10.1 6G关键技术预研：太赫兹、RIS与通感一体

10.1 6G 关键技术预研：太赫兹、RIS 与通感一体

本节摘要：6G 的关键技术不是 5G 参数的线性外推，而是四根新支柱：太赫兹频段把带宽再抬两个数量级却带来百米级覆盖，智能超表面（RIS）用"塑造信道"替代"适应信道"来化解这一矛盾，通感一体化（ISAC）让同一段频谱同时完成通信与探测，空天地海一体化把覆盖边界推向海洋与天空。本节逐项讲清它们的机理、真实收益与尚未解决的卡点。

从微波到红外之间，有一段长期空白

电磁波谱上，微波与红外之间夹着一段 0.1 到 10 THz 的区域，过去几十年被叫做"太赫兹空白"——既没有成熟的发射源，也没有高效的探测器。如今它成了 6G 最被看重的战略资源，因为那里有数十甚至上百 GHz 的连续带宽，是 5G 毫米波的十几倍。代价同样极端：频率每抬一个数量级，自由空间损耗按 f² 增长，大气中的水分子与氧气还会额外吸收。这一段从空白到热点的翻转，正是 6G 预研最典型的张力——带宽在那里，物理约束也在那里。

一、太赫兹：带宽的解药与传播的毒药

先看收益。香农容量 C = B·log₂(1+SINR)，带宽 B 是最直接的杠杆。Sub-6GHz 单载波最多 100 MHz，毫米波能到 400 MHz，太赫兹频段则可以轻松划出几十 GHz 的连续块——理论上 Tbps 级速率不再是幻想，全息通信、沉浸式 XR、数字孪生工厂这些"带宽黑洞"应用才有了落地的可能。

再看代价。下面这段算式把损耗随频率的恶化算清楚：

import math

def fspl_db(d_m, f_ghz):
    """自由空间路径损耗 FSPL = 20log10(d) + 20log10(f) + 32.44 (d: m, f: MHz→GHz)"""
    return 20*math.log10(d_m) + 20*math.log10(f_ghz*1000) + 32.44

for f in (3.5, 28, 140, 300):
    print(f"{f:>5} GHz, 100 m: FSPL = {fspl_db(100, f):6.1f} dB")
# 3.5 GHz 约 83 dB；28 GHz 约 101 dB；140 GHz 约 115 dB；300 GHz 约 122 dB
​

从 3.5 GHz 到 140 GHz，同样 100 米距离，损耗多出约 32 dB——需要把天线增益提高 32 dB 才能补回来。这还没算大气吸收：60 GHz 附近氧分子吸收峰让信号每公里衰减十几 dB，太赫兹高端的水汽吸收更严重。结果是太赫兹链路的通信距离被压到百米甚至十米量级，墙体、人体、甚至一次挥手都能造成明显衰减。

图：频率越高，带宽越阔、覆盖越窄

⚠️ 常见坑：把太赫兹的"Tbps 速率"当成广域能力。它是视距、短距、定点的技术，适用于场馆内的无线回传、数据中心机柜间互联、固定无线接入这类场景，与"手机到处都能跑 Tbps"完全是两回事。

二、智能超表面：从适应信道到塑造信道

既然传播环境如此不友好，与其被动适应，不如主动改造——这就是智能超表面（RIS）的思路。RIS 是一片由大量低成本无源单元构成的二维平面，每个单元可以通过外加电压改变自身的电磁响应（主要是反射相位）。大量单元协同工作，就能把入射波反射到指定方向并在目标点同相叠加，等效于在空中"画"出一面可重构的反射镜。

它的价值在于用极低代价创造虚拟视距链路：基站与用户之间被楼角挡住时，在合适的墙面挂一块 RIS，信号就能绕过障碍抵达。与传统中继相比，RIS 是无源的——不放大噪声、不需要射频链路与功放、功耗只有控制电路的量级。

但 RIS 不是万能的，卡点有三个。信道估计开销：无源单元本身不做基带处理，基站无法直接获知级联信道，只能靠逐个配置单元、逐个测量的方式估计，单元数上千时开销可能吃掉大部分增益。控制链路：RIS 需要实时接收配置指令，这条链路本身的可靠性与成本常被忽略。部署现实：要找到既有视距通路的基站侧、又有视距通路的用户侧、还恰好有可用电源与业主许可的墙面，本身就是稀缺资源。

💡 关键直觉：RIS 的本质是把"环境"纳入了通信系统的可控变量。过去我们把信道当成给定的随机变量去统计适应，现在它变成了可以优化的设计参数——这是"环境即网络"这句话的实际含义。

三、通感一体化：一份频谱干两份活

通信与雷达长期分家：一个传信息，一个探目标，用不同的频谱、硬件与算法。6G 想把它们合起来，因为一个信号在传播过程中与环境交互产生的反射、散射、多普勒频移，本身就携带了环境信息——同一段波形，接收端既能解出比特，也能解出目标的距离、速度与角度。

收益很直接：频谱复用率翻倍、硬件成本下降、基站变成天然的感知节点。应用上，自动驾驶车辆可以用 V2X 信号同时通信与感知周边，城市基站可以同时监控人流车流，"感知即服务"成为新的商业模式。

难点在波形目标的冲突。通信追求高熵、随机性强的信号以承载信息，感知追求确定性强、自相关尖锐、旁瓣低的波形以提高分辨力；通信关心平均速率，感知关心峰值旁瓣比与多普勒容限。折中的研究方向之一是 OTFS（正交时频空间）调制——它把数据映射到时延-多普勒域，在高速移动场景下既能保持通信鲁棒性，又天然适合速度感知。此外还有隐私边界问题：一个能感知室内人体姿态的网络，同时也是一台监视器，这在监管上远未解决。

四、空天地海一体化：把边界推到海洋与天空

地球上仍有大部分陆地与近七成海洋没有有效覆盖。6G 的设想是构建一个多层立体网络：低轨卫星（LEO）做全球骨干与广域回传，高空平台（HAPS，如平流层飞艇）做区域容量增强与应急通信，地面蜂窝承担城市与热点的高密度容量，水下声学或蓝绿激光网络延伸到海洋勘探场景。

技术上最难的不是"连上"，而是"统一"。不同层的时延量级差异巨大——地面链路几毫秒，LEO 单向十几到几十毫秒，地球同步轨道则高达数百毫秒；低轨卫星相对地面高速移动，多普勒频移可达数十 kHz，远超地面系统的补偿范围；星地链路的间歇可见还要求切换与路由具备预测能力。这些都逼着协议栈改造，传统的 TCP 拥塞控制在这种长时延、时变带宽的链路上表现很差。

五、内生 AI：从外挂到嵌入

前面四项都需要 AI 才能真正跑起来：太赫兹的波束对准要在毫秒级完成，RIS 的相位配置是上千维的非凸优化，ISAC 的联合波形设计没有闭式解，空天地海的跨域调度更是超出规则系统的能力。6G 因此提出内生 AI——不是在网络外面挂一个运维平台，而是把模型嵌进协议栈的每一层：物理层用学习的方法做信道估计与译码，MAC 层用强化学习做调度，网络层用预测模型做资源预留。

这条路的最大障碍不是算法，而是可解释性与泛化。通信网是强实时、强可靠要求的系统，一个黑盒模型在训练分布之外给出错误决策，代价是掉话甚至区域性故障。所以当前业界的共识偏保守：AI 先在对可靠性要求相对低、又有明确收益的领域落地（节能、负载均衡、流量预测），再逐步向空口渗透。

本节要点回顾

• 太赫兹是双刃剑：带宽提升两个数量级，代价是损耗按 f² 增长、通信距离压到百米级，只适合视距短距场景；
• RIS 把环境变成可控变量：无源反射创造虚拟视距，但级联信道估计开销与部署选址是真实瓶颈；
• ISAC 的难点在波形：通信要高熵随机、感知要低旁瓣确定，二者目标冲突，OTFS 是折中方向之一；
• 空天地海难在统一：时延量级、多普勒与间歇可见性逼着协议栈改造，而不只是把节点连起来；
• 内生 AI 卡在可解释性：先从节能与调度落地，空口的 AI 化仍需时间；
• 判断 6G 宣称的方法：先问代价是什么、由谁承担、当前成熟度在哪一档。

极致性能的代价最终会落到电费单上——下一节看绿色通信如何把能效从边缘指标扶正为核心设计准则。