Agentic Wireless Communication for 6G: Intent-Aware and Continuously Evolving Physical-Layer Intelligence
作者: Zhaoyang Li, Xingzhi Jin, Junyu Pan, Qianqian Yang, Zhiguo Shi
分类: cs.AI
发布日期: 2026-02-19
💡 一句话要点
提出基于LLM的Agentic无线通信框架，实现意图感知和持续演进的物理层智能
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: Agentic AI 6G无线通信 大型语言模型 意图感知 物理层智能
📋 核心要点
- 现有6G物理层设计难以适应用户意图的多样性和动态变化，缺乏自主性和灵活性。
- 利用大型语言模型（LLM）的强大能力，构建意图感知的Agentic网络代理，实现自主决策和持续优化。
- 通过AgenCom案例研究，验证了该框架在自适应链路构建方面的有效性，能够满足不同的用户偏好。
📝 摘要（中文）
随着6G无线系统的发展，日益增长的功能复杂性和多样化的服务需求正推动着从基于规则的控制向意图驱动的自主智能转变。用户需求不再由单一指标（例如，吞吐量或可靠性）来捕获，而是由多维目标来表示，例如延迟敏感性、能量偏好、计算约束和服务级别要求。由于环境动态和用户-网络交互，这些目标也可能随时间变化。因此，准确理解通信环境和用户意图对于自主和可持续发展的6G通信至关重要。大型语言模型（LLM）具有强大的上下文理解和跨模态推理能力，为意图感知网络代理提供了有希望的基础。与规则驱动或集中优化设计相比，基于LLM的代理可以集成异构信息，并将自然语言意图转化为可执行的控制和配置决策。本文着重于意图感知、自主决策和网络执行的闭环流程，研究了用于6G物理层的Agentic AI及其实现途径。我们回顾了代表性的物理层任务及其在支持意图感知和自主性方面的局限性，确定了Agentic AI具有优势的应用场景，并讨论了多模态感知、跨层决策和可持续优化中的关键挑战和使能技术。最后，我们提出了一个意图驱动的链路决策代理AgenCom的案例研究，该代理能够根据不同的用户偏好和信道条件自适应地构建通信链路。
🔬 方法详解
问题定义：现有6G物理层设计主要依赖于预定义的规则或集中式优化，难以有效捕捉和响应用户意图的多样性和动态变化。传统方法在处理复杂的异构信息和实现自主决策方面存在局限性，无法满足未来6G网络对灵活性和智能化的需求。
核心思路：本文的核心思路是引入Agentic AI，利用大型语言模型（LLM）的强大上下文理解和跨模态推理能力，构建意图感知的网络代理。该代理能够将用户以自然语言表达的意图转化为可执行的控制和配置决策，从而实现物理层的自主优化和动态适应。
技术框架：该框架包含三个主要阶段：意图感知、自主决策和网络执行。首先，通过多模态感知模块收集用户意图和环境信息。然后，LLM作为决策引擎，将这些信息整合并转化为具体的物理层配置参数。最后，网络执行模块根据LLM的决策进行链路配置和资源分配。整个过程形成一个闭环，能够持续学习和优化。
关键创新：该论文的关键创新在于将大型语言模型引入到6G物理层设计中，实现了意图驱动的自主决策。与传统的基于规则或集中优化的方法相比，该方法能够更好地理解用户意图，并根据环境变化进行动态调整，从而提高网络性能和用户体验。
关键设计：AgenCom案例研究中，LLM被用作链路决策代理，负责根据用户偏好（例如，延迟、能耗）和信道条件选择最佳的通信链路。LLM的输入包括用户意图的自然语言描述、信道状态信息以及其他相关参数。LLM的输出是链路配置参数，例如调制编码方案和资源分配。损失函数的设计需要考虑用户意图的满足程度以及网络资源的利用率。
🖼️ 关键图片
📊 实验亮点
AgenCom案例研究表明，基于LLM的Agentic链路决策代理能够根据不同的用户偏好和信道条件自适应地构建通信链路。实验结果表明，与传统的基于规则的方法相比，AgenCom能够显著提高用户满意度和网络资源利用率，在满足用户意图方面表现出更强的灵活性和适应性。
🎯 应用场景
该研究成果可应用于各种6G无线通信场景，例如智能交通、工业自动化和远程医疗。通过理解用户意图并进行自主决策，Agentic AI能够优化网络性能，提高服务质量，并为用户提供个性化的通信体验。未来，该技术有望推动无线通信向更加智能化和自主化的方向发展。
📄 摘要（原文）
As 6G wireless systems evolve, growing functional complexity and diverse service demands are driving a shift from rule-based control to intent-driven autonomous intelligence. User requirements are no longer captured by a single metric (e.g., throughput or reliability), but by multi-dimensional objectives such as latency sensitivity, energy preference, computational constraints, and service-level requirements. These objectives may also change over time due to environmental dynamics and user-network interactions. Therefore, accurate understanding of both the communication environment and user intent is critical for autonomous and sustainably evolving 6G communications. Large language models (LLMs), with strong contextual understanding and cross-modal reasoning, provide a promising foundation for intent-aware network agents. Compared with rule-driven or centrally optimized designs, LLM-based agents can integrate heterogeneous information and translate natural-language intents into executable control and configuration decisions. Focusing on a closed-loop pipeline of intent perception, autonomous decision making, and network execution, this paper investigates agentic AI for the 6G physical layer and its realization pathways. We review representative physical-layer tasks and their limitations in supporting intent awareness and autonomy, identify application scenarios where agentic AI is advantageous, and discuss key challenges and enabling technologies in multimodal perception, cross-layer decision making, and sustainable optimization. Finally, we present a case study of an intent-driven link decision agent, termed AgenCom, which adaptively constructs communication links under diverse user preferences and channel conditions.