6G智简信息传输及使能技术白皮书（2025年）总结
1. 引言
随着6G网络发展，传统通信范式面临瓶颈，难以满足机器人等智能化终端海量多模态数据传输需求。语义通信作为一种新兴范式，以人工智能技术为核心，将通信范式从比特级跃迁至语义级，聚焦于信息的语义内容而非原始比特流，为6G网络多模态信息的智简传输提供全新路径。
2. 智简信息传输总体框架
2.1 设计思路
智简信息传输范式相较于传统通信范式发生三个核心转变：从比特级精确传输转向语义层面的信息理解与重构；从基于概率模型的压缩算法转向AI驱动的信源信道联合编码；从单一信道容量优化目标转向多模态业务语义传输需求的按需、动态、弹性适配的差异化传输保障系统支撑能力。总体框架设计需从理论突破、技术实现、系统支撑三个层面展开。
2.2 技术框架设计
技术框架分为智简传输层、资源调度层和业务保障层，并辅以AI引擎和智简传输资源库。
- 智简传输层：通过智能、灵活的多模态自适应传输技术高效鲁棒地传输理解不同模态的信息，并建立高效的语义知识库动态匹配与更新机制。
- 资源调度层：通过多维资源和状态的智能感知机制获取和构建网络资源图谱，实现资源的智能统一调度，提升关键信息传输的可靠性。
- 业务保障层：通过智能新型网络传输的业务流智能识别和分类，以及基于AI的QoS控制策略自生成机制，为不同类别和用户体验需求的业务提供优化的QoS策略选择。
- AI引擎：提供模型训练能力，包括业务智能识别分类、QoS策略自生成、资源调度配置策略和语义编解码器等模型供给。
- 智简传输资源库：包括语义知识库和网络资源与状态的管理，为智简传输提供数据支撑。
3. 新型智简传输理论
新型智简传输理论将通信的关注点从Shannon-Weaver模型的第一层（精确比特传输）提升至第二层（语义信息传递）。传统通信理论在语义通信中面临挑战，需建立面向语义内涵的新型理论模型。关键突破在于发展能在语义模型信息域本身进行资源分配和用户区分的新理论，驱动了对模分多址（MDMA）及其演进准正交模分多址（O-MDMA）理论界限的研究。
3.1 模分多址传输理论（MDMA）
MDMA是一种从更高信息维度利用信源语义域特征的新型多址方法，利用人工智能模型从信息源中提取语义特征，对用户的信源特征进行建模，为多用户语义信息的区分提供知识基础。MDMA通过挖掘用户间大量共性语义信息，避免冗余传输浪费带宽，提升资源利用能力。
3.1.1 MDMA基本原理
MDMA利用语义空间共享信息减少传输量，通过在模型信息空间挖掘共性与个性信息：共性信息在相同时频资源内传输复用，个性信息单独传输。上行链路中，用户分别发送共性语义信息和个性语义信息；下行链路中，基站将共性语义信息合并发送，将个性语义信息分别发送给用户。
3.1.2 MDMA理论性能分析
上行MDMA相较于传统上行MA方法具有性能优势，可以像PD-NOMA方案一样达到MA信道可实现容量区域的极限。下行MDMA的适配域要大于下行NOMA，能提供更高的服务能力。
3.1.3 MDMA系统性能仿真对比
仿真结果显示，MDMA在低信噪比时优势显著，带宽优势至少7dB。
3.2 准正交模分多址传输理论（O-MDMA）
O-MDMA结合语义准正交信号和深度联合信源信道编码（DeepJSCC），支持不同模态、速率和信号长度的异构数据源同时进行语义传输，且最大程度地控制模态间干扰。
3.2.1 O-MDMA基本原理
O-MDMA利用语义准正交信号区分用户，不依赖传统物理资源分配，减少冗余提升带宽效率；DeepJSCC功率分配策略在低SNR下带来至少5 dB性能优势；支持多模态语义模型，通过协议控制和信号拼接适应不同维度信号。
3.2.2 O-MDMA理论性能分析
实验结果显示，O-MDMA在低信噪比（-6dB ~ 6dB）下明显优于NOMA，性能在6dB以上饱和。
3.2.3 O-MDMA系统性能仿真对比
O-MDMA+NOMA系统性能仿真显示，在低信噪比下，O-MDMA具有显著优势，相比NOMA具有显著优势。
4. 多模态智简传输技术
MDMA与O-MDMA为多用户场景提供了语义级资源分配与干扰管理的核心框架，其思想为更广义的语义通信演进提供了关键技术支撑。
4.1 多模态自适应语义通信
多模态自适应语义通信的核心目标是高效鲁棒地传输理解不同模态的信息，针对图像、点云和视频等关键模态开发针对性方案。
4.1.1 基于层的图像语义通信系统（LSCI）
LSCI引入语义切片模型（SeSM）实现高效的语义提取、传输和重建，核心优势在于：降低模型传播消耗、提升低SNR鲁棒性、优化低比特率语义保真度。
4.1.2 面向点云的语义通信系统（PCSC）
PCSC通过重要性排序和动态丢弃低值向量降低传输消耗，采用联合信源信道编码（JSCC）技术提升抗噪鲁棒性，基于Voxception-ResNet提取重建语义特征增强语义保真度，引入无需重训的速率分配方法简化速率控制。
4.1.3 基于模分多址的视频语义通信系统（MDVSC）
MDVSC采用潜在空间变换和轻量化网络降低计算负担，通过公共特征提取器（CFE）分离并传输共性特征，利用深度JSCC克服“悬崖效应”，引入基于熵的语义重要性编码精准控制编码长度，自适应调整编码长度匹配信道容量缓解延迟抖动。
4.2 语义知识库动态匹配与更新
为解决不同模态语义编码模型演化所需的语义知识库的同步问题，提出基于语义模型组份（SMC）的模型驱动语义通信系统，通过模块化分发、跨源跨任务适配、抗噪鲁棒性和高效增量学习实现边缘侧轻量、抗噪的增量更新与跨任务适配。
5. 智简信息传输使能技术
5.1 智能新型网络传输与业务保障技术
5.1.1 业务特征智识别与智分类技术
通过深度神经网络实现多模态业务流的特征识别和分类，融合语法特征与语义特征，突破传统规则依赖，适配语法通信与语义通信的混合场景。
5.1.2 业务数据流的差异化QoS控制技术
采用结合生成对抗网络和强化学习的差异化QoS控制机制，实现依据输入的业务数据流特征、动态感知的网络性能分析结果、历史的QoS控制策略以及应用程序提供的QoE信息，灵活确定业务数据流的QoS策略。
5.2 多维资源感知与智能调度技术
5.2.1 多维网络资源与状态智能感知技术
提出多维融合网络统一资源图谱的生成与表征方法，增加网络资源与状态信息感知功能，实现资源与状态的智能按需获取或自动上报。
5.2.2 资源智能统一调度技术
基于网络资源与状态感知的资源图谱，应用现代人工智能技术进行精准的资源调度和分配，实现资源的动态优化和网络性能提升。采用多信息权重下基于强化学习的网络资源调度方法，提高系统重要语义信息的传输保障能力。
6. 总结与未来展望
本白皮书系统构建了6G智简传输的理论框架、技术路径和使能技术体系，为未来6G网络多模态数据智简传输奠定了理论与技术基础。未来研究可对网络架构演进、协议栈重构、服务质量保障机制创新、端边云算力协同机制和强化安全可信机制等关键问题深入探索，推动智简传输系统在未来6G网络的可行部署与应用落地。
