AI 能造出更接近香农极限的译码器吗从 Berrou 1993 年那个 0.7 dB 说起聊聊深度学习在信道译码这件事上到底做到了什么、没做到什么、以及真正的机会在哪。目录引子第一章 先划一条硬边界香农极限是数学墙第二章 那 0.7 dB 的账本还剩多少可以抢第三章 AI 已经做到什么第四章 五座大山为什么 AI 还没赢第五章 真正的机会在别处第六章 一个被忽略的关键译码器不需要标准化第七章 补个基础0.7 dB 是怎么算出来的第八章 3GPP 进度与时间表第九章 判断与展望附录 关键公式速查引子一个诱人的问题2016 年特拉维夫大学的一篇论文让通信圈兴奋了一阵把 LDPC 的迭代译码展开成神经网络让权重可学习短码上比标准算法好了将近 1 dB。于是很自然的问题来了既然深度学习能下围棋、能写文章、能预测蛋白质结构那它能不能造出一个更逼近香农极限的译码器这个问题值得认真回答。答案是能抢回一点但空间很小—— 而且真正的机会不在大多数人以为的地方。第一章 先划一条硬边界香农极限是数学墙讨论之前必须先明确一件事。香农极限不是目前的工程水平是一条数学上不可跨越的墙。香农定理有两个方向经常被混淆正定理能做到只要速率 R C就存在某个码使误码率小于任意给定的 ε。逆定理做不到—— 这个更狠如果 R C那么任何编码、任何复杂度、任何译码算法误码率都有一个大于 0 的下界。注意逆定理的措辞任何译码算法。它说的是物理上不可能不是我们还没找到好算法。所以不存在任何译码器 —— AI 的也不行 —— 能在低于容量的信噪比上做到误码率趋近 0。那问题只能问成还能往墙再挤近多少第二章 那 0.7 dB 的账本还剩多少可以抢香农定理说的是 N → ∞。真实系统码长有限有个精确的修正项 ——有限码长理论Polyanskiy、Poor、Verdú2010┌──────────────────────┐ R ≈ C − √(V/N) · Q⁻¹(ε) └───┬────┘ 有限码长惩罚 按 1/√N 缩小其中 V 是信道散度channel dispersion衡量信道的不确定性。代入 Berrou 1993 的条件码率 R 1/2 码长 N 65536 目标误码 ε 10⁻⁵ 信道 AWGN算出来√(V/N) · Q⁻¹(10⁻⁵) ≈ 0.0147 bit/符号 换算成 SNR ≈ 0.17 dB拆开那 0.7 dB0.7 dB 0.17 dB 0.53 dB └─┬──┘ └─┬──┘ 有限码长下限 码与译码算法的 数学的谁 次优性 也减不掉 这是可以抢的结论AI 能抢的理论上限大约只有半个 dB。再往下就不是工程问题是数学了。这个数字很重要 —— 它把AI 能不能超越这个模糊问题变成了一个有边界的工程问题。而且这半个 dB还得在下面五座大山下抢。第三章 AI 已经做到什么先说真实进展这些不是吹的。方向代表工作成果状态神经 BP 译码Nachmani 等2016特拉维夫大学把 BP 迭代展开成网络学权重短码上相对标准 BP 提升 0.5~1 dB论文神经 Polar 译码多篇2017-2020短块上接近 MAP 最优论文端到端自编码器O’Shea Hoydis2017联合学调制编码简单信道上打平经典方案论文AI 设计码字强化学习搜 Tanner 图 / 交织器离线搜索零运行时成本论文最务实CSI 压缩反馈3GPP Rel-18AI 压缩信道状态信息⭐已进标准所谓神经 BP到底做了什么标准 BP 迭代第 1 轮变量节点 → 校验节点 → 变量节点 第 2 轮重复 ... 第 L 轮判决关键观察每一轮的结构是一样的只是轮数不同。神经 BP 的做法是把它展开第 1 轮 ──→ 第 2 轮 ──→ ... ──→ 第 L 轮 ↑ ↑ ↑ 权重 w₁ 权重 w₂ 权重 w_L每一轮的边都有自己的可学习权重然后用大量样本训练。本质上不假设标准 BP 的更新规则是最优的让数据告诉我们每一条边该有多可信。这个思路很聪明在短码上确实有效 —— 因为短码的 Tanner 图有大量短环标准 BP 的独立性假设失效了而学习的权重能部分补偿这一点。但要诚实在 AWGN 中长码这个主战场上截至目前还没有一个神经译码器能稳定打败调参到位的经典 LDPC/Polar 译码器。论文里的增益大多出现在短码—— 也就是经典编码理论本来就弱的地方。第四章 五座大山为什么 AI 还没赢① 组合爆炸K 个信息位 → 2^K 个合法码字 K 1000 → 2¹⁰⁰⁰ K 84485G LDPC 最大 → 天文数字神经网络不可能记住这个集合只能学会结构。而问题在于经典译码器已经把结构利用得很好了。min-sum、BCJR 这些算法本身就是对码结构的高效近似推理。AI 要超越得发现人类没发现的规律 —— 不是不可能但很难。② 过拟合到训练信噪比 ⭐ 最要命在 Eb/N0 2 dB 训练的神经译码器 → 在 2 dB 表现很好 → 在 0.5 dB 或 5 dB 可能直接崩掉而真实系统要在 −10 dB 到 30 dB 的范围内工作。选项每个 SNR 训一个模型 → 几十个模型存储爆炸把 SNR 作为输入条件 → 增加学习难度且泛化仍不保证③ 长码泛化不了在 N128 上训好的网络用到 N1024 基本失效。每换一个码长就得重训。而 5G 标准里有几十种码长/码率组合每种都要训、要存、要验证。④ 没有性能保证工程上很难接受经典译码器可以分析错误平层给出性能下界 神经译码器通常在 10⁻⁵但偶尔会莫名其妙地炸通信系统关心的是10⁻⁹ 甚至更低的误码率。“99.9% 的时候很好但有万分之一概率整块崩掉” —— 这种东西没法验收。而且这里有个死结要验证 10⁻⁹ 的误码率蒙特卡洛需要 10¹¹ 比特 → 仿真根本跑不动 → 无法验证 → 不敢用⑤ 算力与功耗经典 min-sum 加法、比较、取最小值 —— 极便宜 神经网络 百万次乘累加 ———— 贵几个数量级译码器是每秒要处理几亿个 LLR 的模块。这是它的宿命。手机里跑神经网络译码器直接掉电。第五章 真正的机会在别处如果只盯着在 AWGN 上打败经典译码器那格局小了。① 非 AWGN / 未知信道 ⭐ 最大机会这是最重要的一点值得展开。经典译码器的最优性是建立在假设之上的假设噪声是高斯的、信道估计是完美的、同步是无误的真实世界✗ 邻区干扰 —— 不是高斯的 ✗ 功放非线性失真 ✗ 相位噪声 ✗ 廉价射频器件的 IQ 失衡 ✗ 脉冲噪声 ✗ 信道估计本身就有误差 ✗ 硬件损伤在这些情况下经典译码器已经不再最优了 —— 因为它对信道的假设是错的。而 AI 有一个经典方法没有的能力它可以从数据里学到真实的信道特性而不需要人类先把模型建对。这才是 AI 在物理层最大的价值不是超越已知模型下的最优而是在模型本身就不准的地方补位。在毫米波、超低成本 IoT 器件、非授权频段Wi-Fi/5G 共存、干扰复杂上这个价值尤其大。② 短码块URLLC、IoT经典 LDPC 在短块上Tanner 图小 → 短环多 → 迭代很快陷入自循环 经典 Polar 在短块上码长不够极化根本来不及发生短块是经典编码理论的软肋。而 5G 的 URLLC超可靠低时延通信、6G 的物联网场景正好需要短码块。AI 在这里已经证明有真实增益。③ 联合优化整条接收链现在的接收机是分块设计的信道估计 → 均衡 → 解映射 → 解交织 → 译码 每一块各自最优但联合起来不一定最优这是工程上的必然 —— 联合优化太复杂没人能解析求解。AI 可以端到端地把整条链一起学。这在经典框架下做不到。④ 离线码设计 ⭐ 最务实用 AI 搜索更好的 - LDPC 的 Tanner 图结构 / 度分布 - Polar 的冻结位选择 - Turbo 的交织器 - 打孔图样这个方向最可能被产业界接受理由很简单搜索在离线做服务器上跑几天 跑出来的还是经典码 经典译码器 → 终端芯片一行代码都不用改 → 功耗不变 → 风险为零用 AI 做设计工具而不是做运行时组件—— 这是当下性价比最高的路线。⑤ 已落地CSI 压缩3GPP Rel-18AI 压缩信道状态反馈这是 5G-Advanced 里真正标准化了的 AI 应用。它不是译码但它证明了一件事AI 进 3GPP 标准是可行的。第六章 一个被忽略的关键译码器不需要标准化这一章可能是全文最反直觉、也最重要的一节。发射端和接收端地位完全不对称编码端发射 必须标准化 否则基站发的包手机看不懂 译码端接收 不需要标准化 厂商怎么做都行只要能解出来这意味着AI 译码器不需要等 3GPP 开完会。它可以悄悄进你的手机。实际上这事一直在发生各家芯片厂商的接收机里早就塞满了 proprietary 的秘方- 更聪明的迭代调度顺序 - 动态提前终止省电 - 混合算法BP 排序统计译码兜底 - 针对特定信道的补偿表 - 针对自家射频前端的联合调参这些都是非标准的接收机增强从来不需要写进标准。AI 只是这套军备竞赛的下一步。所以 AI 译码器会长什么样不会是“3GPP 宣布 Rel-20 采用神经网络译码器”而会是“某家手机在弱信号下突然好了 1 dB拆机发现基带里多了个 NPU”第七章 补个基础0.7 dB 是怎么算出来的既然全文围绕这个数字把它的来历讲清楚。仿真是纯软件的蒙特卡洛Berrou 1993 年没有用任何真实硬件。整个链路用数学模型模拟真实 比特 → 编码 → 调制 → 天线 → 电磁波 → 噪声 → 天线 → 解调 → 译码 ↑ 仿真 比特 → 编码 → 调制 → 人工高斯噪声 → 解调 → 译码 ↑ 伪随机数发生器造出来为什么敢这么干因为 AWGN 信道的数学模型是精确的。y s n就是信道的全部。今天 5G/Wi-Fi 标准制定第一步也全是链路级仿真。标准里每条性能曲线都是这么跑出来的 —— 先仿真、后流片。仿真十步forEbN0_dBin[0.0,0.3,0.5,0.7,1.0,1.5,2.0]:① 生成随机比特 urandint(0,2,N)N65536② Turbo 编码 → 3N196608bit母码1/3 ③ 打孔到 rate1/2→ 2N131072bit ④ BPSK 调制0→1,1→−1幅度 ±1⑤ 算噪声强度 σ1/√(Eb/N0)← 关键公式 ⑥ 加人工噪声 ysrandn(0,σ)⑦ 解映射算 LLR LLR2y/σ² ⑧ Turbo 译码 两个 BCJR 迭代18次 ⑨ 逐位比对 数译错的 bit 数 → BER ⑩ 重复足够多次直到统计可信关键公式怎么造出指定信噪比的噪声设定信息位 N 个 码率 1/2 → 发出 2N 个符号 符号幅度 ±1 → 每个符号能量 Es 1 每比特能量 Eb Es / R 1/0.5 2 噪声 n ~ N(0, σ²) 噪声谱密度 N0 2σ² 标准约定推导Eb 2 1 ── ────── ─── → σ² 1/(Eb/N0) N0 2σ² σ² σ 1/√(Eb/N0)代入 0.7 dBEb/N0 10^0.07 1.175 σ² 1/1.175 0.851 σ 0.923这个数字有多吓人信号幅度 ±1 噪声标准差0.923噪声几乎和信号一样大。收到的波形肉眼看就是一团噪声。算一下不编码在这个信道下的误码率BER Q(1/σ) Q(1.084) 0.139原始误码率 14% —— 每 7 个比特错 1 个。而 Turbo 码迭代 18 次后做到 10⁻⁵。从 14% 到 0.001%这就是 Turbo 码那年干的事。三步算出 0.7 dB第一步算理论墙2^(2R) − 1 Eb/N0 ────────── 2R R 1/2: (2¹ − 1)/1 1 0 dB ← 香农极限第二步读仿真曲线画出 BER vs Eb/N0 曲线找到穿过 10⁻⁵ 的那一点BER 10⁰ │● │ ● 10⁻²│ ● │ ● 10⁻⁴│ ● │ ●● 10⁻⁵│───────●──────── ← Turbo 曲线在这里穿过 │ ●●● └──┬────┬────┬───▶ Eb/N0 (dB) 0 0.7 1.5 ↑ 读出 0.7 dB第三步相减0.7 dB实测 − 0 dB香农极限 0.7 dB它值多少10^(0.7/10) 1.175 → Turbo 只比理论最省多花 17.5% 的功率对比同期方案方案rate 1/2BER10⁻⁵需要 Eb/N0距香农极限香农极限0 dB0Turbo 19930.7 dB0.7 dB⭐当时的卷积码K7约 4~5 dB约 4~5 dB不编码 BPSK9.6 dB9.6 dB10^(3.8/10) 2.4 倍 → Turbo 比老方案省了 2.4 倍功率但要注意它是一组参数的产物0.7 dB 不是 Turbo 码的固有属性参数值码率1/2码长 N65536很长迭代次数18目标 BER10⁻⁵信道AWGN改任何一个数字就变。码长越短、迭代越少差距越大。仿真的局限局限说明低 BER 跑不动验证 10⁻⁹ 要跑 10¹¹ 比特不可能。错误平层只能靠理论分析只信 AWGN真实信道有衰落、多径、干扰RNG 质量伪随机数不理想结果会偏实现损耗仿真用浮点芯片用定点量化LLR 量化 6~8 bit→ 实际差 0.2~0.5 dB理想同步仿真假设定时/频偏完美真实系统还要扣损耗所以仿真 0.7 dB芯片做出来通常是 1.0~1.5 dB。这个差值叫实现损耗。第八章 3GPP 进度与时间表版本AI/ML 相关Rel-185G-Advanced立项 “AI/ML for NR Air Interface”落地三项CSI 压缩、波束管理、定位Rel-19扩展上述用例开始讨论 AI 接收机Rel-20 / 6G大概率把AI 原生空口作为核心议题AI 译码器目前还在研究阶段没有进标准。但因为第六章说的原因接收端不需要标准化这不代表它没在被用。第九章 判断与展望短期现在 ~ 2030AI 不会在 AWGN 中长码这个主战场取代 LDPC/Polar。但会用在✓ 短码块URLLC / IoT ✓ 非理想信道下的补偿 ✓ 接收机里那些经典理论没建模的脏活 ✓ 离线码设计中期6G可能发生的是AI 原生的联合设计- 编码、调制、波形一起用 AI 设计 - 不再区分编解码器和调制解调器 - 端到端优化这对经典范式是颠覆性的但离落地还很远 ——因为标准、互操作性、可验证性这三关都没有答案。永远不变香农极限是墙。AI 能让我们贴得更近但穿不过去。一个更根本的判断回顾整个信道编码史会发现一个规律怎么来的理论完备吗LDPC1960纯数学推导✅ 发表即有证明但等了 45 年才有算力Turbo1993直觉 试出来❌ 发表时只有仿真6 年后才被解释清楚Polar2008纯数学推导✅ 严格证明达到容量Turbo 码是先实验后理论的罕见案例—— Berrou 自己一开始都不敢相信结果以为仿真有 bug。而 AI 正在把这种模式重新带回来不追求先推导出最优解而是让数据告诉我们什么有效。代价是我们不完全理解它为什么有效也就没法给出保证。对通信系统这种错了会掉线的领域缺乏保证本身可能比那 0.5 dB 的增益更贵。附录 关键公式速查香农容量实 AWGNC ½ · log₂(1 SNR) [bit/信道使用]香农极限换算成每比特能量2^(2R) − 1 Eb/N0 ────────── 2R R 1/2 → 0 dB R → 0 → ln2 −1.59 dB终极极限有限码长修正R ≈ C − √(V/N) · Q⁻¹(ε) N 65536, ε 10⁻⁵, AWGN, rate 1/2 → 惩罚约 0.17 dB仿真中噪声怎么造σ² 1/(Eb/N0) Eb/N0 用线性值 σ 1/√(Eb/N0) Eb/N0 0.7 dB 1.175 → σ 0.923未编码 BPSK 误码率BER Q(√(2·Eb/N0)) BER 10⁻⁵ 需要 Eb/N0 9.6 dBdB 换算成功率倍数倍数 10^(ΔdB/10) 0.7 dB → 1.175 倍 3.8 dB → 2.4 倍 8.9 dB → 7.8 倍全文一句话总结AI 能做出更接近香农极限的译码器但空间只有约 0.5 dB —— 剩下的 0.17 dB 是有限码长的数学下限谁也拿不走。在主战场AWGN 中长码上AI 目前还没打赢经典译码器面前有五座大山组合爆炸、SNR 过拟合、长码泛化、缺乏保证、算力功耗。真正的机会在别处短码块、非高斯/未知信道、整条接收链的联合优化 —— 以及最务实的用 AI 离线设计更好的码终端一行代码都不用改。而最关键的一点是译码器在接收端不需要标准化。所以 AI 译码器不会等 3GPP 开完会才出现 —— 它会以某家手机在弱信号下突然好了 1 dB的方式悄悄到来。至于香农极限 —— 那是墙。AI 能让我们贴得更近但穿不过去。 AI 能造出更接近香农极限的译码器吗？
AI 能造出更接近香农极限的译码器吗从 Berrou 1993 年那个 0.7 dB 说起聊聊深度学习在信道译码这件事上到底做到了什么、没做到什么、以及真正的机会在哪。目录引子第一章 先划一条硬边界香农极限是数学墙第二章 那 0.7 dB 的账本还剩多少可以抢第三章 AI 已经做到什么第四章 五座大山为什么 AI 还没赢第五章 真正的机会在别处第六章 一个被忽略的关键译码器不需要标准化第七章 补个基础0.7 dB 是怎么算出来的第八章 3GPP 进度与时间表第九章 判断与展望附录 关键公式速查引子一个诱人的问题2016 年特拉维夫大学的一篇论文让通信圈兴奋了一阵把 LDPC 的迭代译码展开成神经网络让权重可学习短码上比标准算法好了将近 1 dB。于是很自然的问题来了既然深度学习能下围棋、能写文章、能预测蛋白质结构那它能不能造出一个更逼近香农极限的译码器这个问题值得认真回答。答案是能抢回一点但空间很小—— 而且真正的机会不在大多数人以为的地方。第一章 先划一条硬边界香农极限是数学墙讨论之前必须先明确一件事。香农极限不是目前的工程水平是一条数学上不可跨越的墙。香农定理有两个方向经常被混淆正定理能做到只要速率 R C就存在某个码使误码率小于任意给定的 ε。逆定理做不到—— 这个更狠如果 R C那么任何编码、任何复杂度、任何译码算法误码率都有一个大于 0 的下界。注意逆定理的措辞任何译码算法。它说的是物理上不可能不是我们还没找到好算法。所以不存在任何译码器 —— AI 的也不行 —— 能在低于容量的信噪比上做到误码率趋近 0。那问题只能问成还能往墙再挤近多少第二章 那 0.7 dB 的账本还剩多少可以抢香农定理说的是 N → ∞。真实系统码长有限有个精确的修正项 ——有限码长理论Polyanskiy、Poor、Verdú2010┌──────────────────────┐ R ≈ C − √(V/N) · Q⁻¹(ε) └───┬────┘ 有限码长惩罚 按 1/√N 缩小其中 V 是信道散度channel dispersion衡量信道的不确定性。代入 Berrou 1993 的条件码率 R 1/2 码长 N 65536 目标误码 ε 10⁻⁵ 信道 AWGN算出来√(V/N) · Q⁻¹(10⁻⁵) ≈ 0.0147 bit/符号 换算成 SNR ≈ 0.17 dB拆开那 0.7 dB0.7 dB 0.17 dB 0.53 dB └─┬──┘ └─┬──┘ 有限码长下限 码与译码算法的 数学的谁 次优性 也减不掉 这是可以抢的结论AI 能抢的理论上限大约只有半个 dB。再往下就不是工程问题是数学了。这个数字很重要 —— 它把AI 能不能超越这个模糊问题变成了一个有边界的工程问题。而且这半个 dB还得在下面五座大山下抢。第三章 AI 已经做到什么先说真实进展这些不是吹的。方向代表工作成果状态神经 BP 译码Nachmani 等2016特拉维夫大学把 BP 迭代展开成网络学权重短码上相对标准 BP 提升 0.5~1 dB论文神经 Polar 译码多篇2017-2020短块上接近 MAP 最优论文端到端自编码器O’Shea Hoydis2017联合学调制编码简单信道上打平经典方案论文AI 设计码字强化学习搜 Tanner 图 / 交织器离线搜索零运行时成本论文最务实CSI 压缩反馈3GPP Rel-18AI 压缩信道状态信息⭐已进标准所谓神经 BP到底做了什么标准 BP 迭代第 1 轮变量节点 → 校验节点 → 变量节点 第 2 轮重复 ... 第 L 轮判决关键观察每一轮的结构是一样的只是轮数不同。神经 BP 的做法是把它展开第 1 轮 ──→ 第 2 轮 ──→ ... ──→ 第 L 轮 ↑ ↑ ↑ 权重 w₁ 权重 w₂ 权重 w_L每一轮的边都有自己的可学习权重然后用大量样本训练。本质上不假设标准 BP 的更新规则是最优的让数据告诉我们每一条边该有多可信。这个思路很聪明在短码上确实有效 —— 因为短码的 Tanner 图有大量短环标准 BP 的独立性假设失效了而学习的权重能部分补偿这一点。但要诚实在 AWGN 中长码这个主战场上截至目前还没有一个神经译码器能稳定打败调参到位的经典 LDPC/Polar 译码器。论文里的增益大多出现在短码—— 也就是经典编码理论本来就弱的地方。第四章 五座大山为什么 AI 还没赢① 组合爆炸K 个信息位 → 2^K 个合法码字 K 1000 → 2¹⁰⁰⁰ K 84485G LDPC 最大 → 天文数字神经网络不可能记住这个集合只能学会结构。而问题在于经典译码器已经把结构利用得很好了。min-sum、BCJR 这些算法本身就是对码结构的高效近似推理。AI 要超越得发现人类没发现的规律 —— 不是不可能但很难。② 过拟合到训练信噪比 ⭐ 最要命在 Eb/N0 2 dB 训练的神经译码器 → 在 2 dB 表现很好 → 在 0.5 dB 或 5 dB 可能直接崩掉而真实系统要在 −10 dB 到 30 dB 的范围内工作。选项每个 SNR 训一个模型 → 几十个模型存储爆炸把 SNR 作为输入条件 → 增加学习难度且泛化仍不保证③ 长码泛化不了在 N128 上训好的网络用到 N1024 基本失效。每换一个码长就得重训。而 5G 标准里有几十种码长/码率组合每种都要训、要存、要验证。④ 没有性能保证工程上很难接受经典译码器可以分析错误平层给出性能下界 神经译码器通常在 10⁻⁵但偶尔会莫名其妙地炸通信系统关心的是10⁻⁹ 甚至更低的误码率。“99.9% 的时候很好但有万分之一概率整块崩掉” —— 这种东西没法验收。而且这里有个死结要验证 10⁻⁹ 的误码率蒙特卡洛需要 10¹¹ 比特 → 仿真根本跑不动 → 无法验证 → 不敢用⑤ 算力与功耗经典 min-sum 加法、比较、取最小值 —— 极便宜 神经网络 百万次乘累加 ———— 贵几个数量级译码器是每秒要处理几亿个 LLR 的模块。这是它的宿命。手机里跑神经网络译码器直接掉电。第五章 真正的机会在别处如果只盯着在 AWGN 上打败经典译码器那格局小了。① 非 AWGN / 未知信道 ⭐ 最大机会这是最重要的一点值得展开。经典译码器的最优性是建立在假设之上的假设噪声是高斯的、信道估计是完美的、同步是无误的真实世界✗ 邻区干扰 —— 不是高斯的 ✗ 功放非线性失真 ✗ 相位噪声 ✗ 廉价射频器件的 IQ 失衡 ✗ 脉冲噪声 ✗ 信道估计本身就有误差 ✗ 硬件损伤在这些情况下经典译码器已经不再最优了 —— 因为它对信道的假设是错的。而 AI 有一个经典方法没有的能力它可以从数据里学到真实的信道特性而不需要人类先把模型建对。这才是 AI 在物理层最大的价值不是超越已知模型下的最优而是在模型本身就不准的地方补位。在毫米波、超低成本 IoT 器件、非授权频段Wi-Fi/5G 共存、干扰复杂上这个价值尤其大。② 短码块URLLC、IoT经典 LDPC 在短块上Tanner 图小 → 短环多 → 迭代很快陷入自循环 经典 Polar 在短块上码长不够极化根本来不及发生短块是经典编码理论的软肋。而 5G 的 URLLC超可靠低时延通信、6G 的物联网场景正好需要短码块。AI 在这里已经证明有真实增益。③ 联合优化整条接收链现在的接收机是分块设计的信道估计 → 均衡 → 解映射 → 解交织 → 译码 每一块各自最优但联合起来不一定最优这是工程上的必然 —— 联合优化太复杂没人能解析求解。AI 可以端到端地把整条链一起学。这在经典框架下做不到。④ 离线码设计 ⭐ 最务实用 AI 搜索更好的 - LDPC 的 Tanner 图结构 / 度分布 - Polar 的冻结位选择 - Turbo 的交织器 - 打孔图样这个方向最可能被产业界接受理由很简单搜索在离线做服务器上跑几天 跑出来的还是经典码 经典译码器 → 终端芯片一行代码都不用改 → 功耗不变 → 风险为零用 AI 做设计工具而不是做运行时组件—— 这是当下性价比最高的路线。⑤ 已落地CSI 压缩3GPP Rel-18AI 压缩信道状态反馈这是 5G-Advanced 里真正标准化了的 AI 应用。它不是译码但它证明了一件事AI 进 3GPP 标准是可行的。第六章 一个被忽略的关键译码器不需要标准化这一章可能是全文最反直觉、也最重要的一节。发射端和接收端地位完全不对称编码端发射 必须标准化 否则基站发的包手机看不懂 译码端接收 不需要标准化 厂商怎么做都行只要能解出来这意味着AI 译码器不需要等 3GPP 开完会。它可以悄悄进你的手机。实际上这事一直在发生各家芯片厂商的接收机里早就塞满了 proprietary 的秘方- 更聪明的迭代调度顺序 - 动态提前终止省电 - 混合算法BP 排序统计译码兜底 - 针对特定信道的补偿表 - 针对自家射频前端的联合调参这些都是非标准的接收机增强从来不需要写进标准。AI 只是这套军备竞赛的下一步。所以 AI 译码器会长什么样不会是“3GPP 宣布 Rel-20 采用神经网络译码器”而会是“某家手机在弱信号下突然好了 1 dB拆机发现基带里多了个 NPU”第七章 补个基础0.7 dB 是怎么算出来的既然全文围绕这个数字把它的来历讲清楚。仿真是纯软件的蒙特卡洛Berrou 1993 年没有用任何真实硬件。整个链路用数学模型模拟真实 比特 → 编码 → 调制 → 天线 → 电磁波 → 噪声 → 天线 → 解调 → 译码 ↑ 仿真 比特 → 编码 → 调制 → 人工高斯噪声 → 解调 → 译码 ↑ 伪随机数发生器造出来为什么敢这么干因为 AWGN 信道的数学模型是精确的。y s n就是信道的全部。今天 5G/Wi-Fi 标准制定第一步也全是链路级仿真。标准里每条性能曲线都是这么跑出来的 —— 先仿真、后流片。仿真十步forEbN0_dBin[0.0,0.3,0.5,0.7,1.0,1.5,2.0]:① 生成随机比特 urandint(0,2,N)N65536② Turbo 编码 → 3N196608bit母码1/3 ③ 打孔到 rate1/2→ 2N131072bit ④ BPSK 调制0→1,1→−1幅度 ±1⑤ 算噪声强度 σ1/√(Eb/N0)← 关键公式 ⑥ 加人工噪声 ysrandn(0,σ)⑦ 解映射算 LLR LLR2y/σ² ⑧ Turbo 译码 两个 BCJR 迭代18次 ⑨ 逐位比对 数译错的 bit 数 → BER ⑩ 重复足够多次直到统计可信关键公式怎么造出指定信噪比的噪声设定信息位 N 个 码率 1/2 → 发出 2N 个符号 符号幅度 ±1 → 每个符号能量 Es 1 每比特能量 Eb Es / R 1/0.5 2 噪声 n ~ N(0, σ²) 噪声谱密度 N0 2σ² 标准约定推导Eb 2 1 ── ────── ─── → σ² 1/(Eb/N0) N0 2σ² σ² σ 1/√(Eb/N0)代入 0.7 dBEb/N0 10^0.07 1.175 σ² 1/1.175 0.851 σ 0.923这个数字有多吓人信号幅度 ±1 噪声标准差0.923噪声几乎和信号一样大。收到的波形肉眼看就是一团噪声。算一下不编码在这个信道下的误码率BER Q(1/σ) Q(1.084) 0.139原始误码率 14% —— 每 7 个比特错 1 个。而 Turbo 码迭代 18 次后做到 10⁻⁵。从 14% 到 0.001%这就是 Turbo 码那年干的事。三步算出 0.7 dB第一步算理论墙2^(2R) − 1 Eb/N0 ────────── 2R R 1/2: (2¹ − 1)/1 1 0 dB ← 香农极限第二步读仿真曲线画出 BER vs Eb/N0 曲线找到穿过 10⁻⁵ 的那一点BER 10⁰ │● │ ● 10⁻²│ ● │ ● 10⁻⁴│ ● │ ●● 10⁻⁵│───────●──────── ← Turbo 曲线在这里穿过 │ ●●● └──┬────┬────┬───▶ Eb/N0 (dB) 0 0.7 1.5 ↑ 读出 0.7 dB第三步相减0.7 dB实测 − 0 dB香农极限 0.7 dB它值多少10^(0.7/10) 1.175 → Turbo 只比理论最省多花 17.5% 的功率对比同期方案方案rate 1/2BER10⁻⁵需要 Eb/N0距香农极限香农极限0 dB0Turbo 19930.7 dB0.7 dB⭐当时的卷积码K7约 4~5 dB约 4~5 dB不编码 BPSK9.6 dB9.6 dB10^(3.8/10) 2.4 倍 → Turbo 比老方案省了 2.4 倍功率但要注意它是一组参数的产物0.7 dB 不是 Turbo 码的固有属性参数值码率1/2码长 N65536很长迭代次数18目标 BER10⁻⁵信道AWGN改任何一个数字就变。码长越短、迭代越少差距越大。仿真的局限局限说明低 BER 跑不动验证 10⁻⁹ 要跑 10¹¹ 比特不可能。错误平层只能靠理论分析只信 AWGN真实信道有衰落、多径、干扰RNG 质量伪随机数不理想结果会偏实现损耗仿真用浮点芯片用定点量化LLR 量化 6~8 bit→ 实际差 0.2~0.5 dB理想同步仿真假设定时/频偏完美真实系统还要扣损耗所以仿真 0.7 dB芯片做出来通常是 1.0~1.5 dB。这个差值叫实现损耗。第八章 3GPP 进度与时间表版本AI/ML 相关Rel-185G-Advanced立项 “AI/ML for NR Air Interface”落地三项CSI 压缩、波束管理、定位Rel-19扩展上述用例开始讨论 AI 接收机Rel-20 / 6G大概率把AI 原生空口作为核心议题AI 译码器目前还在研究阶段没有进标准。但因为第六章说的原因接收端不需要标准化这不代表它没在被用。第九章 判断与展望短期现在 ~ 2030AI 不会在 AWGN 中长码这个主战场取代 LDPC/Polar。但会用在✓ 短码块URLLC / IoT ✓ 非理想信道下的补偿 ✓ 接收机里那些经典理论没建模的脏活 ✓ 离线码设计中期6G可能发生的是AI 原生的联合设计- 编码、调制、波形一起用 AI 设计 - 不再区分编解码器和调制解调器 - 端到端优化这对经典范式是颠覆性的但离落地还很远 ——因为标准、互操作性、可验证性这三关都没有答案。永远不变香农极限是墙。AI 能让我们贴得更近但穿不过去。一个更根本的判断回顾整个信道编码史会发现一个规律怎么来的理论完备吗LDPC1960纯数学推导✅ 发表即有证明但等了 45 年才有算力Turbo1993直觉 试出来❌ 发表时只有仿真6 年后才被解释清楚Polar2008纯数学推导✅ 严格证明达到容量Turbo 码是先实验后理论的罕见案例—— Berrou 自己一开始都不敢相信结果以为仿真有 bug。而 AI 正在把这种模式重新带回来不追求先推导出最优解而是让数据告诉我们什么有效。代价是我们不完全理解它为什么有效也就没法给出保证。对通信系统这种错了会掉线的领域缺乏保证本身可能比那 0.5 dB 的增益更贵。附录 关键公式速查香农容量实 AWGNC ½ · log₂(1 SNR) [bit/信道使用]香农极限换算成每比特能量2^(2R) − 1 Eb/N0 ────────── 2R R 1/2 → 0 dB R → 0 → ln2 −1.59 dB终极极限有限码长修正R ≈ C − √(V/N) · Q⁻¹(ε) N 65536, ε 10⁻⁵, AWGN, rate 1/2 → 惩罚约 0.17 dB仿真中噪声怎么造σ² 1/(Eb/N0) Eb/N0 用线性值 σ 1/√(Eb/N0) Eb/N0 0.7 dB 1.175 → σ 0.923未编码 BPSK 误码率BER Q(√(2·Eb/N0)) BER 10⁻⁵ 需要 Eb/N0 9.6 dBdB 换算成功率倍数倍数 10^(ΔdB/10) 0.7 dB → 1.175 倍 3.8 dB → 2.4 倍 8.9 dB → 7.8 倍全文一句话总结AI 能做出更接近香农极限的译码器但空间只有约 0.5 dB —— 剩下的 0.17 dB 是有限码长的数学下限谁也拿不走。在主战场AWGN 中长码上AI 目前还没打赢经典译码器面前有五座大山组合爆炸、SNR 过拟合、长码泛化、缺乏保证、算力功耗。真正的机会在别处短码块、非高斯/未知信道、整条接收链的联合优化 —— 以及最务实的用 AI 离线设计更好的码终端一行代码都不用改。而最关键的一点是译码器在接收端不需要标准化。所以 AI 译码器不会等 3GPP 开完会才出现 —— 它会以某家手机在弱信号下突然好了 1 dB的方式悄悄到来。至于香农极限 —— 那是墙。AI 能让我们贴得更近但穿不过去。