01摘要：相较于传统无损“语法”通信，语义通信在不影响下游体验时，允许信宿恢复信息与信源原始信息之间存在一定误差，进而提升通信效率。聚焦语义通信研究，将语义通信在移动通信网络中的潜在用例梳理为四大类：第一类为信源在无线接入网络（RAN）可见，且信源信道联合编解码；第二类
【语义通信与语义信息论
基础理论与关键技术】专题
＜封面文章＞
语义通信的用例、挑战与标准化影响浅析
周通，姜大洁，谭俊杰，许佳龙
（维沃移动通信有限公司，北京 100015）
【摘 要】相较于传统无损“语法”通信，语义通信在不影响下游体验时，允许信宿恢复信息与信源原始信息之间存在一定误差，进而提升通信效率。聚焦语义通信研究，将语义通信在移动通信网络中的潜在用例梳理为四大类：第一类为信源在无线接入网络（RAN）可见，且信源信道联合编解码；第二类为信源在RAN不可见，且信道编解码利用了信源信息；第三类是信源在RAN不可见，且采用纯信源编解码；第四类为信源在RAN中可见，且采用纯信源编解码。进一步地，针对第一类用例开展仿真验证，剖析第二类用例的架构设计，分析不同分类语义通信面临的挑战及标准化影响，最终得出初步的研究建议，希望为语义通信的后续研究与标准化提供有益思路。
【关键词】语义通信；CSI压缩反馈；架构设计；AMC
doi:10.3969/j.issn.1006-1010.20250522-0001
中图分类号：TN92 文献标志码：A
文章编号：1006-1010(2025)07-0002-10
引用格式：周通,姜大洁,谭俊杰,等. 语义通信的用例、挑战与标准化影响浅析[J]. 移动通信, 2025,49(7): 2-11.
ZHOU Tong, JIANG Dajie, TAN Junjie, et al. A Survey of Semantic Communication: Use Cases, Open Challenges, and Standardization Trends[J]. Mobile Communications, 2025,49(7): 2-11.
0 引言
相较于追求比特级保真、无损传输的传统“语法”通信，语义通信允许信宿恢复的信息和信源的原始信息之间存在一定的误差，这其实也符合很多下游任务的需求，比如，即使图像存在一定的模糊，也不会影响使用者的整体观看体验。换言之，语义通信通过仅保真传输内容的含义和效用，即“语义”和“语用”，来减少传输不必要的冗余信息，实现通信效率的提升。为了实现这一目标，语义通信需要充分利用收发双方的先验知识，对传输内容进行高效和针对性的处理，保留和传输关键的语义信息。先验知识的体现形式是多样的，比如构建的知识库、神经网络的参数，甚至是已经完成传输信息的上下文相关性等。语义通信的基本流程如图1所示。在发端，信源产生的原始信息经过特征提取和信源信道联合编码后，映射到调制符号，由空口完成传输；在收端，从空口接收、解调的符号被送入信源信道联合译码和特征重构后，可恢复出原始信息或下游任务需要的信息。特征提取、信息重构以及调制解调可采用传统方法，如调制解调采用正交幅度调制（QAM, Quadrature Amplitude Modulation）星座，也可以用神经网络完成，端到端训练得到新的调制星座。当发端和收端的三个主要模块都由神经网络完成时，它们可合并成一个神经网络。比如，图中将发端的特征提取、信源信道联合编码和调制合并成编码器神经网络Encoder；将收端的解调、信源信道联合译码和特征重构合并成译码器神经网络Decoder。
在学术界的共同努力下，语义通信的增益空间和优势场景逐渐清晰，但当前第三代合作伙伴计划（3GPP, 3rd Generation Partnership Project）体系要怎样实现对语义通信的有效支持，以及如何满足多样化类型的语义通信的特定需求，仍是亟需解决的问题。
1 语义通信的用例分类
考虑到不同的语义通信在3GPP体系方面有不同需求，本节将先围绕语义通信的用例分类展开相关研究，以明确不同类别语义通信特征。如图3所示，本研究从两个关键维度对语义通信的用例进行了分类：其一为信源在无线接入网络（RAN, Radio Access Network）中是否可见；其二为信源编码与信道编码是否联合处理，或者说，信道编码时是否利用了信源的信息。
就第一个维度而言，诸如人类能够直接感知的音频、视频等信息，当把这些信息作为信源时，因为隐私和安全方面的考量，在RAN一般呈现为不可见的情况。然而，根据信道状态信息参考信号（CSI-RS, Channel State Information-Reference Signal）、解调参考信号（DMRS, Demodulation Reference Signal）和感知参考信号测量得到的信道相关信息，这类信源在RAN中是可见的。另一个维度是信源编解码和信道编解码是否联合处理。不联合处理是指信源编解码和信道编解码独立工作。而信源信道联合编解码是指信道编码时可以利用来自信源的信息。
第一类用例为信源在RAN可见，且采用信源信道联合编解码的情况，其典型用例是信道状态信息的压缩传输[4-7]。所谓CSI信息的压缩传输，是指将与信道相关的信息通过联合信源信道编码（JSCC, Joint Source-Channel Coding）的方式传送至接收端。如此一来，基站能够为用户设备（UE, User Equipment）分配更为适配的预编码矩阵或调制与编码策略（MCS, Modulation and Coding Scheme），进而提高UE的吞吐量。第二类用例为信源在RAN不可见，且信道编解码利用了信源信息情形。其典型用例为扩展现实（XR, Extended Reality）跨层优化用例[8-12]。此用例具体是指依据重要性程度，将XR数据包划分为I帧、P帧和B帧，随后在RAN侧依据不同的重要性指示对不同帧进行差异化处理。第三类用例是信源在RAN不可见，且采用纯信源编解码的情况，其典型用例包括音频压缩传输、视频压缩传输以及机器视觉任务[13]。其中，音频压缩传输是指针对音频信号，直接提取音色特征、文字内容以及情绪信息，随后将提取的这些信息传输至接收端。在接收端，将文字和情绪信息输入与特定个人对应的音色模型，进而合成高质量的音频信息。这一过程仅涉及纯信源编码，不仅能够在接收端获得高质量音频，还能大幅降低所需传输的数据量。而机器视觉任务则不直接传输原始视频信息，而仅需要从视频信息中提取与下游任务相关的特征信息。这样，在确保下游任务推理精度的前提下，可显著减少所需传输的数据量。第四类用例表现为信源在RAN中可见，且采用纯信源编解码技术。其典型应用案例包含感知数据的压缩传输。与第三类情况相类似，针对感知数据的压缩传输存在两种实现方式。其一，对感知数据进行特征信息提取，随后将所提取的特征信息传输至接收端。在接收端，依据这些特征信息对原始感知数据进行重构。其二，结合特定的感知下游任务，从感知数据中精准提取关键信息，并将其传输至接收端。通过这种方式，能够在确保感知下游任务精度的前提下，大幅降低数据传输量。
2 第一类：语义通信赋能CSI信息压缩传输
在第1节中，对语义通信的用例进行了分类。在本节中，将围绕第一类用例中的一个典型例子，即语义通信赋能CSI信息压缩传输开展深入探究。其中，2.1节聚焦于语义通信赋能CSI信息压缩反馈的研究；2.2节则围绕语义通信赋能自适应调制与编码（AMC, Adaptive Modulation and Coding）展开思考与探讨。
2.1 语义通信赋能CSI压缩反馈
当前，CSI压缩反馈主要涵盖三种方法，分别为传统的CSI压缩反馈、基于AI的CSI压缩反馈以及基于JSCC的CSI压缩反馈。
如图4所示，传统的CSI压缩反馈机制如下[14]：UE基于CSI-RS获取信道，进而确定预编码矩阵指示（PMI, Precoding Matrix Index），并将该PMI反馈至基站。基站在接收到PMI后，据此确定UE的预编码矩阵，并采用该预编码矩阵进行物理下行共享信道（PDSCH, Physical Downlink Shared Channel）的传输。与之对应的物理层处理流程如下：首先，将信道矩阵H进行压缩映射以得到PMI；随后，插入循环冗余校验（CRC, Cyclic Redundancy Check）码用于接收端的差错检测；接着，对数据进行信道编码以增强传输可靠性；之后，进行调制操作将数字信号转换为适合在信道中传输的信号形式；再插入导频信号用于接收端的信道估计；最后，由终端将处理后的数据发送出去。在接收端，接收信号首先经过信道估计和均衡处理，之后进行解调和信道译码，最终得到PMI。图6展示的是基于JSCC的CSI压缩反馈。该方案与基于AI的CSI压缩反馈相比，存在以下3个区别。首先，发射端的AI模型包含的功能不同。在基于AI的CSI压缩反馈中，AI模型的功能是将信道或者PMI压缩映射为bit流，而在基于JSCC的CSI压缩反馈中，AI模型的功能除了包括对信道信息的压缩映射，还包括信道编码，甚至还可以包括调制功能。其次，接收端的处理流程也不同。在基于AI的CSI压缩反馈中，AI模型的功能是将压缩的比特流重构为信道或者PMI。而在基于JSCC的CSI反馈压缩中，AI模型的功能除了包括将压缩的比特流重构为信道或者PMI，还包括信道译码，甚至还可以包括解调功能。最后，在传输内容方面，两种方案也可能存在差异。基于AI的CSI压缩反馈在步骤2传输的是经过压缩处理后的比特流，而基于JSCC的CSI压缩反馈在步骤2传输的可以是经过压缩处理后的比特流，或者是符号序列。
在图7中，两条蓝色虚线分别代表基于AI的CSI压缩反馈在不同调制方式下的情况，其中一条对应四相相移键控（QPSK, Quadrature Phase Shift Keying）调制方式，另一条则对应16进制正交幅度调制（16QAM, 16-ary Quadrature Amplitude Modulation）调制方式。而红色实线代表的是基于JSCC的CSI压缩反馈。实验结果显示，在低SNR区域，采用基于 JSCC的CSI压缩反馈方案能够有效提高余弦相似度平方（SGCS, Squared Generalized Cosine Similarity）这一指标。余弦相似度平方作为评价CSI压缩反馈性能的关键指标，其提升表明基于JSCC的方案在低SNR环境下具有更优的性能表现。
2.2 语义通信赋能AMC
AMC作为应对无线链路时变特性的关键技术，在无线通信领域扮演着至关重要的角色。在下行传输过程中，无线信道质量会受到多径衰落、阴影效应等多种因素的影响而呈现动态变化。为了确保数据传输能够高效且稳定地适应这种时变特性，基站会采用AMC技术。具体而言，基站会实时监测信道质量的变化情况，并依据监测结果动态调整数据传输策略。当信道质量较差时，由于信号传输过程中会受到较多干扰和噪声的影响，为保证数据传输的准确性和可靠性，基站会为下行传输分配较低的MCS等级。较低的MCS等级通常对应着较低的调制阶数和较低的编码速率，这样虽然数据传输速率相对较低，但能够有效降低误码率，提高传输的可靠性。而当信息质量较强时，则为下行传输分配较高的MCS等级，提升传输速率。
图8展示了现有AMC技术的基础流程。具体而言，UE首先依据信道状态信息参考信号CSI-RS进行测量，以获取当前的信道质量。通过这一测量过程，UE能够得到信道质量指示（CQI, Channel Quality Indicator）。随后，UE按照预先设定的周期，将所获取的CQI反馈给基站。基站在接收到UE反馈的CQI之后，依据既定的算法和规则确定合适的MCS。在确定MCS之后，基站使用该MCS进行PDSCH的数据传输。当UE接收到PDSCH传输的数据后，会采用CRC技术对数据进行校验。通过CRC校验，UE能够判断PDSCH传输是否正确。最后，UE根据CRC校验的结果，通过混合自动重传请求（HARQ, Hybrid Automatic Repeat reQuest）机制向基站反馈传输结果。如果CRC校验通过，表明传输正确，UE会发送肯定应答（ACK, Acknowledgment）；若CRC校验不通过，则表明传输存在错误，UE会发送否定应答（NACK, Negative Acknowledgment），请求基站重传数据。
在上述所描述的数据传输过程中，UE向基站反馈了两类关键信息，分别为CQI和HARQ。这两类反馈信息在无线通信系统的数据传输和资源管理中各自发挥着重要作用，但也存在一定的局限性。具体而言，CQI能够较为全面地反映子带或全带宽的SINR信息，为基站确定合适的MCS提供了重要依据。然而，从时延的角度考量，CQI的反馈周期通常被设置为几十毫秒甚至几百毫秒。这种相对较长的反馈周期是为了平衡系统开销和信道信息更新的及时性，但也导致了CQI所反映的信道状态可能与实际情况存在一定的偏差。此外，CQI是基于CSI-RS进行测量得到的，而PDSCH所分配的资源元素（RE, Resource Element）与CSI-RS并不相同。这就使得CQI所反映的信道质量和干扰情况可能与PDSCH实际传输时的情况不匹配，从而影响了基站根据CQI进行资源分配和MCS选择的准确性。反观HARQ反馈，它体现的是相对不完整的信道信息。具体来说，HARQ反馈仅能提供关于某个或某几个MCS下数据传输是否正确的概率信息。这种不完整性使得基站难以通过HARQ反馈全面了解当前信道的质量和干扰状况，从而在进行后续的MCS调整时存在一定的局限性。例如，当HARQ反馈显示某个MCS传输失败时，基站只能知道该MCS不适合当前信道条件，但无法确切知晓应该将MCS下调至哪个等级才是最合适的。针对非稀疏的业务，HARQ反馈的时效性较高，但对于稀疏业务，也可能存在信道信息过时问题。综上所述，CQI是一种较为完整但是过时的信道质量信息，且CQI测量基于CSI-RS，存在与PDSCH传输占用的时频资源不匹配问题；而HARQ是一种体现较实时但是不完整的信道质量信息。传统的AMC算法由于只能基于CQI和HARQ进行表格映射和累积调整等简单处理，导致为用户分配的MCS无法实时匹配信道质量的变化。
由于只能基于用户侧部分或过时的信道信息进行表格映射和累积调整等简单处理，传统的AMC算法无法实时为用户分配匹配信道质量变化的MCS。鉴于传统AMC算法的上述缺陷，目前无论是产业界还是学术界，均将研究重点投向了基于AI的AMC算法[16-20]。AMC的优化目标大致可以分为两种：一种是将用户数据传输的误块率（BLER, Block Error Rate）维持在一个目标值，例如10%；另一种是最大化吞吐量或频谱效率。假设Rl是MCS等级l对应的传输速率或频谱效率，pNACK,l是MCS等级l对应的传输错误概率，以最大化频谱效率为优化目标，则最优MCS l*为：如图9所示，语义通信为AMC赋能的详细流程如下：
步骤一：信道测量与概率获取
UE通过对CSI-RS或者PDSCH DMRS等进行测量，进而获取MCS的传错概率信息。
步骤二：信息编码与传输
UE将所获得的MCS的传错概率信息p作为信源，采用信源信道联合编码的方式，将其发送给基站。步骤三：信息解码与MCS确定
基站接收到信息后，进行信源信道联合解码以获取MCS的传错概率信息pNACK,l，并据此确定UE的MCS。具体操作方式包括如下之一：直接计算：依据公式(1)进行计算，从而得到最优MCS。
模型推理：将MCS的传错概率信息pNACK,l作为AI模型的输入，通过模型推理得出未来的最优MCS。模型监视：对当前AI模型的推理性能进行实时监视。
模型微调：把NACK概率信息作为标签数据，生成微调数据集，对基于仿真数据生成的AI模型进行微调，使其能够更好地适配现网的无线环境。
步骤四：数据传输
基站使用所分配的MCS进行PDSCH的数据传输。
步骤五：反馈信息
UE向基站反馈HARQ、CQI等信息。
语义通信赋能的AMC机制中，UE将MCS的NACK/ACK概率作为信源信息，采用JSCC编码后上传至基站。相较于传统仅依赖CQI和HARQ反馈的方案，该方法以可控的上行开销为代价，使基站能够获取最优MCS，从而实现系统吞吐量或频谱效率的最大化。
3 第二类：跨层设计的三种方式与分析
在第1节中，对语义通信的用例进行了细致分类。第2节则针对第一类用例——语义通信赋能CSI的压缩传输，开展了输入分析工作。而在本节，将聚焦于第二类用例展开深入研究。该类用例的特征为信源在RAN中不可见，且采用信源信道联合编解码方式。本节将重点剖析第二类用例的跨层设计。
现有研究提出的第二类用例跨层设计包含三种方案[21] 。下文针对这三个潜在的跨层设计方案，对其优势与挑战进行剖析。鉴于收发端存在对称性，故以发送端为代表进行阐述。方式1：Encoder放置于应用层。如图10所示，在这种方式下，原始信源数据经过语义提取转化为语义数据，进行信源信道联合编码，再执行加密过程得到加密数据，其中信道状态信息由物理层上报到应用层。加密数据经过服务数据自适应协议（SDAP, Service Data Adaptation Protocol）层、分组数据汇聚协议（PDCP, Packet Data Convergence Protocol）层和媒体访问控制（MAC, Media Access Control）层传到物理层，再通过无线信道传输到接收端。
方式2：Encoder中的信源信道联合编码放置于物理层。如图11所示，在这种方式下，应用层执行提取信源信息的语义，将提取之后的语义信息进行语义信息分组，以保留语义信息的重要性信息。假定采用特定的加密方式，加密之后不破坏语义相关性，将语义分组数据执行加密过程，得到加密数据。加密数据经过SDAP层、PDCP层和MAC层传到物理层。数据在物理层执行信源信道联合编码过程。编码数据经过调制和无线信道传输，传输至接收端。
方式3：Encoder中的信源编码和信道编码分离放置于应用层和物理层。如图12所示，在这种方式下，原始信源信息经过语义提取之后转化为语义数据，语义数据经过信源编码转化为编码数据。对编码数据执行语义信息分组，得到语义分组数据。对分组数据执行加密过程。加密数据经过SDAP层、PDCP层和MAC层传输至物理层，物理层再根据信源编码、加密之后数据的相关性及重要性，再结合CSI进行信道编码，再进行调制传输。在接收端，首先执行信道解码过程，解码数据经过MAC层、PDCP层、SDAP层传输至应用层，经过解密，得到语义分组数据，再执行语义信息重组，得到编码数据，再进行信源解码，得到语义数据，语义数据经过语义恢复过程从而恢复语义信息。
下文结合表3，分析3种的语义通信跨层设计的优势与挑战。
从应用层加密视角来看，方式1与方式3运用的是常规的破坏语义的加密手段，而方式2则需采用不破坏语义的特殊加密方法。由此可见，方式2面临的挑战主要体现在两个方面：其一，当前行业实践中，应用服务提供商普遍遵循将语义脱敏的密文数据传输至下层架构的技术路径。而应用层采用不破坏语义的加密算法，实质上重构了传统数据安全处理范式，进而对现有商业逻辑的可行性构成挑战；其二，当前暂时缺乏能够同时兼顾加密性能与信源信道联合编码性能的加密算法。
从信道信息角度看，方式1在应用层开展信道编码，这导致应用层使用的信道信息易过时。方式2和方式3在物理层进行信道编码，可利用的信道信息时效性强。所以，方式1面临的挑战有：应用层获取信道信息挑战商业逻辑；过时的信道信息限制了信源信道联合编码增益；应用层还需新的接口来交互信道信息。
从RAN获得的信息角度看，方式1获得的是无物理含义无重要性指示的加密数据，方式2获得的是保留语义信息的分组数据，方式3获得的是带有重要性指示的加密数据。
三种方式各有优势。方式1和方式2采用信源信道联合编码，相比方式3的信源信道分离编码，可获更高增益。方式2和方式3能使用更实时的信道信息。方式1和方式3在加密上较简便，无需特殊加密算法。
三种方式也各有挑战。方式1需在应用层获得信道信息，面临如下挑战有：其一，过时的信道信息限制了信源信道联合编码增益；其二，应用层需新增接口以交互信道信息。现有的通信系统架构是按照分层设计的，物理层和应用层之间有明确的分工和接口。若要让应用层获取信道信息，需要对整个系统架构进行调整，如在物理层和应用层之间添加新的通信接口和协议；其三，应用层获取信道信息挑战商业逻辑。在通信产业链中，物理层的信道信息通常由网络运营商或设备制造商掌握，而应用层的服务则由各类互联网公司提供。若前者提供信道信息却难以获得相应回报，会影响商业合作积极性。方式2需要特殊加密算法，面临的挑战包括：其一，应用层采用不破坏语义的加密算法会对商业逻辑构成挑战；其二，当前暂时缺乏能够同时兼顾加密性能与信源信道联合编码性能的加密算法。方式3因为信源信道分离编码，在一定程度上限制了增益。
总体而言，经过对三种方式的全面分析，可以发现方式3面临的挑战相较于方式1和方式2是最小的。无论是在商业逻辑适配、信息时效性利用还是编码增益等方面，方式3遇到的问题都相对较少且更易于解决。鉴于3GPP系统对技术的稳定性和兼容性有较高要求，方式3因其相对较低的复杂度和较小的挑战，最有希望在3GPP系统内获得应用。
4 语义通信的挑战
第3节探讨了第二类用例在三种跨层架构设计中的挑战。本节将重点从双端模型和隐私安全等维度，分析语义通信用例所面临的核心挑战。
（1）挑战1：双端模型对齐
第1节提到的语义通信用例大多是双端模式，因此双端模型对齐是首要挑战。R19的AI CSI压缩反馈用例也是双端模型，目前处于研究项目（SI, Study Item）阶段。若该用例在5G演进技术（5G-A, 5G-Advanced）研究中进入工作项目（WI, Work Item），该用例成为6G用例的希望也将更大；否则，会重现5G-A讨论双端模型时的问题。当下，3GPP 5G-A双端模型的讨论焦点主要集中在异厂商模型的对齐与配对问题上。具体涵盖两方面：一是异厂商模型应如何开展训练；二是异厂商模型怎样进行配对并实现联合推理。
（2）挑战2：用户隐私安全
第二类和第三类用例的信源是音频、视频、图像等，其中包含用户特定指纹模型（声音、人脸、身体）。一旦被不法分子获取用于伪造音视频，就会引发隐私安全问题。以音频压缩传输为例，若不法分子窃取了用户A的音色特征模型，便能够将诈骗文字输入该模型，生成具备用户A语音特色的诈骗音频，随后将其发送给用户A的亲人，进而实施诈骗行为，这无疑会引发严重的安全隐患。
（3）挑战3：增益评估
第四类用例（信源在RAN可见且只用信源编码，如感知数据压缩传输用例），目前的研究还是先考虑用非AI传统方法做压缩传输。基于AI的方案相比非AI方案的性能提升程度有待进一步评估。以3GPP的相关研究为参照，在技术路线的选择上，通常会遵循一定的优先级顺序。研究初期，往往优先聚焦于非AI的传统方案，在对传统方案进行充分探索和验证之后，才会把基于AI的方案纳入研究范畴。目前，学术界和产业界还处于传统方案的研究，对基于AI的感知数据压缩传输方案的关注度较低，相关研究成果十分有限。因此，基于AI的方案能否在实际应用中显著提升感知数据压缩传输的性能，以及性能提升的具体幅度，均有待开展系统、全面的研究和评估。
5 语义通信的标准化影响
当前，有关语义通信的相关文稿已提交至3GPP服务和系统1组（SA WG1/SA1, Service and System Aspects Working Group），且部分用例已被纳入SA1的研究报告[22]。不过，截至目前，语义通信在3GPP的标准化工作尚未启动。若未来语义通信于3GPP开展标准化进程，下文将阐述针对不同类别用例标准化影响的相关见解。在语义通信各用例的标准化工作里，不同类型用例面临着不同影响：
第一类用例（如CSI压缩传输），其标准化的主要影响体现在信号处理流程和测量量定义方面。例如，网络会向UE发送特定的配置信令。这些配置信令用于告知UE在CSI处理方面的操作选择。UE需要依据信令指示，决定是对CSI实施纯信源压缩，还是采用JSCC。
第二类用例（如XR跨层优化），标准化影响主要集中于网络侧对重要性指示的使用。例如，在数据传输过程中，可依据数据包的重要性，采用差异化的HARQ策略。具体而言，对于重要性较低的数据包，可考虑不进行重传操作。
第三类用例的标准化影响涵盖语义级别的传输校验。但对于信源在RAN不可见的用例，其标准化研究通常不在3GPP范畴内或不由3GPP主导。例如，属于动态图像专家组（MPEG, Moving Pictures Experts Group）的标准化范畴。
对于第四类用例，以感知数据压缩传输为例，在考量其标准化影响时，重点聚焦于纯信源压缩，以及语义级别的传输校验。在这一过程中，可参考3GPP范畴之外的相关研究成果，如MPEG所开展的标准化研究。与此同时，也可以结合3GPP的相关标准体系，综合分析其在信号处理流程以及测量量定义等方面可能产生的标准化影响。
6 结束语
相较于传统的无损“语法”通信，语义通信在不影响下游体验的情况下，允许信宿恢复信息与信源原始信息之间存在一定误差，以此提升通信效率。本文依据信源在RAN是否可见以及信源编码与信道编码是否结合，将语义通信在移动通信网络中的潜在用例梳理为四大类：第一类为信源在RAN可见，且信源信道联合编码；第二类为信源在RAN不可见，且信道编解码利用了信源信息；第三类是信源在RAN不可见，且采用纯信源编解码；第四类为信源在RAN中可见，且采用纯信源编解码。研究认为，第一类语义通信用例，即信源在RAN且采用信源信道联合编码的用例，在四类用例中最有潜力成为3GPP的6G研究用例。仿真结果表明，与基于AI的CSI压缩反馈相比，基于信源信道联合编码的CSI压缩反馈可在低信道比区域有效提升SGCS。对于第二类用例，我们判断方式三，也就是信源信道分离编码的方式，未来更有潜力被纳入3GPP的6G研究。
[1] Bourtsoulatze E, Kurka D B, Gunduz D. Deep Joint Source-Channel Coding for Wireless Image Transmission[J]. IEEE Transactions on Cognitive Communications and Networking, 2019,5(3): 567-579.
[2] Dai J, Wang S, Tan K, et al. Nonlinear Transform Source-Channel Coding for Semantic Communications[J]. IEEE Journal on Selected Areas in Communications, 2022,40(8): 2300-2316.
[3] Ke Yang, et al. SwinJSCC: Taming Swin Transformer for Deep Joint Source-Channel Coding[J]. IEEE Transactions on Cognitive Communications and Networking, 2025,11(1): 90 – 104
[4] OPPO. 基于信源信道联合编码的CSI反馈[R]. IMT-2030-Semantic_2024004, 2024.
[5] OPPO. 信道与无线环境语义通信_基于联合信源信道编码的CSI反馈[R]. IMT-2030-Semantic_2024036, 2024.
[6] 小米. 面向CSI反馈的信道估计与联合信源信道编码的联合设计[R]. IMT-2030-Semantic_2024056, 2024.
[7] 上海交通大学. 联合编码调制的数字CSI反馈语义通信系统[R]. IMT-2030-Semantic_2024043, 2024.
[8] 中国联通. 语义通信的典型应用场景[R]. IMT-2030-Semantic_2024016, 2024.
[9] 中国移动. 语义差异化传输与任务建立的思考[R]. IMT-2030-Semantic_2024034, 2024.
[10] 联想. 语义通信QoS保障和差异化传输的思考[R]. IMT-2030-Semantic_2024068, 2024.
[11] 中信科移动通信技术股份有限公司. 视频播放跳转处理方法、装置及可读存储介质: 中国，2023111877586[P]. 2025-03-14. http://epub.cnipa.gov.cn/Dxb/AdvancedQuery.
[12] IMT-2020(5G)推进组. 中信科移动完成IMT-2020(5G)推进组5G-A宽带实时交互测试[EB/OL]. (2024-12-13)[2025-6-24]. https://mp.weixin.qq.com/s/ok_CgnRMlJB6lNclEI0vfw.
[13] Ling-Yu Duan, et al. Video Coding for Machines: A Paradigm of Collaborative Compression and Intelligent Analytics[J]. IEEE Transactions on Image Processing, 2020,29: 8680-8695.
[14] 3GPP TS 38.214 V18.6.0. NR; Physical layer procedures for data (Release 18)[S]. 2025.
[15] 3GPP TR 38.843 V18.0.0. Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface(Release 18)[S]. 2023.
[16] Ericsson. How best to apply AI in the Intelligent RAN Automation [EB/OL].(2022)[2025-5-22]. https://www.ericsson.com/en/blog/2022/3/applying-ai-in-the-intelligent-ran-automation-for-innovation
[17] GTI. GTI 5G Autonomous Network White Paper[R]. 2022.
[18] Bobrov E, Kropotov D, Lu H, et al. Massive MIMO Adaptive Modulation and Coding Using Online Deep Learning Algorithm[J]. IEEE Communications Letters, 2022,26(4): 818-822
[19] 东南大学. 基于深度学习的子载波CQI反馈[R]. IMT-2030_WX_AI, 2023.
[20] 紫金山实验室&CMCC. 上行干扰预测与智能 AMC[R]. IMT-2030_WX_AI, 2024.
[21] 北京邮电大学. 语义通信跨层设计方案[R]. IMT-2030-Semantic_2024007, 2024.
[22] 3GPP TR 22.870 V0.3.1. Study on 6G Use Cases and Service Requirements (Release 20)[S]. 2025. ★
★原文刊发于《移动通信》2025年第7期★
作者简介周 通：毕业于北京邮电大学，现任职于维沃移动通信有限公司通信研究院，主要研究方向为6G内生AI、空口AI、AIaaS、语义通信等。
姜大洁：毕业于北京邮电大学，现任职于维沃移动通信有限公司通信研究院，主要研究方向为通感一体化、智能超表面、通信与AI融合等。
谭俊杰：毕业于电子科技大学，现任职于维沃移动通信有限公司通信研究院，主要研究方向为低功耗无线通信技术、AI赋能无线通信、6G空口物理层设计等。
许佳龙：毕业于北京交通大学，现任职于维沃移动通信有限公司通信研究院，主要研究方向为基于AI的信源信道联合编码、基于AI的物理层算法、语义通信等。
★往期推荐★汇总| 2025下半年专题征稿链接
《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。
来源：移动通信编辑部
