前阵子我在翻 3GPP 技术报告的时候，看到一个挺有意思的提法：6G 物理层的很多讨论，其实不是在迎接什么颠覆性“魔法”，而是被“算力墙”和“CSI 开销”两件事反复按在地上摩擦。这话听着有点丧，但干过无线物理层的人都知道，这就是现阶段最真实的痛。
先说清楚这篇文章是给谁看的。如果你在校做通信算法，刚准备把“AI 赋能 6G”写进开题报告；或者你在行业里做基带/IP/算法验证，发现仿真链路越来越难跑，方案汇报越来越难算清楚收益；又或者你只是好奇“6G 物理层”到底在卷什么，这篇文章都适合。它会解释为什么 3GPP 没有选择那些看起来很美的“魔法方案”，而是走了一条“极限内卷”的工程路线：每一分频谱效率都要靠实打实的算力和信道信息去换，而每一种算力和开销的增加，又会反噬系统收益。
1. 6G 物理层为什么从“平滑演进”变成“极限内卷”
1.1 三重压力：KPI、频段与现实
3GPP 在定义 6G 愿景时给出的峰值速率指标是 100 Gbps 级别，可靠性做到 99.9999%，时延继续往亚毫秒压，连接密度上到每平方公里千万级。每一项 KPI 单独看都有办法应对，但放在一张无线链路上同时满足，物理层就成了承压最大的那一层。
先说带宽。要达到 100 Gbps 级别的吞吐，低频段那点连续频谱根本不够，Sub-7 GHz 就算把零碎频谱全凑起来，也很难撑起千兆级单用户体验。所以 6G 把很大一部分期望押在毫米波延伸频段和太赫兹低频段上。频段一高，路径损耗变大，覆盖距离缩小，波束就得做得更窄、更准；窄波束意味着天线阵列规模越来越大，从 5G 常见的 64 通道、128 通道，直接往 256 通道以上走。
天线规模一旦上去，物理层的复杂度不是线性增长，而是近似指数增长。波束训练要扫描的候选集变大，信道估计的导频开销变大，预编码矩阵的维度变大。每一层都在耗算力，每一层都在耗 CSI（Channel State Information，信道状态信息）。说白了，KPI 是漂亮的目标，但到达目标的路上全是工程账。
再说多业务叠加。6G 不只是高速率，还有通感一体化、超大规模连接、低功耗物联网。通感一体化意味着物理层既要解调通信数据，又要处理雷达感知回波，两者要共用波形和频谱，接收机复杂度直接翻倍。超大规模连接则要求物理层在极短的时频资源内完成海量用户的上行接入，调度和检测算法不能再像 5G 那样逐个用户精细处理。
这三重压力叠加起来，6G 物理层研发就变成了一个“既要、又要、还要”的题目。以前 5G 还能指望摩尔定律帮我们熬过复杂度上涨，但现在的现实是，算力增长速度远远跟不上物理层算法复杂度的膨胀速度。
1.2 “算力墙”：信道越准，复杂度越炸
“算力墙”这个词我之前在 AI 圈听得比较多，但在无线领域，它比想象中更物理。我拿个具体例子说明。
5G NR 的典型基带处理，在 100 MHz 带宽、64 天线、常规 MU-MIMO 场景下，实时 DSP 负载大概在几十 TOPS 量级，这已经需要片上多核阵列加硬件加速器协同才能压住。如果 6G 把带宽推到 1 GHz、天线推到 256 通道，同时还要兼顾感知和定位功能，实时处理负载轻轻松松冲上几百甚至上千 TOPS。
算法层面的复杂度同样可怕。信道估计最常见的 LMMSE 算法，复杂度与天线端口数、频域导频点数的乘积成正比。当天线数翻倍、带宽翻倍，LMMSE 的乘累加次数直接翻四倍。而更优的估计算法，比如近似消息传递或者基于深度展开的迭代恢复，虽然性能更好，但单次迭代的复杂度比 LMMSE 高一个数量级。仿真可以等，但实时系统等不了。
摩尔定律的放缓让算力墙问题雪上加霜。晶体管的密度增长还在继续，但频率提升几乎停滞，功耗密度也到了物理极限。结果就是：我们在算法上多赚到的每 1 dB 增益，都必须付出越来越贵的算力代价。这个代价不只是硬件 BOM 成本，还有芯片功耗、散热面积、基带板卡面积。
所以我更愿意把“算力墙”理解成一种系统约束：不是某种算法在某一块芯片上跑不动，而是当你把所有先进算法堆到完整链路上时，总功耗和总成本已经超出了运营商和设备商愿意承受的范围。6G 物理层的“内卷”，本质上是在这种约束下寻找剩余价值。
2. CSI 开销：被忽略的“隐形系统税”
2.1 信道状态信息为什么这么“费”
CSI 是物理层一切智能操作的前提。没有准确的 CSI，MIMO 预编码就是盲人摸象，波束管理就是闭眼打靶，调度决策就是拍脑袋。但 CSI 不是从天上掉下来的，它的获取机制本身就是一套庞大的开销系统。
在 FDD 系统里，基站需要先下发 CSI-RS（信道状态信息参考信号），终端测量后把信道矩阵或者码本信息反馈给基站。单次反馈的内容包括秩指示 RI、预编码矩阵指示 PMI、信道质量指示 CQI，以及更精细的 Type II 码本系数。NR 的 Type II CSI 在设计上已经很精细了，支持空间基向量选择和频域压缩。但精细的代价是开销变大。
我给你算一笔账。假设一个 32 端口双极化天线阵列，Type II 码本选 L=4 个空间波束，频域分成 16 个子带，每个子带需要上报 2L 个系数，每个系数用幅度+相位量化。算下来一次 CSI 反馈大约在 3000 bit 量级。这还只是一个终端、一次上报。如果小区里有几十个用户在并发做 CSI 反馈，上行控制信道的压力会非常可观。
天线规模再往上走就更有意思了。6G 如果做成 128 端口甚至 256 端口，空间波束数量变大，频域子带更细，Type II 码本的反馈量很容易冲到上万 bit 每实例。增益当然会有一点，但反馈开销的增长幅度远大于性能增益的增长幅度，这就是典型的边际收益递减。
另外还要强调一个做工程容易踩的坑：通信里的 CSI 跟摄像头领域的 MIPI CSI 完全是两码事。MIPI CSI 是串行摄像头接口，解决的是图像传感器到处理器之间的数据传输问题；3GPP 语境里的 CSI 是信道状态信息，解决的是无线信道的测量与反馈问题。两者缩写一样，但技术栈、协议位置、优化目标完全不同，别在答辩和评审时混在一起说。
2.2 3GPP 的主流解法：算力换开销、预测换反馈
CSI 开销的问题，3GPP 不是没看到。老办法是减少反馈频率、降低子带分辨率、用码本限制反馈体积。但这些都是拿性能换开销。6G 想压得更狠，靠的是两条更聪明的路线：算力换开销，预测换反馈。
算力换开销的代表是 AI/ML 辅助的 CSI 压缩。思路很简单：把 CSI 反馈看成一个端到端的自动编码器问题。终端侧用一个轻量编码器，把高维信道信息压缩成低维隐变量；基站侧用解码器，把隐变量恢复成信道矩阵。3GPP 在 Rel-18 的 AI/ML 空口项目里，把 CSI 压缩列为最重要的用例之一。从公开仿真结果看，传统 Type II 3000 bit 的一次反馈，AI 压缩后可以压到 300 到 600 bit，而频谱效率损失控制在 5% 以内，有些配置下几乎无损。
预测换反馈的路线更省。它利用信道的时域相关性，终端上一次上报的 CSI 加上终端的移动速度信息，基站可以在中间时刻预测出新的 CSI，不需要终端频繁上报。相当于从“全程实时反馈”变成“关键节点反馈+模型预测补位”，上行控制信道的压力大幅下降。
这两条路线都不是“魔法”。压缩 AI 模型必须和基站侧的恢复模型严格配对，模型训练数据必须覆盖足够的信道场景，预测模型在高速移动场景下必须能检测到预测置信度下降，并自动回退到传统反馈模式。3GPP 在标准化时要求的恰恰是这些“兜底机制”，而不是只展示一个漂亮的压缩率数字。
2.3 一个直观的收益估算
很多做系统级仿真的朋友喜欢问，CSI 压缩到底值几个点？这里我给一个可以拿去汇报的估算思路。
假设一个 FDD 小区，20 个激活用户，每个用户每 10 ms 反馈一次 CSI，每次反馈 3000 bit，那么上行每秒钟光是 CSI 反馈就要消耗 6 Mbps 的传输资源。如果 AI 压缩把反馈量降到 600 bit，同样反馈周期下只需要 1.2 Mbps，节省了 4.8 Mbps。这些资源在低负载下可能无所谓，但在小区边缘用户多、上行受限的场景里，意味着可以多接入几个数据用户，或者把上行功率资源让给业务数据。
性能代价怎么算？仿真里一般用压缩前后的 NMSE（归一化均方误差）和系统吞吐量做对比。NMSE 从 -10 dB 下降到 -5 dB，听起来损失很大，但映射到预编码增益上，可能只损失 0.3 到 0.5 dB。如果这篇报告同时在吞吐量曲线上显示 95% 以上的用户吞吐量保持率，系统级的收益就会非常直观：用极小的性能代价，换掉 80% 的上行反馈开销。
我个人的经验是，给领导或者客户讲 CSI 压缩时，别一上来抛模型结构图和星座图，先把这个“反馈开销→上行资源→系统容量”的换算账算清楚。技术方案能站住脚，往往不是因为某个模块性能最好，而是因为它在整个系统预算里省出了看得见的资源。
3. 算力墙下的物理层内卷：从“拼算法”到“拼架构”
3.1 AI/ML 进空口：标准化只做“减法中的加法”
AI 进物理层是 6G 逃不开的话题，但 3GPP 的态度一直很克制。这个克制不是保守，而是被 5G 时代的教训打磨出来的。
Rel-18 的 AI/ML 空口项目，三个主要的用例分别是 CSI 压缩、波束管理和定位精度增强。这些用例的共同点是：都有明确的输入输出边界，都有传统方案做基线对比，都有清晰的性能指标。Rel-19 继续扩展了这套框架，把模型训练、推理、切换、监控的全流程纳入了讨论范围。
标准化为什么不敢玩“端到端魔法”？因为 3GPP 做的是互操作标准，不是某一家公司的单点演示。一个基站厂商的模型，必须能配合另一家终端厂商的推理结果工作；模型的行为必须在各种信道条件、各种终端移动速度下可预测；当模型出错时，系统必须能检测到并回退到非 AI 的传统链路。
这意味着标准化的 AI 路线，不是指望一个大规模模型解决所有问题，而是把 AI 变成物理层流水线上的一个“可控算子”。它做减法，减掉 CSI 反馈量和波束训练时间；同时也在做加法，加模型管理开销、加数据采集开销、加监控回退机制。这个“减法中的加法”，才是 6G 物理层真正复杂的地方。
我在和不少做算法优化的同行交流时发现，大家最容易忽略的就是“推理失败怎么办”这件事。仿真里模型几乎不会崩，但真实信道里一个极端事件就会让模型输出偏离到十万八千里。3GPP 的思路很朴素：我可以接受你经常出错，但你必须告诉我你什么时候可能出错，并且让我有办法不依赖你。这种“不依赖”的兜底设计，是很多“魔法方案”根本不愿意碰的脏活累活。
3.2 新物理维度：近场、RIS、通感一体与太赫兹
6G 不只是把 5G 的频段再往上抬一抬，它还引入了几种全新的物理维度，每一种都在加剧 CSI 和算力的问题。
近场通信是最典型的例子。当天线阵列尺寸和传输距离可比时，信道不再是平面波模型，而是球面波模型。这意味着相位响应和距离强相关，波束方向和距离共同决定空间签名。传统基于角度域匹配的波束管理，在近场场景下需要额外搜索距离维度，搜索空间至少扩大一个量级。仿真里多跑几步没什么，但工程上实时波束跟踪怎么办？每个距离-角度组合都做一次信道测量和 CSI 反馈，上报开销涨到让人头大。
可重构智能表面（RIS）更是个“算力黑洞”。RIS 由大量无源单元组成，每个单元的相位状态可以通过控制器动态调整。从信道估计的角度看，RIS 等于在传播路径上插入了大量可控的反射节点，信道矩阵的维度进一步膨胀。基站要估计的信道不仅有直射路径，还包括所有 RIS 单元反射路径的级联信道。想精确估计？导频开销直接爆炸。想用低复杂度算法近似？性能又达不到增益目标。
通感一体化（ISAC）也把 CSI 的边界扩大了。传统 CSI 只描述通信信道的传播状态，而通感一体化还需要感知目标的位置、速度、姿态，这些信息主要靠接收回波获得。也就是说，接收机不仅要解自己的数据，还要处理目标回波信号，CSI 的语义从“信道状态”扩展成“环境状态”。这对算力的需求是成倍的。
太赫兹的挑战同样直接。可用带宽巨大，但射频前端相位噪声严重，功率放大器的非线性特性也更差。信道估计需要处理更大的带宽带来更多采样点，同时要对抗更强的射频损伤。很多在毫米波频段不需要考虑的建模误差，在太赫兹频段会成为主矛盾。物理层的每个模块都在被要求提供更高的处理精度，这又是算力墙的另一个侧面。
3.3 架构层面的“算力卸载”：分层分布式+数字孪生辅助
面对算力墙，物理层内部再怎么优化算法，也有天花板。真正能拉开差距的，是把算力需求从终端/基站本地卸载出去，用架构方法缓解单点压力。
分层分布式处理的思路是，在终端和基站本地只做轻量级感知和特征提取，把复杂的联合处理放到边缘云侧。比如多个基站联合做 CoMP（协作多点传输），如果每个基站先把接收信号压缩成中间特征，再传给中心节点做联合检测，中传链路的传输量会大幅下降。代价是中心节点的算力和算法要做相应增强，边缘侧的实时性要求变高。本质上就是用传输带宽换算力，或者用算力换传输带宽，看哪个更便宜。
数字孪生辅助的思路更有 6G 特色。既然 CSI 获取这么贵，能不能不为每次传输都做实时信道估计？如果系统保存了一个覆盖区域内的高精度信道环境库，包括建筑物几何、材料反射特性、常用终端位置分布，那就可以用环境模型推导出一个预测的信道分布，减少对实时导频的依赖。这是典型的“离线建库+在线查表”，也是数字孪生在物理层的核心价值。
当然，数字孪生方案的天花板很明显：环境是动态的，树木会摇动，车辆会移动，天气会变化。模型库再精，也不可能覆盖所有动态事件。所以数字孪生辅助只能作为 CSI 估算的“先验信息”，不能替代实时测量。工程上必须设计一个自适应机制：当预测置信度高时，降低导频密度；当置信度低时，立刻切回传统导频模式。这个切换策略做得好，系统能省不少开销；做不好，反而会因为误判而损失性能。
3.4 算法层面的“省算力”技巧
在架构之外，算法层面的“斤斤计较”也非常重要。我见过不少团队，模型性能刷得很漂亮，但一算复杂度就笑不出来了。真正能落地的方案，几乎都在做同一个动作：把复杂度花在刀刃上。
第一个技巧是稀疏化。信道矩阵在角度域和时延域天然是稀疏的，5G 的 Type II 码本已经用了空间基向量选择，6G 的扩展方向是把稀疏结构延伸到更高维。稀疏化之后，矩阵乘法的有效计算量大幅下降，反馈报文里的非零元素也少很多。
第二个技巧是低秩近似。MIMO 信道的有效秩往往远小于天线端口数，尤其在视距主导的场景下。用秩 1 或秩 2 的近似矩阵去做预编码，性能损失有限，但计算量和反馈量可以减半。工程上可以根据终端上报的 RI 动态调整预编码矩阵的秩，不追求矩阵的“精确复刻”，只追求“等效够用”。
第三个技巧是量化压缩。这个在 AI 圈已经玩得很熟了，模型权重从 FP32 压到 INT8，甚至二进制/三进制量化。那边媒体上动不动就是“三进制小模型在低显存里跑大参数量”，物理层虽然没有那么夸张，但把神经网络系数从 FP32 量化到 INT8，推理时延基本不变，功耗却可能降一半。做 CSI 压缩和信道预测的神经网络，特别适合这种量化思路。前提是需要先做离线量化感知训练，不然直接量化会掉点严重。
还有一个很容易被忽略但非常实用的技巧：早期退出。很多 AI 辅助的接收机算法，在信道条件好的时候，模型置信度很高，根本不需要跑完所有网络层就能给出可靠结果。设计一个置信度评估机制，在浅层输出足够可靠时就提前退出，可以节省大量无效推理算力。
我个人的观点是，算法层面的省算力，比拼的不是某一个模块的极致性能，而是整条链路的综合收益。你花了好几倍的算力去提升一个边缘场景的 SINR，还不如把这部分算力省下来，让全小区的平均用户体验更好。
4. 工程实践视角：仿真、验证与坑
4.1 在地工具链：Sionna、MATLAB 与 3GPP 规范
聊完方向，说点能直接上手的东西。做 6G 物理层研究，最大的门槛不是算法，而是链路仿真跑不动。如果你在校做研究或者刚转行做物理层，我强烈建议先把手头的工具链理顺。
我的习惯是先用 NVIDIA 的 Sionna 做链路级原型。Sionna 是基于 TensorFlow 和 Keras 的可微无线链路仿真库，内置了 3GPP TR 38.901 的 5G 信道模型，也支持 6G 扩展场景的配置。它的好处是，整个收发机链路包括信道编码都写在 Python 里，可以直接和 TensorFlow 模型做联合训练。这意味着你可以把 CSI 压缩的神经网络和 OFDM 调制解调放在同一张计算图里，端到端跑梯度回传，这在 MATLAB 里实现是很花功夫的。
正式做标准对齐实验的时候，再用 MATLAB 5G Toolbox。MATLAB 在波束管理、L1 测量、同步信号检测这些协议细节上比特级仿真更完整，适合做标准对齐和参数校准。两个工具互相印证，结论才靠谱。
另外一定要善用 3GPP 官网。别觉得标准文档又长又难啃，我建议先抓技术报告（TR）而不是技术规范（TS）。做 AI/ML 物理层研究，TR 38.843 是必读的，Rel-18 AI/ML 空口的用例、评估假设、基线都在里面；信道建模相关的 TR 38.901 也是高频引用。先把这两份文档的目录翻一遍，比在网上找各种碎片化教程有用得多。
4.2 工程验证的三个抓手
仿真做完，验证才是真正决定方案能不能进产品线的关键。我踩过不少坑，总结下来有三个抓手必须卡死。
第一，基线必须先跑通。很多团队一上来就搞神经网络，结果传统 LMMSE 和 Type II 码本的基线都还没复现准。没有靠谱的基线，你根本无法判断 AI 方案到底增加了多少增益。我在做 CSI 压缩项目时，先花了两周把 NR Type II 反馈的 BLER 曲线和吞吐量曲线全部对齐到公开论文水平，再开始动模型。
第二，指标要统一。CSI 压缩项目经常会陷入“只看反馈开销压缩率”的误区。压缩 90% 很好听，但如果系统吞吐量掉了 10%，根本没人愿意用。我建议至少同时汇报三组指标：反馈开销压缩率、NMSE 或余弦相似度、端到端吞吐量变化。三者同时报，评审才不会被一个好看的数字带偏。
第三，复杂度要建模。速度再快的方案，也要折算回片上的等效门数、内存占用的 IO、功耗瓦数。很多 AI 模型算法复杂度不高，但内存带宽要求极高，在 DSP 上跑起来反而不如传统算法。复杂度建模这件事，建议和芯片团队提前对齐口径，别等算法定稿了才发现硬没法落地。
4.3 常见误区与问题排查实录
我把这些年实际踩过和看别人踩过的坑整理成一张表，方便你自查。
| 误区场景 | 表现 | 排查思路 |
|---|---|---|
| 天线端口越多越好 | 端口数翻倍，系统吞吐量接近饱和甚至下降 | 看反馈开销和信道估计误差是否在共同恶化，不要只看理想 CSI 仿真 |
| AI 换掉全链路 | 端到端联合训练模型在信道突变时完全失灵 | 增加失败检测和回退逻辑，保留传统链路做兜底 |
| 忽略 CSI 时延 | 预编码用的 CSI 是 10 ms 前的，高速场景性能崩塌 | 把 CSI 时延用户移动性纳入仿真，评估预测补偿必要性 |
| 把 MIPI CSI 和无线 CSI 混淆 | 方案汇报里概念张冠李戴 | 先确认语境，无线物理层讨论的 CSI 特指信道状态信息 |
| 仿真信道过于理想 | 模型在真实信道下性能大幅下滑 | 用 TR 38.901/38.843 的多种信道场景，加相位噪声和 IQ 失衡 |
| 只优化 BLER，不看功耗 | 性能提升 0.5 dB，块功耗翻倍 | 把能效（bit/Joule）作为独立KPI单独考核 |
| 反馈压缩模型不过拟合 | 训练集 NMSE 很好，测试集差 5 dB | 增加信道场景多样性，做留场景法交叉验证 |
| 把 CAN/SerDes 物理层的经验机械搬用 | 把有线高速总线的阻抗匹配思路套到无线信道 | 无线信道是开放时变媒质，只能用统计模型和反馈机制应对 |
这里我想多说一句终端电阻和容错测试的隐喻。CAN 总线物理层做容错测试时，工程师会反复确认终端电阻匹配是否 60 欧姆，因为阻抗不匹配会带来反射，反射会变成误码。无线物理层的“阻抗匹配”就是 CSI 获取和预编码的匹配：你花多少资源去测量信道，决定了你能拿到多准的 CSI；CSI 的精度必须和预编码算法的能力匹配。反馈开销花了，但预编码算法根本用不了这么精细的 CSI，那就是阻抗失配，白花钱。反过来，预编码算法很高级，CSI 却很粗糙，性能也起不来。好的系统设计，不是把每一环做到极致，而是把每一环的精度调到一个合适的“匹配点”。
4.4 一个完整的小型仿真实验思路
给刚入坑的朋友一个可以照着做的实验方案。目标很明确：复现一个 AI 辅助的 CSI 反馈压缩，并和传统 Type II 码本做对比。
第一步，配置链路级仿真。用 Sionna 加载 3GPP TR 38.901 UMa 信道模型，32 发 4 收配置，带宽 20 MHz，子载波间隔 30 kHz。把发送端预编码、信道、接收端检测做成标准链路。先跑传统 Type II，记录 BLER 曲线和归一化吞吐量。
第二步，设计自动编码器。输入是频域信道矩阵的实虚部展平向量，编码器用 3 层全连接网络，隐层维度压到输入的 1/10，解码器用对称结构。训练数据用随机 UE 位置和随机信道种子生成，损失函数用信道矩阵的 MSE 加一个保护导频点的惩罚项。
第三步，联合评估。把 AI 压缩后的信道用于预编码，跑同样的链路，对比吞吐量差距。如果压缩后吞吐量损失小于 2%，而反馈开销下降了 90%，这个方案就具备汇报价值。
第四步，加鲁棒性验证。改变信噪比范围、UE 移动速度、信道场景三种条件，观察模型性能是否出现剧烈波动。如果出现，用数据增强或模型集成解决。
这套流程看起来简单，但做完你会对“算力墙”“CSI 开销”有完全不一样的体感。你会发现，单纯跑一个高性能模型很容易，难的是在压缩率、性能损失、鲁棒性、计算复杂度四个维度上找到能过评审的组合。
5. 经验与观察：拒绝“魔法”的工程逻辑
5.1 为什么“端到端 AI”救不了 6G 物理层
最近几年，每隔一段时间就会看到一些人宣称“AI 端到端替代整个物理层”，拿一个超大模型把调制解调全部包进去，效果听起来很震撼。但真正在工业界做标准化和产品落地的人，普遍对这种方案持保留态度。
原因不复杂。端到端方案最大的问题是不透明。它可能在某些信道条件下表现得非常好，但你无法证明它在所有合法信道条件下都不会出现灾难性失败。3GPP 的产品要卖到全世界，从密集城区到开阔乡村，从地铁隧道到高速铁路，任何未验证的失败模式都可能演变成大规模网络事故。
这就像自动驾驶一样：在封闭测试场里表现优秀和能在开放道路全天候安全运行，是完全两码事。物理层是通信系统中最接近“开放道路”的部分，信道随时在变，干扰随时在变，终端移动随时在变。想在开放环境里用“魔法”取代系统性的工程设计，至少在目前，还远远不现实。
另外，端到端 AI 还面临一个很实际的问题：标准无法描述它。3GPP 标准里需要定义接口、协议格式、参数取值范围，这些东西都是可枚举、可测试的。一个端到端的神经网络，输出维度、量化规则、失败时的行为都很难标准化。你总不能规定“网络异常时，模块静默”这种接口吧。这就是为什么 3GPP 坚持“AI 辅助特定功能、传统链路兜底”的框架，它不是限制创新，而是为创新预留了可验证的入口。
现在媒体上的“三进制小模型”“低显存大模型”这些概念很热闹，本质上是在极端资源约束下把模型压到能做到的最小尺寸。这个思路放到物理层也一样：不是模型越大越好，而是在可接受的性能损失范围内，把模型压到芯片能跑得动的尺寸，把反馈量压到空口能承受的范围内。这才是“拒绝魔法”的正面意义。
5.2 给从业者的一点建议
最后说点掏心窝的话。如果你正在或者准备做 6G 物理层相关的工作，我建议你从一开始就建立“系统账”意识。
做算法优化的朋友，不要只看模块级性能曲线，一定要把方案放到完整链路上看。你的 LMMSE 改进算法多算了 0.3 dB，但为此多付的算力可能让整个基带芯片的散热设计上了一个台阶。算法团队和芯片团队必须联合评估，否则你觉得你在优化，实际上只是在转移成本。
做系统仿真的朋友，建议提前给 CSI 时延建模留出接口。很多方案性能问题追根溯源，不是算法不行，而是用了过期的 CSI。把 CSI 时延、信道老化、终端速度纳入默认仿真配置，会让你的结论更有说服力。
做标准化和方案选型的朋友，多关注“回退机制”。一个没有回退机制的方案，再厉害也很难进标准。你写提案时，如果能同时给出“正常模式如何工作，异常模式如何检测，检测到之后如何回退”三段式论证，通过率会明显提升。
我自己在项目里最深的体会是，物理层研发没有奇迹，只有每一步都算得清清楚楚的系统积累。所谓 3GPP 拒绝“魔法”，其实是拒绝那种没有付出相应代价的收益。6G 物理层的每一次“内卷”，都是在算力墙和 CSI 开销的硬约束下，把每一分复杂度的投入都变成实实在在的系统收益。
关于 6G 物理层的模型剪枝、CSI 压缩的网络结构怎么设计、近场信道仿真怎么配参数，后面有机会我打算再单独展开写几篇，每个主题配一份可以跑通的参考实现。欢迎有同样在物理层“搬砖”的朋友一起交流，毕竟这种体感，不在仿真链路和标准文档里泡过，很难真正聊到一块去。
