6.2 AI 与机器学习在无线通信中的应用

6.2 AI 与机器学习在无线通信中的应用

本节摘要：前面那些"按规则做决策"的功夫，AI 想用数据把其中一部分自动化。本节挑三个最落地的口子：用 AI 做信道与干扰预测、用强化学习做调度与资源分配、用闭环让网络自优化。它们不推翻前三章的物理账，而是让账的维护从"人肉调参"升级成"数据驱动"。

承接 6.1 把需求盘子做大的同时，复杂度也成倍上跳——本节给出应对之道：与其继续靠人力写规则，不如让 AI 从数据里顺手接走一部分调参岗。

规则写不过来的时候，正好让给数据来接手

前三章讲的那些优化，本质上都是"人先把规则想明白，再把规则写进系统"。这在场景单一、参数不多时很顺手；可一旦网络变复杂——信道随城市汽车人流瞬息万变、几千个基站的调度权重、功控门限、切换偏移要联合调——靠人力写规则就有点写不过来了：每一个参数拨一下，都可能牵动几十个别的参数，越是细致越容易顾此失彼。

AI 的入场，恰恰是瞄准"规则写不动、但数据海量可学"这块地带。它的野心不是推翻前面的物理账——信噪比、链路预算、信道模型依旧在——而是把"人肉写规则、人肉调参数"这套活，升级成"让模型从数据里自己把最优点学出来"。物理层那套"多赚少亏"的语法没变，变的只是替你做选择的人从"工程师"慢慢换成"会学习的模型"。

这给了无线一个全新的账本维度：除了信号与能量的账，又多了一笔"算力与数据"的账。你得用得上大量真实样本、舍得花推理时间、并能解释模型为什么这么选，模型才谈得上入市。换句话说，AI 在无线里不是免费的魔法，而是"用算力与数据换调参功夫"的一场更划算的置换——读懂这笔置换的边界，才不会被"AI 取代一切"的热词带跑。

学习目标

• 说出 AI 在无线里最现实的三个落点：信道、调度、自优化。
• 解释强化学习为何适合动态调度而监督学习更擅长预测。
• 指出 AI 落地的现实约束：数据、时延、可解释性。

为什么无线会想起用 AI

无线系统写完规则后，剩下的功夫常是病态地调参：调度权重、功控门限、切换偏移，牵一发动全身。而无线环境天然多源、时变、数据海量——这正是机器学习的主场。AI 的野心不是替代物理账，而是把"人肉写规则、人肉调参数"升级成"从数据里学最优"。

三个最实的落点

• 信道与干扰预测（监督学习）：用历史数据训练模型，预测下一时刻信道好坏、干扰模式，提前做准备——省去频繁反馈往返的延迟。
• 调度与资源分配（强化学习）：把调度器当"跟环境互动的策略"，通过试错学会在吞吐与公平间走高策略。它适合状态海量、难写规则的决策问题。
• 网络自优化（闭环）：把性能异常、故障、弱覆盖用一个"感知—决策—执行"的闭环自动调：发现问题就自己改参数、验效果。这就是自治网络。

这三个落点其实把前三章的"调度（4.1）、信道（3.3）、规划优化（5.x）"都往数据驱动推了一把，它们的物理账仍在，只是账房先生换成了模型。

模型不是万能的：三个现实约束

别被"AI 取代一切"的叙事带走。现实里三个约束最咬人：

• 数据要真实可用：训练样本来自现场，往往带噪声、不平衡、标记贵。
• 决策要有时效：调度是毫秒级的事，模型推理慢了反而帮倒忙。
• 要能解释、敢背锅：运营商要"为什么这么调度"，纯黑盒模型难落地。

所以工程上常见的姿态，是"AI 辅助为主、规则兜底为辅"——让模型给建议，规则保下限，出大事人还能接手。

一次"预测信道好坏"的演练

用一段脚本模拟：用历史信噪比数据训练一个简单模型，预测下一轮信道是"好"还是"差"。

import random
random.seed(5)

# 生成一段带趋势的信噪比样本, 0与1标记好坏
hist = []
val = 18.0
for i in range(120):
    val += random.uniform(-1.5, 1.5)
    hist.append(1 if val > 15 else 0)

# 用"过去窗内好坏比例"做一个极简预测下一时刻
win = 8
pred, true = [], []
for i in range(win, len(hist)):
    p = 1 if sum(hist[i-win:i]) / win >= 0.5 else 0
    pred.append(p); true.append(hist[i])
acc = sum(1 for a, b in zip(pred, true) if a == b) / len(pred)
print(f"窗预测命中率约 {acc:.0%}")

# 简化解释: 信道好坏是带惯性的, 近窗统计即可抓走势
​

输出通常会给一个不错的命中率，恰如其分地证明"信道带惯性、可预测"这个前提——这正是 AI 能接手预测的物理基础。

把 AI 放回全书的主账，你会看到它给无线知识开出的是一笔全新的"算力与数据"科目：此前的每一章都在算信号、能量、频谱、成本的增进，AI 则把这些决策从"人按规则写死"升级成"模型从数据里自己学出来"。它并不推翻前面的物理账——第 2.4 章的主表、第 3 章的物理层、第 4 章的调度逻辑依旧在——而是在这些账之上，换了一个更勤快的"账房先生"，用数据把原来靠人肉翻调的参数一次学会。这份工作最值钱的地方在动态场景里：城市里随时翻转的信道、成千上万台终端的负载、瞬息变化的干扰格局，规则往往跟不上，而数据却一贯跟得上。读懂这笔"用算力与数据换调参功夫"的置换账，你就能在"AI 取代一切"的热词里保持清醒，也看清为什么它的价值集中在"规则写不过来"的地方。

同时要提醒的是，AI 不是一次训练完就一劳永逸。无线环境天生会漂移——城区慢慢加密、换了新基站、季节性的人流变化，都会让早先训练的模型渐渐失真，所以还要有一套"持续更新、在线校验"的机制，让模型跟着现场一起走。这也意味着，把 AI 请进无线，不是招进一个一劳永逸的解题家，而是把它当成一个"要持续喂养数据、也要不断回头复核"的长久伙伴。能接受这种"陪伴式维护"的成本，才算真正为 AI 进门做好了准备。

易踩的坑

常见坑：把 AI 当一键替换。实际上机器学习要踩通数据、在线、解释三重门槛，落地常见的是"AI 起建议、规则保底"的混合方案。把模型当神仙，多半要在真实部署时被现实打脸。

本节要点回顾

• 三落点：信道/干扰预测、强化调度、网络自优化，均向数据驱动演化。
• 强化 vs 监督：动态决策用强化，趋势预测用监督，各有各的工位。
• 现实三约束：数据难采集、决策要时效、模型要解释。
• 混合姿态：AI 辅助、规则兜底，才是工程上最稳的落地姿势。