记忆部分”（memorizable part, x_m）。x_l 包含具有结构性和因果性的数据点，是构建语义语言的核心；x_m 由纯随机信息构成，学习其结构既复杂又无意义，因此应通过传统信道传输。若对全部数据一视同仁地学习，将导致语义表示失真、语言复杂度虚高，甚至产生伪相关。通过将 x_m 剥离，教师可以专注于 x_l 的推理与表示学习，从而提升语言构建效率。

在推理与因果关系方面，文章提出利用结构化因果模型（Structural Causal Model, SCM）来表示语义语言。教师和学徒可以通过干预（interventions）与反事实（counterfactuals）查询来逐步构建和校准语义语言，取代传统的确认（ACK）与非确认（NACK）机制。学徒可以通过查询教师关于先前语义表示的因果结构，逐步丰富自身知识库，这种过程类比于课堂中的师生问答。随着语言成熟度的提升，通信链路的对称性增强，对信道和通信资源的依赖降低，学徒可以借助计算资源生成原本需要大量比特传输的内容。

文章还提出了一套新的语义关键性能指标（KPIs），包括“语义影响”（semantic impact）、“通信对称指数”和“推理容量”（reasoning capacity）。推理容量被认为有可能超越香农容量，因为它依赖于计算资源而非通信资源，从而揭示通信与计算资源融合的趋势。

在可扩展性方面，文章讨论了语义通信在 6G 及未来蜂窝网络中的部署挑战。作者提出在控制面与用户面之间引入“推理面”（reasoning plane），该推理面负责实时推理，并向控制面提供指令，使节点间能够交换因果干预与反事实查询信息。此外，开放无线接入网（O-RAN）概念需要进一步演化为支持实时、近实时与非实时智能的架构，以适应语义通信的需求。

文章的贡献可归纳为五个方面：第一，首次系统性地定义了语义表示与语义语言的基本性质，并将其与自然语言区分开来；第二，提出基于因果表示学习的推理框架，使节点具备识别数据根因与结构的能力；第三，构建了从信息论到语义信息论的理论桥梁，提出了语义信息与语言复杂度的形式化定义；第四，提出了推理容量等新型语义 KPI，为评估语义通信系统性能提供工具；第五，探讨了语义通信在大规模网络中的部署方案，特别是推理面的引入和 O-RAN 的演化路径。

总体而言，本文为语义通信网络的研究提供了从概念定义、理论工具到系统架构的完整蓝图，对从事 6G 通信、人工智能与推理系统交叉领域的研究人员具有显著的参考价值。