AirFM-DDA：面向AI原生6G的空口基础模型，在延迟-多普勒-角度域实现突破
随着大基础模型在AI领域的成功，学术界正将目光投向下一代通信系统——6G。近期，一篇题为《AirFM-DDA: Air-Interface Foundation Model in the Delay-Doppler-Angle Domain for AI-Native 6G》的论文（arXiv:2605.00020）提出了一种全新的空口基础模型，旨在为物理层设计提供通用且高效的AI解决方案。
现有方法的局限性
传统的无线信道模型通常工作在时空频（STF）域，在该域中，不同的多径分量天然叠加且结构纠缠，导致模型难以学习到通用的信道表征。此外，现有模型普遍依赖全局注意力机制，计算复杂度随序列长度呈平方增长，这在资源受限的通信场景中几乎不可行。
AirFM-DDA 的核心创新
针对上述问题，研究团队提出了 AirFM-DDA，其核心思路是将信道状态信息（CSI）从STF域重新参数化到延迟-多普勒-角度（DDA）域。在DDA域中，多径分量沿物理意义明确的轴（延迟、多普勒频移、到达角）被显式分离，从而为模型学习通用表征提供了更清晰的结构。
模型架构方面，AirFM-DDA 采用了窗口注意力机制，并辅以帧结构感知位置编码（FS-PE）。窗口注意力能够捕捉多径分量中天然存在的局部聚类依赖关系，同时避免了全局注意力的二次复杂度；FS-PE则将帧结构的先验知识注入网络，进一步提升了模型对通信帧结构的理解能力。
性能与效率的显著提升
实验结果表明，AirFM-DDA 在零样本泛化方面表现突出——即便在未见过的场景和数据集上，它也能在信道预测和估计任务中一致超越基线方法。更重要的是，与全局注意力相比，其窗口注意力机制将训练和推理成本降低了近一个数量级。
此外，模型在高移动性、大延迟扩展、严重噪声以及极端混叠条件下依然保持鲁棒性，这使其有望应用于高速铁路、无人机通信等严苛场景。
对6G AI原生设计的启示
AirFM-DDA 的提出标志着无线基础模型从概念走向实际的关键一步。通过将物理层先验（如多径结构、帧格式）融入模型设计，而非依赖纯数据驱动的方法，研究展示了“AI原生”设计的潜力——即AI与通信系统深度耦合，而非简单叠加。
未来，该团队的工作可能进一步拓展到多用户MIMO、波束管理、资源调度等更广泛的物理层任务，为6G网络的智能化提供坚实底座。