2、AI与ML基础概念回顾：监督学习、无监督学习、强化学习、深度学习基础（CNN/RNN/Transformer）
各位同学好，我是老张。今天这堂课，咱们不急着讲6G怎么跟AI结合，先把地基打牢。说白了，AI和机器学习这些概念，在通信圈里已经不是什么新鲜词了，但真正能把它用在网络优化里的工程师，说实话不多。
我个人习惯是，学任何新技术之前，先把它的“祖宗八代”搞清楚。你想想看，如果连监督学习和无监督学习都分不清，后面怎么理解AI怎么帮我们做信道估计、资源调度？所以，这一章咱们就踏踏实实地把基础过一遍。
核心观点： 6G网络中的AI应用，本质上就是让网络学会“看”数据、“猜”趋势、“做”决策。而这一切，都离不开下面这几种学习范式。
2.1 监督学习：有老师带着学
监督学习，说白了就是“喂”给模型一堆带标签的数据，让它学会输入和输出之间的映射关系。我在做5G网络流量预测时，就经常用这个方法。你给它过去一周的流量数据（输入），再告诉它未来一小时的实际流量（标签），它就能慢慢学会预测。
核心三要素：
- 输入特征（Features）： 比如信噪比、用户移动速度、业务类型
- 标签（Labels）： 比如实际吞吐量、误码率
- 损失函数（Loss Function）： 衡量模型预测值和真实值之间的差距
常见的监督学习算法有线性回归、决策树、支持向量机（SVM）等。在通信领域，我经常用它来做信道估计和干扰识别。
避坑指南： 我曾经在一个项目中，为了追求高精度，把训练数据里的噪声也学进去了，结果模型在现网测试时一塌糊涂。记住，过拟合是监督学习的大敌，尤其是通信数据本身就有大量随机噪声。
2.2 无监督学习：自己摸索规律
无监督学习就更有意思了。没有标签，模型得自己从数据里找规律。这就像把一个新人扔进机房，让他自己观察设备告警日志，找出哪些告警经常一起出现。
典型应用场景：
- 聚类（Clustering）： 把用户按行为模式分组，比如“深夜刷剧党”、“上班通勤族”
- 降维（Dimensionality Reduction）： 把高维的无线参数压缩成几个关键特征，方便可视化
- 异常检测（Anomaly Detection）： 发现网络中的异常流量或设备故障
我记得有一次，运营商发现某个基站的流量异常，用监督学习死活找不到原因。后来改用无监督学习的孤立森林算法，才发现是某个物联网设备在凌晨3点疯狂发送心跳包，把信道占满了。嗯，这就是无监督学习的价值——发现你没想到的问题。
2.3 强化学习：在试错中成长
强化学习，我觉得是跟6G网络最契合的一种学习方式。为什么？因为网络本身就是一个动态环境，基站、终端、核心网都在不断交互。强化学习让智能体（Agent）通过与环境交互，学习最优策略。
核心四要素：
| 要素 | 通信中的对应 |
|---|---|
| 智能体（Agent） | 基站调度器、核心网控制器 |
| 环境（Environment） | 无线信道、用户移动、业务变化 |
| 动作（Action） | 调整发射功率、切换波束、分配资源块 |
| 奖励（Reward） | 吞吐量提升、时延降低、能耗减少 |
我建议大家在研究6G资源调度时，多关注一下深度强化学习（Deep RL）。传统Q-learning在状态空间爆炸时根本跑不动，但用深度神经网络来近似Q函数，就能处理高维的无线环境状态。
注意： 强化学习在通信网络里落地，最大的坑是训练不稳定。我曾经在仿真环境里调了一个月的参数，模型在实验室跑得挺好，一上现网就“抽风”。后来发现是现网的信道变化太快，模型来不及收敛。所以，离线训练+在线微调是更务实的做法。
2.4 深度学习基础：CNN、RNN、Transformer
深度学习，说白了就是“更深”的神经网络。但别小看这个“深”字，它让模型能自动提取特征，不再需要工程师手动设计特征工程。在6G里，我们主要用三种结构：
2.4.1 CNN（卷积神经网络）—— 擅长抓局部特征
CNN最初是为图像设计的，但用在通信里也特别顺手。比如，你可以把时频资源网格看作一张“图”，CNN就能从中提取出信道变化的局部模式。
核心操作：
- 卷积： 用一个小窗口（卷积核）在数据上滑动，提取局部特征
- 池化： 降采样，减少计算量，同时保留主要特征
- 全连接： 把提取到的特征映射到最终输出
我在做波束管理时，就用CNN处理天线阵列的接收信号强度矩阵。效果比传统算法好不少，而且推理速度极快，能满足毫秒级的波束切换要求。
2.4.2 RNN（循环神经网络）—— 擅长处理序列
RNN天生就是为时序数据设计的。通信里的信道状态、用户移动轨迹、业务流量，全都是时间序列。RNN通过“记忆”上一时刻的状态，来影响当前时刻的输出。
但说实话，传统RNN有个大毛病——长程依赖问题。信号传几跳之后，前面的信息就“忘”得差不多了。所以后来有了LSTM（长短期记忆网络）和GRU（门控循环单元），加了“门”机制来控制信息的遗忘和更新。
我的经验： 在预测毫米波信道的阻塞事件时，LSTM比传统RNN准确率提升了约15%。但代价是训练时间翻倍。所以，选型时一定要权衡精度和实时性，尤其是在6G这种低时延场景下。
2.4.3 Transformer —— 自注意力机制的王者
Transformer是近年来最火的模型，它用自注意力机制（Self-Attention）替代了RNN的循环结构。说白了，就是让模型在计算某个位置的输出时，能“关注”到输入序列中所有位置的信息，而不是像RNN那样一步步传递。
为什么Transformer适合6G？
- 并行计算： 不像RNN必须串行处理，Transformer可以一次处理整个序列，训练速度更快
- 长距离依赖： 能捕捉到相隔很远的两个时刻之间的关联，比如用户移动轨迹的长期模式
- 多模态融合： 可以同时处理信道数据、用户位置、业务类型等多种信息
我记得在3GPP的讨论中，已经有公司提出用Transformer来做信道状态信息（CSI）压缩反馈。效果比传统的码本方法好很多，压缩比能达到1/10，而且恢复质量还更高。
下面这张图，是我自己整理的三种深度学习模型在6G网络中的适用场景对比：
好了，这一章的内容就到这里。记住，这些基础概念不是背出来的，是用出来的。下次你在做网络优化时，不妨想想：这个问题适合用哪种学习范式？该用CNN还是Transformer？想清楚了再动手，事半功倍。
最后说一句： 别被这些高大上的名词吓住。说白了，AI就是个工具，跟示波器、频谱仪一样，关键看你会不会用。咱们后面几章，会一步步带你把它们用到6G网络里。
公众号:蓝海资料掘金营，微信deep3321