——基于 RAN1 R1-2508140 回复函的深度解读
在 3GPP Rel-19 的标准化进程中，AI/ML 究竟应该是一个吞噬原始数据的"黑盒"，还是一个被物理层协议严格规训的"灰盒"？

这一争论在最新的 RAN1 [#122bis](javascript:😉 会议中似乎有了定论。根据 RAN1 致 RAN2 的回复联络函（R1-2508140），RAN1 针对波束管理（BM）和 CSI 预测（CSI Prediction）的数据收集配置做出了明确答复 。透过 TimeGap、nroftimeinstance 和 typeII-Doppler 这些看似枯燥的信元（IE），我们看到的并非是对 AI 灵活性的无限纵容，而是一套精密设计的时序与物理双重约束系统。

本文将从 AI 工程落地的视角，剖析这份 LS 背后的技术隐喻与架构博弈。

一、 时序的硬编码：被锁定的"注意力窗口"

在 AI 领域，尤其是处理时序数据（Time-series Data）时，模型通常希望获得尽可能丰富且灵活的采样输入。然而，在 BM-Case2（波束管理 UE 侧数据收集）的配置中，RAN1 明确同意了两个关键参数：

TimeGap-r19：定义为两个连续预测时间实例之间，以及参考时间与最早预测时间实例之间的预期时间间隙。

nroftimeinstance-r19：定义为预期的预测时间实例数量。

1.1 从"流式采样"到"张量锁定"

这两个参数的通过，意味着 3GPP 否定了激进的"连续流式采样"方案，转而选择了一种离散的、结构化的窗口机制。

从机器学习工程的角度看，nroftimeinstance 直接决定了输入/输出张量（Tensor）的序列长度（Sequence Length），而 TimeGap 则锁定了采样步长（Stride）。这就好比 RAN1 在物理层协议中强行定义了 Transformer 模型的 Context Window（上下文窗口）。

这种设计的工程代价是显而易见的：它牺牲了对非规律业务的适应性。 如果 UE 处于突发性移动或非匀速运动状态，固定的 TimeGap 可能会导致采样点无法捕捉到关键的信道突变。

1.2 效率与灵活性的 Trade-off

既然存在局限，为何 RAN1 仍坚持此方案？

最合理的解释在于端侧推理效率。对于算力受限的 UE（尤其是中低端终端），动态变化的输入张量意味着 NPU（神经网络处理器）需要频繁进行内存重分配和算子重编译。通过协议层面"硬编码"时间结构，UE 可以预分配固定的内存池，极大地降低了 AI 推理的系统开销。这是一种典型的用算法灵活性换取工程确定性的 3GPP 理念。

二、 物理先验的回归：对抗"信道老化"的锚点

在 CSI 预测（CSI Prediction）的讨论中，RAN1 除了同意引入资源配置 ID（CSI-ResourceConfigId）外，还特别指出可以提供一个额外的参数：

CodebookConfig-r18 set to ‘typeII-Doppler-r18’这一细节极其耐人寻味。它揭示了业界对于纯数据驱动 AI 在高移动性场景下表现的深深忧虑。

2.1 为什么 AI 还需要 Type II 码本？

理论上，一个强大的端到端神经网络应该能从原始的 CSI 测量量中自动提取出多普勒（速度）特征。但在工程实践中，信道老化（Channel Aging）——即 CSI 反馈到基站时已经过期的现象——是制约 5G/5.5G 性能的核心痛点。

RAN1 显式地将 typeII-Doppler 纳入候选数据收集，实际上是在告诉我们：不要指望 AI 从零开始学习物理定律。 Type II Doppler 码本是基于压缩感知理论构建的物理模型，它能高效地通过频域基向量来表征信道的时变特性。

将这一物理量作为 AI 的输入特征（Feature），构建的是一个物理辅助 AI (Physics-Informed AI) 系统。这种"灰盒"设计利用了数十年通信理论积累的先验知识（Prior Knowledge），极大地降低了 AI 模型的训练难度和收敛时间。相比于让 AI 在数百万样本中"猜"出多普勒效应，直接喂给它多普勒码本显然是更经济的选择。

三、 架构的护城河：为何 RAN1 拒收 ID？

LS 的最后一部分回应了一个微妙的架构问题。对于 RAN2 询问是否需要包含"候选配置的标识符（Identifier）“，RAN1 的回复显得有些"冷漠”：

“From RAN1 perspective, it is up to RAN2 to include ‘An identifier of the candidate configuration’…” 。

这很容易被误解为标准组织内部的推诿，但实际上，这是对 OSI 分层原则（Layering Principle） 的死守。

在 AI/ML 试图打通所有层进行"跨层优化"的热潮中，RAN1 保持了难得的清醒：物理层（PHY/RAN1）只处理物理量的计算与测量，而对象（Object）的生命周期管理必须由控制层（RRC/RAN2）负责。

如果 RAN1 开始在物理层定义和解析 “Configuration ID”，那么物理层将不得不维护庞大的状态机来记录哪些 ID 是激活的、哪些是过期的。这将导致 PHY 层软件的极度膨胀和不可控。将 ID 定义权交还给 RAN2，实际上是在 AI 渗透通信协议的过程中，修筑了一道防止架构崩塌的护城河。

四、 结论：走向精密控制的 Rel-19

R1-2508140 虽然只是一份简短的回复函，但它清晰地勾勒出了 Rel-19 AI/ML 的演进轮廓：

拒绝黑盒：通过 typeII-Doppler 引入物理先验，拒绝纯数据驱动的盲目拟合。

约束时序：通过 TimeGap 和 nroftimeinstance 锁定输入结构，优先保障端侧推理效率。

坚守架构：通过拒绝 ID 定义权，维护 PHY/RRC 的清晰边界。

这或许不是最激进的 AI 革命，但却是最符合通信产业工程理性的进化路径。在这个框架下，AI 不再是取代物理层的魔法，而是物理层协议中一个被精密参数包裹的、可控的计算模块。

[注]：本文提及的"灰盒"为便于工程理解的形象化表述，非 3GPP 官方定义的标准术语。