《Journal of Network and Computer Applications》：Computational intelligence for 6G networks: A survey of machine learning and optimization for enabling technologies and architectures
编辑推荐：
6G无线网络旨在实现陆、空、天全域的泛在、智能与弹性连接，支撑超高数据速率、亚毫秒级时延、海量设备密度以及通信、计算与感知的深度一体化。实现这一愿景需要具备在高度动态环境中应对不确定性的自适应网络智能，这推动了计算智能（Computational Intell
6G无线网络旨在实现陆、空、天全域的泛在、智能与弹性连接，支撑超高数据速率、亚毫秒级时延、海量设备密度以及通信、计算与感知的深度一体化。实现这一愿景需要具备在高度动态环境中应对不确定性的自适应网络智能，这推动了计算智能（Computational Intelligence, CI）的应用——其融合机器学习与优化技术，以实现持续适应、自主决策与鲁棒控制。尽管现有关于6G中人工智能的综述文献日益增多，但多数研究聚焦于孤立技术、应用领域或特定模型类别，对于何种CI方法在结构上适配特定6G任务的指导性有限。这一区分至关重要，因为深度强化学习、进化算法、联邦学习、图神经网络与模糊系统等方法的归纳偏置存在差异，其有效性取决于底层问题的结构。本综述通过对九类代表性6G赋能技术中的CI方法进行以方法为核心的系统性整合来填补上述空白：太赫兹（Terahertz, THz）通信、可重构智能表面（Reconfigurable Intelligent Surface, RIS）、集成感知与通信（Integrated Sensing and Communication, ISAC）、AI原生通信、极致边缘计算（Extreme Edge Computing, EEC）、零能耗通信（Zero-Energy Communication, ZEC）、空天地一体化网络（Space-Air-Ground Integrated Network, SAGIN）、语义通信（Semantic Communication, SemCom）与数字孪生（Digital Twin, DT）。针对每项技术，研究人员识别出典型任务，将代表性CI家族映射到这些任务，并分析了方法论层面的权衡。本综述引入方法–结构对齐原则作为CI方法选择的统一视角，识别了方法成功或失效的重复性条件，并提出了一个面向6G中鲁棒、可扩展、跨域且负责任的CI综合研究议程。
本文主体内容围绕三大主题展开系统性论述。第一部分为智能无线与频谱管理，涵盖THz通信、RIS与ISAC三类技术。在THz通信部分，研究人员首先阐述了其在0.1–10 THz频段支撑超高速传输的潜力及传播损耗、波束对准敏感性等挑战，随后梳理了CI在信道估计与建模、波束训练与对准、资源与信号优化三类任务中的应用：卷积神经网络（Convolutional Neural Network, CNN）与混合物理–机器学习方法被用于稀疏多径信道重建，强化学习（Reinforcement Learning, RL）与多臂赌博机（Multi-Armed Bandit, MAB）框架用于降低波束搜索开销，多智能体RL（Multi-Agent RL, MARL）与图神经网络（Graph Neural Network, GNN）则支撑分布式功率控制与波束资源分配。开放挑战集中于数据集标准化、跨环境泛化能力、时间非平稳性及硬件感知模型设计。在RIS部分，研究人员指出其通过被动反射调控传播环境的特性，随后分析了CI在级联信道估计、相位优化与波束成形、资源管理及部署配置四类任务中的作用：CNN–长短期记忆网络（Long Short-Term Memory, LSTM）架构用于时空相关性挖掘以降低导频开销，深度Q网络（Deep Q-Network, DQN）与进化算法（Evolutionary Algorithm, EA）处理高维非凸相位优化问题，MARL与GNN支持多RIS协同与用户关联，混合共轭梯度–粒子群优化（Particle Swarm Optimization, PSO）算法解决三维部署问题。现存局限包括级联信道观测性不足、分布偏移及多RIS大规模协调难题。在ISAC部分，研究人员强调其波形、波束与资源的联合优化需求，总结了CI在波形与波束成形协同设计、感知与场景理解、联合任务调度与资源管理、分布式协作四类任务中的贡献：自动编码器实现端到端波形与感知特征联合优化，Transformer与GNN提升雷达语义分割与微多普勒特征识别性能，混合PSO–遗传算法（Genetic Algorithm, GA）平衡高移动场景下的时延与可靠性，联邦DRL框架支持卫星–RIS–ISAC系统的分布式资源分配。关键开放问题涉及感知–通信多目标权衡、感知模型的虚实迁移鸿沟及实时推理约束。
第二部分为去中心化与边缘智能，包含EEC、AI原生通信与ZEC三类技术。在EEC部分，研究人员聚焦于极端边缘设备的严苛资源约束，梳理了CI在轻量化推理、分布式智能与协作推理、任务卸载、任务调度四类任务中的应用：基于RL与EA的硬件感知神经架构搜索实现微控制器级模型部署，线性赌博机与MARL优化设备–边缘推理分区策略，深度强化学习在线卸载（Deep Reinforcement Learning-based Online Offloading, DROO）算法降低端到端时延，GA解决异构资源下的截止期约束调度问题。挑战包括极端边缘硬件限制、跨设备泛化能力、卸载与调度的联合优化及持续学习的数据分布问题。在AI原生通信部分，研究人员阐释了其将智能嵌入协议栈各层的范式转变，分析了CI在波形与协议设计、边缘智能与网络–AI协同、AI原生网络切片三类任务中的角色：DRL动态调整正交频分复用参数以适配语义任务需求，分层DQN优化AI服务放置与资源分配，MARL与遗传编程实现切片资源的并行决策。核心开放问题涉及语义度量标准化、控制策略的分布偏移及闭环控制的信任机制。在ZEC部分，研究人员针对电池less设备的间歇性供能特性，总结了CI在反向散射通信与能量收集两类任务中的进展：注意力机制增强的DL模型提升微弱反射信号检测性能，RL优化反射系数与占空比控制，多目标EA平衡吞吐量、能效与数据包丢失率的路由优化。待解决问题包括能量中断下的计算容错、大规模标签协调及轻量级安全防护机制。
第三部分为集成网络架构，涵盖SAGIN、SemCom与DT三类技术。在SAGIN部分，研究人员分析了其星–空–地多层动态拓扑带来的部分可观性与反馈延迟挑战，梳理了CI在信道建模与链路动态、调度路由与卸载、AI增强协同三类任务中的应用：DNN与DQN实现无人机（Unmanned Aerial Vehicle, UAV）毫米波链路的波束对准，MADDPG框架联合优化用户关联、缓存与功率控制，混合动作DRL协调卫星、UAV与地面节点的计算卸载。开放挑战包括部分可观环境下的策略稳定性、动态拓扑泛化能力及星载平台能量约束。在SemCom部分，研究人员阐述了其从比特传输向意义交付的范式转变，总结了CI在语义理论与形式化框架、语义编码与实现、语义感知资源分配三类任务中的贡献：生成对抗网络（Generative Adversarial Network, GAN）实现低信噪比下的感知保真重建，Transformer与知识图谱支撑多模态语义表征学习，DRL依据语义重要性动态调整调度优先级与RIS相位配置。核心问题涉及语义度量标准化、任务 grounding 的虚实迁移鸿沟及多用户场景下的隐私泄露风险。在DT部分，研究人员强调了其作为虚拟仿真环境与实时状态估计器的双重角色，分析了CI在网络DT、IoT与工业DT、无线信道DT三类任务中的应用：安全RL利用DT进行低风险切片配置验证，EA将DT作为代理模型优化区域供热系统，ChannelGPT大模型驱动的多模态数据融合实现高精度信道预测。关键开放问题包括大规模实时同步、DT信道在高速移动下的保真度衰减、训练环境与物理系统的协同演化偏差及数据隐私治理。
最后，论文通过批判性分析提炼出CI方法有效性的四类核心问题结构：不确定性下的序贯决策、稀疏性与关系型结构、多模态耦合与联合优化、分布式与多目标权衡，并据此提出方法–结构对齐原则作为CI选型的理论基础。研究人员进一步识别出六类跨域共性失效模式：分布偏移、平稳性违背、可扩展性瓶颈、模型–硬件失配、可观性约束及真值模糊性，最终凝练出面向数据高效学习、仿真到部署鲁棒性、可扩展分布式智能、跨域集成、CI方法谱系拓展及负责任部署的六大研究方向，为6G网络中计算智能的系统化应用提供了理论框架与实践路径。
