从上述对 6G业务愿景、网络愿景和能力愿景的展望中看出，与5G网络相比，由于代表智慧或意识的“灵”的引入，6G 网络的智能性与泛在性将成为其核心特征。“灵”可驻留于网络任意位置的通信节点或计算节点中，或驻留于用户周边形成的虚拟世界行为空间中，人—机—物接入构成的物理世界行为空间与“灵”驻留的虚拟世界行为空间之间存在自我相关、社交相关和拓扑相关等。由于与人类及社会耦合更紧密，6G 网络将呈现出与现有人类社会、生物群体等复杂系统相似的特性。基于“灵”的 6G网络概念示意如图 3-8所示[1]。
图 3-8基于“灵”的 6G网络概念示意
在 1G/2G时代，由于移动网络中只存在单一语音信息流，整个系统处于低平衡态。随着 3G/4G的演进，语音业务逐步让位于数据业务，呈现出分叉演化的特征。到 5G时代，虽然全球统一到一种标准，但引入了 3种不同的应用场景——eMBB、mMTC和 uRLLC，也呈现出分叉演化特征。所以，5G网络最初的运行过程是开放但非平衡的，通过一系列技术演进最终将达到新的平衡态。考虑到 6G网络包含了人—机—物—灵 4类通信对象，存在通信对象之间的复杂交互、丰富多样的信息流之间的动态交换等，这些高维信息空间中的动态变化将在一定时间后达到临界阈值，从而使得 6G网络发生非平衡相变。由此，6G网络将转变为一种有序结构，在信息空间或状态空间达到高水平的平衡态。简单示意如图 3-9所示。
图 3-9 移动通信网络演化平衡态示意
由于引入了第四类通信对象——“灵”，6G 网络将构成人—机—物—灵4类通信对象协同通信的复杂系统，信息量剧增，为了应对 6G的诸多技术挑战，需要在无线接入与网络技术方面进行重大变革，6G网络演进的三大核心趋势为：接入有序融合、资源有序编排、架构有序演进[1]，分别阐述如下。
3.5.1 接入有序融合
为应对 6G时代信息传播的非线性挑战，6G网络应是人—机—物—灵 4类通信对象在多样场景下有序融合的网络。6G网络将“灵”承载于频率—时间—码域—空间等物理资源之上，并将多模态数据与多接入方式进行有序融合，以保持 4类通信对象的信息同步。
6G网络中，“灵”被承载于现有的物理资源之上，与物理世界的通信对象对等存在，可部署于任意异构终端、边缘节点或网络设备中，以达到“随身而动、随需而变”的个性化通信功能。6G网络利用人体五感与多种编码技术，将人类的感官输入转换为信息，并将感觉反馈信息再转换为人类可感知的信息，其中包括触觉、听觉、视觉、嗅觉和味觉等多模态数据。同时，基于脑机接口和脑电信号，建立生物脑与电子设备的通信和控制系统，使“灵”具备与人的意识进行信息交互的能力。通过脑机双向信息的感知、解析与融合，达到机器智能与生物智能的互联与协同。在此基础上，通过对感官、情绪和心流等主观感受进行编码、计算与传输，实现“灵”之间意识信息的相互转移、共享与融合。
多感官协调配合是人类大脑感受周围环境和认知事物的一般方式，人类不需要刻意进行处理，各类感官即可默契配合、完美协作，这是因为人类神经和人体器官组成是非常复杂精密的。而对于 6G网络，源自人—机—物—灵 4类通信对象的多模态信息在非线性传播的条件下，其信息同步程度将影响人类感官的和谐度，6G网络需要对此进行精密处理。6G网络将通过智能化的多接入与多路径传输机制，将人—机—物—灵 4类通信对象提供的多模态数据，进行接入融合与协同学习，保持信息有序同步。
支持多模态数据有序接入的多路径传输如图 3-10所示，通过多种接入方法、多路径路由和传输，快速汇聚为部署的边缘计算节点，由其将多模态信息转换为共用语义空间中的向量信息，实现多模态数据的表征。其中，多路径路由和传输要解决多模态数据的乱序问题和同步问题，使其具有平滑性、时间和空间相干性等，便于融合与对齐。
图 3-10支持多模态数据有序接入的多路径传输
通过“灵”与网络传输设备的有效协作，可利用多智能体深度强化学习方法来
设计智能多路径传输和路由。在多路径传输控制协议的基础上，初步实验结果如图 3-11 所示，基于“灵”的多智能体多路径传输方法，与其他多路径传输方法相比，可有效实现吞吐量提升，并降低流量的时延抖动，为多模态数据的有序接入提供了保证。
图 3-11多路径传输方法性能对比
如图 3-11所示，利用MPTCP（Multi-PathTransmissionControlProtocol）工具，在CPU为Inteli7-87003.2GHz，内存为32GBDDR4L2666 MHz，操作系统为64bit
Ubuntu16.04的台式机上部署仿真环境。建立 3条带宽均为 8Mbit/s、丢包率均为0.5%的并行路径，设置传输时延为 20～110 ms，进行传输实验，每次实验重复
60次。实验对基于多智能体强化学习的多路径传输控制（DeepCC）与两种深度强化学习DRL-CC、SmartCC和 4种启发式多路径传输算法进行了对比分析[1]，结果表明，DeepCC可大幅提高吞吐量，降低时延抖动。