3.2 波形、多址与分布式 MIMO

3.2 波形、多址与分布式 MIMO

本节摘要：OFDM 在 5G 是标准答案，但面对 6G 的极致能效与高速移动已显吃力。本节看 OTFS/FBMC/SCMA 等候选波形，以及分布式 MIMO 如何用"服务云"替代"蜂窝"，并引出信道数字孪生这一新建模范式。读完你能区分几种波形各解决什么瓶颈，以及为什么 6G 更可能用"混合波形框架"而非单一替代品。

上手前先明确

阅读完本节，你应当能够：

1. 说明 OFDM 在 6G 场景下的三个具体局限
2. 对比 OTFS / FBMC / SCMA 的适用场景与代价
3. 解释为什么 6G 倾向"混合波形框架"而非单一新波形
4. 描述分布式 MIMO 与信道数字孪生的关系
5. 澄清语义通信"不是通用压缩算法"的常见误解

一、问题与直觉：OFDM 为什么不是 6G 的终极答案

OFDM（正交频分复用）靠着抗多径和频谱效率，撑起了 4G/5G 的宽带无线——它是过去二十年最成功的波形。但把它原封不动搬进 6G，会遇到几个硬伤：

• 矩形时频格不灵活。OFDM 把时间和频谱切成固定的矩形小块，每个符号占相同的时间-频率资源。这种"一刀切"的栅格对 eMBB 够用，但面对 6G 想要的"按业务定制时频形状"就显得僵化。
• 对同步误差敏感。OFDM 靠子载波正交性工作，一旦定时或频率同步有偏差，正交性被破坏，子载波间干扰（ICI）迅速恶化。这在低速场景没问题，在高铁、无人机、低轨卫星这种高动态场景下是大麻烦。
• 峰均功率比（PAPR）高。OFDM 信号是多个子载波叠加，瞬时峰值概率性很高，功放要为偶发的峰值留足余量，工作点偏保守，效率被拖累。对追求极致能效的 6G，这是个能耗包袱。

6G 要的是"更灵活、更鲁棒、更智能"的波形——同一套硬件，按业务切不同波形。工业控制要确定性，高铁要抗多普勒，海量物联要高连接密度，全息要峰值吞吐，没有任何单一波形能同时最优化所有目标。这就指向"混合波形框架"的思路。

二、核心原理：候选波形各管一段，信道也要重建模

图：分布式 MIMO / 无蜂窝拓扑

三种最受关注的候选波形，各自瞄准 OFDM 的一个软肋：

OTFS（Orthogonal Time Frequency Space，正交时频空间） 把符号映射到时延-多普勒域而非传统的时频域。在时延-多普勒域里，高速移动产生的多普勒扩展是"稀疏可分离"的，每个传播路径对应二维平面上的一个点。这让 OTFS 天然适配高铁、无人机、低轨卫星等高速移动场景——传统 OFDM 在这些场景下多普勒频移会破坏子载波正交性，OTFS 则把多普勒当成可利用的信息。代价是接收端要在二维域做均衡，复杂度高于 OFDM。

FBMC（Filter Bank Multi-Carrier，滤波器组多载波） 用子载波滤波取代 OFDM 的循环前缀，每个子载波带外的衰减更陡，带外泄漏小。好处是不需要保护频带，适合碎片化的频谱资源；也更适合异步多用户接入（用户不必严格同步）。代价是需要先进的信道估计，滤波器设计复杂，且不利于 MIMO 的空域处理——这是 FBMC 迟迟没能替代 OFDM 的主因。

SCMA（Sparse Code Multiple Access，稀疏码多址） 用稀疏码本做非正交多址，让多个用户在同一份时频资源上叠加传输，靠码本的稀疏性在接收端用消息传递算法分离。它的核心价值是提升连接密度，适配 mMTC 海量物联场景。代价是接收端译码复杂度高，且对功率控制敏感。

注意，这三者不是"谁取代 OFDM"的竞争关系，而是各管一段。6G 更可能用"混合波形框架"——同一套软件定义的基带，按业务动态选最优波形：高铁场景切 OTFS，碎片频谱切 FBMC，海量物联切 SCMA，传统宽带继续 OFDM。这要求基带高度可重构，也要求 AI 做实时波形选择。

信道建模的新范式：从统计模型到数字孪生

太赫兹下，传统的统计信道模型（如 3GPP TR 38.901 那类基于概率分布的模型）开始失效——太赫兹传播对环境细节（墙体材质、家具布局、人员位置）极度敏感，统计模型抓不住这种确定性。6G 走向"信道数字孪生"——一个与物理信道实时同步的虚拟镜像，融合环境语义（墙体材质、人员轨迹、障碍物几何），为波束成形和感知算法提供精确先验。

它和第 4 章的原生 AI 是共生关系：信道孪生要靠 AI（射线追踪 + GNN/Transformer）从环境数据里建图，反过来孪生提供的精确信道先验又让 AI 调度的决策更准。这是物理层和智能层咬合的一个具体例子。

⚠️ 常见坑：把语义通信误读成"通用压缩算法"。它优化的是任务相关损失（如分类准确率），不是比特还原误差——在图像识别、目标检测等任务里能大幅降量，但通用文件传输、需要逐字节一致的内容（代码、合同、加密数据）它没优势，反而因模型误差引入风险。语义通信的红利来自"任务明确"，不是"压缩更狠"。

💡 关键直觉：波形和 MIMO 不是炫技，它们都在回答同一个问题——在太赫兹这种"又贵又脆"的信道上，怎么把稀缺的覆盖和能效用到刀刃上。OTFS 解决高速移动下的鲁棒性，分布式 MIMO 解决边缘覆盖，信道孪生解决建模精度——三者都在让太赫兹频谱"可用"。

三、工程实践要点：选波形的真实考量

选型时要避开几个误区：

误区一：以为会有"一种波形统一天下"。不会。每种波形都在某类场景最优，在另一类场景反而更差。6G 的方向是软件定义的混合框架，按业务动态切。做选型时，先想清楚你的目标业务是什么，再选最匹配的波形，别迷信"最新最好"。

误区二：拿论文性能直接套工程。论文里的 OTFS 误码率曲线、FBMC 频谱效率，多在理想信道、完美同步、无实现损耗的前提下。真实基带的有限字长效应、同步误差、信道估计误差会吃掉相当一部分增益。做选型预算时，按论文性能打七折算更稳妥。

误区三：忽视波形和 MIMO 的耦合。FBMC 和 MIMO 的空域处理配合不好，这是它没能在 5G 替代 OFDM 的关键技术原因。选波形时不能只看波形本身的指标，要看它和你要用的 MIMO 方案配不配合。

一个被低估的趋势：AI 定义的物理层

传统物理层是"规则驱动"的——调制、编码、均衡都有固定算法。6G 正在探索"AI 定义的物理层"——用神经网络替代部分固定算法，比如用深度学习做信道估计、信号检测、甚至端到端的收发机设计。这是物理层的范式性变化，也是"原生 AI"下沉到物理层的体现。但它的争议也大：AI 收发机的可解释性差、对训练数据分布敏感、缺乏理论性能保证。短期内更现实的路径是"AI 辅助"而非"AI 替代"——用 AI 优化关键模块，保留可解释的传统算法做兜底。

一个常被忽略的工程账：波形的"换装成本"

讲到混合波形框架，很多人只看到好处——按业务动态切波形，灵活。但换波形是有成本的，这个成本经常被低估。终端从 OFDM 切到 OTFS，意味着基带要重新配置、收发两端的波形要严格对齐、信道估计要按新波形的规则重做，这套"换装"动作本身要消耗时间和信令。如果业务流是突发的、切换频繁，换装开销可能抵消波形带来的增益。所以混合波形框架的真正难点不在"能不能切"，而在"什么时候值得切"——这又是一个需要 AI 实时判断的决策问题。工程上的经验法则是：长流业务（比如一段持续的高铁宽带会话）值得切到 OTFS，短突发业务（一条即时消息）不值得切，直接用 OFDM 跑完更省。

还有一个被忽视的点：不同波形对射频前端的线性度、相位噪声、动态范围要求不一样。FBMC 因为不需要循环前缀、对带外泄漏敏感，对射频滤波和功放线性度的要求比 OFDM 还苛刻。这意味着"软件定义基带能切波形"并不等于"硬件也能跟着切"，射频前端的带宽和线性度往往是更硬的天花板。做物理层选型时，要把基带灵活性和射频约束一起算进去，光看基带能跑几种波形是会踩坑的。

信道数字孪生的工程账：它值不值这个算力

再补一段关于信道数字孪生的工程判断，因为这个概念听起来很美，落地却要算清一笔账。孪生要实时同步物理信道，意味着要持续采集环境数据、跑射线追踪仿真、用 AI 更新模型，这套流程的算力开销不小。问题是：这些算力花出去换来的"信道先验"到底值不值？答案是分场景的。在环境相对静态、信道可预测性高的场景（比如固定无线接入、室内热点），孪生的收益边际递减——因为信道本来就稳定，简单的历史统计就够用，花大算力做孪生不划算。但在环境高度动态、信道难以统计建模的场景（比如太赫兹室内有人体移动、工厂有 AGV 穿梭），孪生提供的精确先验能让波束成形和感知精度提升一个台阶，这笔算力花得值。所以孪生不是"越准越好、越实时越好"的无脑堆料，而是要在"算力开销"和"先验收益"之间按场景找平衡点。判断一个孪生方案好不好，先问它针对的场景是否真的需要这么高的建模精度，不需要的话就是过度工程。

温故知新

• 要点一：OFDM 的 PAPR 高、同步敏感、栅格僵化，难撑 6G 的极致能效与高动态场景
• 要点二：OTFS 适配高速移动（时延-多普勒域），FBMC 适配碎片频谱，SCMA 提连接密度
• 要点三：6G 倾向混合波形框架，软件定义基带按业务动态选最优波形，而非单一替代品
• 要点四：分布式 MIMO 用"服务云"替代蜂窝，提升边缘可靠性，天然适配 uRLLC
• 要点五：信道数字孪生融合环境语义，为波束成形与感知提供精确先验，是物理层新建模范式
• 要点六：语义通信优化任务损失而非比特还原，并非通用压缩，文件/代码等逐字节一致内容不适用
• 要点七：选波形要看和 MIMO 的耦合、要给论文性能打折，AI 定义物理层是趋势但目前更现实的是 AI 辅助

下一章看智能怎么从"外挂应用"变成"网络内生能力"——这是通感算控一体的灵魂。