自2010年以来，5G技术备受学术界和工业界的关注，其主要特点为高维度、高容量、密集网络、低时延。相比于已经商用化的4G系统，5G无线传输速率提升10~100倍，峰值传输速率达到10Gbit/s，端到端时延降至毫秒级，连接设备密度增加10~100倍，流量密度提高1000倍，频谱效率提升5~10倍，能够在500km/h的速度下确保用户体验。与面向人与人通信的2G/3G/4G不同，5G在设计之初，就考虑了人与人、人与物、物与物的互连。国际电信联盟发布的5G八大指标包括：基站峰值速率、用户体验速率、频谱效率、流量空间容量、移动性能、网络能效、连接密度和时延。
迄今为止，5G主要从3个维度实现上述指标，即：空口增强、更宽的频谱以及网络密集化。这3个维度最具代表性的使能技术分别对应于大规模多输入多输出(multiple input multiple output，MIMO)、毫米波通信以及超密集组网。大规模MIMO因具备提升系统容量、频谱效率、用户体验速率、增强全维覆盖和节约能耗等诸多优点，被认为是5G最具潜力的核心技术。然而，大规模MIMO的发展和应用也面临诸多问题，如对于不具有上下行互易性的频分双工(frequency division duplex，FDD)系统，如何有效地实现于基站侧获取信道状态信息。毫米波指的是波长在毫米数量级的电磁波，其频率大约在30~300GHz之间。现有的无线通信系统所用频段大多集中在300MHz~3GHz之间，对毫米波频段的利用率较低。毫米波技术通过增加频谱带宽有效提高网络传输速率，但会受传播路径损耗、建筑物穿透损耗和雨衰等因素的影响，在实际应用中面临着巨大挑战。另外，毫米波通信可与大规模MIMO有机融合，通过大规模MIMO波束成形带来的阵列增益可以弥补毫米波穿透力差的劣势。超密集组网(ultra dense network，UDN)通过更加“密集化”的无线网络部署，将站间距离缩短为几十米甚至十几米，使得网站密度大大增加，从而提高频谱复用率、单位面积的网络容量以及用户体验速率。综合来看，大规模MIMO利用超高天线维度充分挖掘空间资源，毫米波通信利用超大带宽提升网络吞吐量，超密集组网利用超密基站提高频谱利用率，由此产生了海量的无线大数据，为未来无线通信系统利用人工智能手段提供数据源。
另一方面，近年来人工智能特别是深度学习(deep learning，DL)在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功，无线通信领域的研究者们期望将其应用于系统的各个层面，进而产生智能通信系统，实现真正意义上的万物互联，满足人们对数据传输速率日新月异的需求。因此，智能通信被认为是5G之后无线通信发展主流方向之一，其基本思想是将人工智能引入无线通信系统的各个层面，实现无线通信与人工智能技术有机融合，大幅度提升无线通信系统效能的愿景。学术界和工业界正在上述领域开展研究工作，前期的研究成果集中于应用层和网络层，主要思想是将人工智能特别是深度学习的思想引入到无线资源管理和分配等领域。目前，该方向的研究正在向MAC（medium access control）层和物理层推进，特别是在物理层已经出现无线传输与深度学习等结合的趋势，然而各项研究目前还处于初步探索阶段。尽管无线大数据为人工智能应用于物理层提供可能，智能通信系统的发展仍处于探索阶段，机遇与挑战并存。追溯历史，无线通信系统从1G演进至5G并获得巨大成功，其根源在于基于香农信息论的无线传输理论体系架构的建立与完善。一个典型的无线通信系统由发射机、无线信道和接收机构成。发射机主要包括信源、信源编码、信道编码、调制和射频发送等模块；接收机包括射频接收、信道估计、信号检测、解调、信道解码、信源解码以及信宿等模块。不同于典型的无线通信系统，智能通信的无线传输研究旨在打破原有的通信模式，获得无线传输性能的大幅提升。目前这方面的研究面临诸多挑战，国内外研究者们才开始初步探索。
图片来源：Pixabay
5G技术具有高维度、高容量、高密集的特点，在无线传输中产生海量数据，物理层中的大数据处理成为一个兴趣点，期望利用人工智能提升物理层的传输性能。近年来，研究者已经对此做了初步探索，主要呈现出两种类型的深度学习网络，一种基于数据驱动，另一种基于数据模型双驱动。基于数据驱动的深度学习网络将无线通信系统的多个功能块看作一个未知的黑盒子，利用深度学习网络取而代之，然后依赖大量训练数据完成输入到输出的训练。例如，有文献是将OFDM系统中整个接收模块作为一个黑盒子，射频接收机接收到信号，然后进行移除循环前缀操作，最后利用DNN直接完成从射频接收机到二进制发送信号过程。基于端到端的无线通信系统将整个通信系统由深度学习网络全面替代，期望全局优化无线通信系统获得更好的性能。基于数据模型双驱动的深度学习网络在无线通信系统原有技术的基础上，不改变无线通信系统的模型结构，利用深度学习网络代替某个模块或者训练相关参数以提升某个模块的性能。例如，可以在无线通信系统MIMO信号检测模块OAMP接收机基础上，利用深度学习网络引入可训练的参数，进一步提升信号检测模块的性能。基于数据驱动的深度学习网络主要依赖海量数据，而基于数据模型双驱动的深度学习网络主要依赖通信模型或者算法模型。
图片来源：Pexels作者：Matheus Bertelli
基于数据驱动的深度学习网络通过大量实例学习，吸收了被分析员标记的大量数据，以生成期望的输出。然而，训练深度学习网络需要大量的标记数据，获取并标记大量信息的过程不但费时而且成本高昂。除了获取并标记数据的挑战之外，大多数基于数据驱动的深度学习模型泛化性和自适应性较弱，即使网络部分结构发生微小变化，也会导致训练模型准确性大大降低。例如，如果将发送端的调制方式更换为16QAM(quadrature amplitude modulation，正交调幅)或64QAM，网络需要重新训练，因此，调整或修改模型所耗费的代价相当于重新创建模型。为了减少训练和调整深度学习模型的成本和时间，基于模型的深度学习网络具有更好的泛化性和自我调整性。蜂窝移动通信从1G演进到5G，无线通信系统性能提升离不开功能模块的建模，基于数据驱动的深度学习网络摒弃这些已有无线通信知识，需要海量数据进行训练与学习，而获得的性能却达不到已有无线通信系统模型的性能。基于数据模型双驱动的深度学习网络是以物理层已有模型为基础，可以显著减少训练或升级所需的信息量。由于已有的模型具有环境自适应性和泛化性，因此数据模型双驱动深度学习网络不但具备这些特性，而且能在原模型基础上进一步提升系统的性能。数据模型双驱动深度学习网络在信道估计、信号检测、信道译码的应用上取得良好性能，具有广阔的发展前景。
