将人工智能（AI）和机器学习（ML）整合到空中接口中被视为下一代（NextG）蜂窝网络的关键技术之一。在空中接口中，多输入多输出（MIMO）及其变种，如多用户 MIMO（MU-MIMO）和巨大 / 全维 MIMO，在接连几代的蜂窝网络中成为关键的支持者，面对不断演进的复杂性和设计挑战。将 AI/ML 工具应用于解决 MIMO 中的这些挑战成为实现 AI 启用的 NextG 空中接口的关键步骤。在下一代空中接口中，底层的无线环境将极为动态，由 MIMO 操作（如 MU-MIMO 调度和等级 / 链接自适应）在次毫秒级别上进行操作调整。鉴于庞大的操作调整可能性，我们认为在线实时的基于 AI/ML 的方法具有潜在的前景。为此，我们概述了这类在线实时 AI/ML 基于解决方案设计中的固有挑战，并提供了关于这类解决方案在 MIMO 操作中的开发见解。随后，我们提出了一种基于在线实时 AI/ML 的 MIMO-OFDM 信道估计方法，作为在 NextG 中开发类似技术的潜在路线图。

Mar, 2024

本文综述了使用数据辅助人工智能工具来改善实时混合波束成形设计的策略，并比较了现有方法，包括数值评估和定性指标。探讨了混合波束成形优化面临的核心挑战，并识别了不同形式的深层展开技术。未来的研究机会与将人工智能纳入混合 MIMO 系统有关。

Mar, 2023

为了解决 6G 全球通信的需求，本文开发了用于模型建立的生成型人工智能代理，并应用混合专家方法设计传输策略。通过结合多个专业组件的专业知识，并利用生成代理所提供的问题求解，验证了该方法在解决问题上的准确性和有效性。

Apr, 2024

论文探讨利用人工智能为 6G 设计部分新的空中界面，来使得其能够为任意硬件、无线环境和应用程序实现优化的通信方案。

Dec, 2020

本文介绍了用于 5G 基站的智能代理，该代理结合了感知、学习、理解和优化的功能以促进实现大规模多输入多输出天线系统、毫米波通信和超密集网络的发展和部署。我们提出了一种灵活、快速部署、跨层次的基于人工智能的框架，以满足即将到来和未来对 5G 及其之外基础设施的需求。我们提供了一些基于人工智能的 5G 应用示例，以适应 5G 特定的重要能力，并讨论了人工智能在推动 5G 进化以及 5G 之外的进一步网络演进方面的价值。

Nov, 2018

下一代无线网络中，生成式人工智能（Generative AI，GAI）模型的应用可以提升资源分配和网络性能优化，解决传统优化技术面临的挑战。

May, 2024

该研究提出了使用生成式渠道建模从信道输入输出测量中学习统计信道模型来代表现场数据，使用 MIMO - GAN 模型将无线信道隐式建模成时域带限脉冲响应分布，评估结果表明在捕获電力、时差和空间相关性统计方面具有高一致性，尤其是平均时延误差小于 3.57ns，功率损失在 - 18.7db 以内。

Mar, 2022

通过对 6G 网络研究中的数据驱动的无线研究、生成式人工智能、生成模型、GMs 和 6G 网络研究等关键词进行分析，本文介绍了生成模型的教程和调查，并对无线研究领域的核心问题进行了回顾和分析，提出了 GMs 在 6G 网络研究的重要作用，并针对未来可能面临的挑战提供了潜在的策略和有希望的解决办法。

Feb, 2024

这篇综述论文全面调查了生成人工智能领域的发展现状，特别关注了专家混合模型、多模态学习以及人工通用智能的变革性影响。它批判性地研究了生成人工智能方面当前的状况和未来的发展轨迹，探讨了像谷歌的 Gemini 和 OpenAI Q * 等创新如何重新塑造跨领域的研究优先事项和应用，包括对生成人工智能研究分类学的影响分析。该论文评估了这些技术在计算挑战、可扩展性和现实世界应用方面的问题，并强调了它们在医疗、金融和教育等领域取得重大进展的潜力。它还讨论了人工智能主题和人工智能生成预印本的普及对同行评议过程和学术交流的影响，指出了在人工智能发展中纳入道德和以人为本的方法的重要性，确保与社会规范和福祉的一致，并概述了一个关注专家混合模型、多模态学习和人工通用智能在生成人工智能中平衡和慎重使用的未来研究策略。

Dec, 2023

提出了一种基于生成模型的工业 AIGC 协同边缘学习框架，通过利用真实样本合成和基于边缘的优化功能，实现高效的少样本学习，包括多任务 AIGC 计算卸载模型和注意力增强的多智能体强化学习算法，最终实现了边缘化 AIGC 任务完成的系统延迟优化。

May, 2024