面向未来的的6G，无线通信会在以下几个方面出现变化：
1.把基于太赫兹（THz）频谱的无线接入，为了实现高于100Gbit/s的下载速率，THz和Sub-THz频谱（100~300GHz频段）成为最为业界所看好的6G频谱。
2.网络即传感器
3.替代计算架构
4.边缘为中心和基于流的核心网架构
5.设计时驱动：6G网络将成为设计时驱动，基于用户需求和服务创造端到端的产品和服务的创建；根据用户的用例，自动化创建端到端的服务，满足人，物以及机器的诉求。
6.自动化和安全的网络之网络
6G 时代的主要机遇之一将是在“网络之网络”环境和生态系统中以灵活，联合，安全，可靠的方式支持各种用例。6G 多租户用例和应用领域的创新示例可能包括与URLLC结合的增强智能，以用于工厂等企业部门，工地、健康。物流、与运输。智慧城市、媒体及娱乐、非地面场景，如图1所示：
图1 数字孪生、物理世界、人体生物系统无峰耦合。
基于当前5G 更大的带宽的诉求以及对于时延的更低的要求，6G基于这些需求的满足而进一步的演进，从下图2 的5G网络的演进中可以看到，网络不断走向开发，从私有的网络设备演进到通用白盒化的CloudNative RAN，再到数据流为中心的超快自愈的网络；
1. 6G 新技术
当前5G的技术具有“后向兼容性”，物理层和媒介接入控制层（MAC）上的关键创新很可能包括与低分辨率接收（RX）转换单元匹配的“范围感知”多宽带波形设计，少数位量化的新调制方案，网络切片感知和高级复用方案将成为5G 无线接入网演进之旅的一部分。后续Ulrta-Massive MIMO - 超大规模MIMO（动态、多频带，分布式，去蜂窝，纳米等离子体整列）、芯片级天线和反射阵列，智能元表面将有助于实现5G 无线网的性能增强目标。此外信号设计和信号处理不仅将用于通信目的，将集合人工智能的算法将网络转为增强型传感器和感知机，以抽象出物体和人类的位置和状态。
2. ML/AI增强的RAN和网络即传感器
如果我们的网络变成了传感器，我们需要重新设计我们生成、验证、传输以及共享数据的方式。网络所生成的数据和信息的数据将会剧烈的增加，我们将无法使用当前的采集，存储，分析的架构。数据点的生命周期将变得非常短，一个数据点将是瞬态的，已经创建的信息在瞬间保持有效，需要再这个有效的时间内完成数据的分析，且合并之以更新各种适当的统计数据。
3 极限的URLLC
未来增强的需求将包括高数据速率（例如使用AR、VR进行远程控制）、更长的距离（用于增强的广域运营）、更高的移动性（面向各种车辆提供的最大行驶速度时所需的移动性）、支持室内和城市的更大密度的设备；为了支持这些应用诉求，可以通过包括新的参数集合，具有节点及智能的基于集群之密集网络自主、自动部署计划，对系统可靠性和链路质量的预测分析。ML/AI 将是这方面的关键推动力；预测分析可用于调整物理层通信和无线网络协作协议。协作式分集与设备间通信（D2D）将通过时间、频率和空间的多样性以及利用“设备重传”来助力提高URLLC的可靠性。可以从位于同一个地点的设备获得“多样性”的类似好处，作为“设备协作”的适能者或基于“多设备部署”的覆盖范围增强。改进URLLC的另一种方法是通过分布式和“无小区”架构的干扰管理以及对于工业的智能管理来更好的应对干扰。最具挑战性的要求之一就是与增强现实和沉浸式媒体体验相结合的远程控制。除了极高的URLLC性能要求外，还将要求100 Gbit/s或者更高传输bit速率要求的未编码的高质量360度视频传输。
4.云原生的RAN
端到端的5G架构在设计上越来越趋向于云原生。边缘云和CRAN将成为大规模接入变革的关键推动力。无缝的微服务灵活性和全云原生的RAN架构和相互结合尚需要再6G系统中得到得到进一步的完善。6G网络很可能是以边缘为中心和基于数据流的网络。工作负载将被动态地跨网络拓扑调度到数据中心的不同层。数据流将于情景（用例、位置、应用）、网元、存储、传输向分离，从而实现“网络内缓存和复制”。这可能意味着很多重大的改变，比如重新定义Web级数据中心（DC）互联。
5.无线和传输的集成平台：
6G的回传将继续是异构的，将尽可能依靠光学技术，并增加其他安全的无线回传选项以支持灵活的部署；向6G的演进方面可能包括无线和传输集成平台，例如包括100G光波分复用（xWDM）接口创新。软件定义网络（SDN）技术将使得传输网络资源（包括前传和回传）变的可编；RAN和传输域之间的跨域智能编排很可能会在5G时代实现。
6.基于T Hz/Sub-THz频谱的接入
3GPP 5G Rel-16 支持高达52.6GHz 的载波频率，数据速率约为10Gbit/s级别。然而增强现实和沉浸式媒体服务将要求高达100Gbit/s 或更高的超高速率。此外，6G 还设想了新的短距离用例，例如数据中心中的背板和内部链接。
当前使用的频段之上的频段中，有超过200GHz的贷款具有潜在可用性。随着频谱的变大自由空间的损耗也会增大，功放的效率和放大因子的挑战很大。当前使用大规模阵列的波束赋性来提升 信噪比、补充传播损耗而言非常重要。另外一个挑战就是数模转换器/模数转换器（ADC/DAC）相关的转换单元的高功耗，该功耗随着带宽而变化；一种解决方法是使用低分辨率ADC（低到单个位），并设计合适的调制方式以及于此相匹配的波形。
当天线单元变得足够小科员安装在多层芯片上的时候，100~140GHz的频段可能是一个最佳的选择，从而可以丢弃传统的馈线网络。未来高低频组合的方式，低频提供更好的覆盖范围和更可靠的控制信令，而较高的频段可提供更高的数据流量的诉求。联合起来发挥更大的作用。
未来需要提供颠覆式的方法使用大规模的MIMO更加节能，例如通过探索“恒定包络信号生成”这一技术。
7.替代的计算架构：
面向未来6G的诉求，计算机体系结构面向更大的挑战，作为演进的第一步，可以用智能结构的GPU和可编程的FPGA来打打提高灵活性。计算资源和网络资源必须无缝交互，以确保及时提供正确的计算能力。这意味将创建一套全新的计算模型、工具和平台，以处理从大型数据中心到特殊的网络内硬件加速器的各种分布式资源。注入联合信道估计和多用户检测，多用户传输和多对象路由之类。这样是无线流程更大程度的并行化。以实现最佳的性能的无线流程。特定的无线性能目标将需要采用得到调整的计算模型，并且需与ML/AI 紧密结合，例如量子计算可能提供的目标。基于替代计算的未来云将成为6G 体验和性能属性的前提。
8. 以数据流为中心的网络：超快速发现和基于流的架构：
基于云的服务交付平台多样化到单独的私有云，公共云。现场、本地云的边缘云中，要求通过联合网络控制和编排更紧密地协调分布式计算和通信资源。特别是在本地和边缘，资源将使用专用的加速器和访问机制（具有优先的可伸缩性）进行高度的专业化，这意味着将更依赖于负载的分流。网络功能和业务功能链将根据已消耗资源和可用的资源，连接性和延时时间要求、能耗目标之间的最佳平衡，通过在线的多对像优化算法进行动态分配。服务端点之间的流量路由需要基于数据流特征，这些特征将使会话与应用情景（用例/位置/应用）、使用的设备，使用的网络功能，存储和传输“无关化”，从而使能网络内的缓存和复制。业务发现必须在事务时间级别上进行，以匹配分布式云设施中不断变化的情景和资源分配情况。这种方法可能导致引入网络功能的重构和分布，例如接入和移动性管理功能（AMF）前端、AMF后端、具有发现功能的超快速本地会话管理功能（SMF）和用户平面功能（UPF）及其在部署和运行时的新组合。重新定义SMF、AMF、UPF和规范接口之类的做法可能会带来一定的复杂性，但是可以更好低异构的多地点云资源的保持一致，此类站点中的每个层都将管理和优化自己的资源使用。
9 网络之网络
5G演进和6G历程中定义性要素之一是非公有和私有移动通信网络的普及渗透，它将于关于港进行无缝合作并以自动化方式进行集成，从而可以整合一系列针对具体场景的用例和性能属性。分析更自动化的网络切片，将其作为提供定制性能属性以及6G管理和编排方面的关键工具。
a. 零接触自动网络切片
零接触自动网络切片与机器学习和完整用例优化相结合的一些高级方面很可能属于6G类别；例如可能包括通过静态分配逻辑之外的用例进行动态切片的调整。设计时（Design time）将推动安全、自动化的6G"网络之网络"范式。用户和业务的自动化需要与自动新服务的创建和激活（多供应商环境中跨边缘拓扑的功能的最佳放置）互锁。元数据架构和联合可通过基于意图的/使用情况的新服务、业务需求预测来触发纠正措施，从而推动基于ML、AI的分析。6G 价值主张的一部分是在垂直或Web规模（跨网）的租户中以设计时来驱动切片和粒度控制。增强的安全机制和信任框架将是这种范式的另一个关键方面。通过提供可验证与可信赖的基础架构，可以在其上加载工作负载并构建可信的服务，从而可以提供安全性保证和服务（例如供应链验证和证明），这对于提供可靠的基础架构单元和软件将至关重要。
移动通信网络和功能和支持的服务的范围已经一代又一代的扩大了。已构建了广泛的基础架构来支持当今的各种服务，尽管灵活性有限，但这些服务通常都能正常运行。
网络切片是5G的标志之一，它将彻底改变处理服务以及服务承载的管理方式。网络的整体复杂性正在增加。这种额外复杂性的来源包括与“大量不同的子网”、操作和服务管理任务、更广泛的应用和相应要求“结合在一起互通。
b.管理和编排
一个挑战是确保有效利用通信服务提供商（CSP）资源。服务供应的“动态性”被认为是使现有能力“货币化”自动化的推动力。接下来，我们讨论如何通过最大化网络的自动化和自主性来管理和协调复杂性。图3 提供了相关的概述。直到5G 网络，网络和服务管理都市单独的层。网络管理从网络中提取最大容量，随后由服务管理使用。6G的目标是对网络进行集成管理，包括服务驱动的网络管理
以及自动执行相关的网络管理任务，以从已构建的基础架构中高效的抽取价值。利用机器学习（ML）的基于领域知识的自动化即可以在网络基础架构本身中使用，也可以在基础管理中使用。预测性和规范性管理将是6G 确保高效资源利用率的关键功能。
总结：
2019年开始了5G的商用部署，2020年将是全球规模商用5G的开始，而对于6G 来说，也只是启动研究的第一年，当前5G的研究还是远远不够的，面向未来的之路的特点，将是物理，数字，生物的科技的综合演进，届时可能实现广泛地与硬件和片上系统的发展联系到一起，数字将成为下一代软件解决方案和数字孪生的有力支持。生物技术将以各种方式从根本上提供用户新的体验以及跨领域和跨行业的基于意图的的自动化和组网。
本文参考文献：
[1] P. Mogensen, A. Ghosh, A. Maeder, M. Uusitalo and S. Redana, "5G Evolution: A View on Cellular Technology Beyond 5G," in 6G Summit, Levi, Finland, 2019.
[2] ETSI, "http://portal.etsi.org/NFV/NFV_White_Paper.pdf," October 2012. [Online].
[3]ONF,"https://www.opennetworking.org/images/stories/downloads/sdnresources/technical-reports/TR_SDN_ARCH_1.0_06062014.pdf," June 2014. [Online].
[4] S. Ravidas, S. L. I. Oliver and L. Hippelainen, "Incorporating trust in NFV: Adressing the challenges," in 20th Conference on Innovations in Clouds, Internet and Networks (ICIN), Paris, 2017.
[5] L. Landau, M. Dörpinghaus and G. Fettweis, "1-bit quantization and oversampling at the receiver: Sequence-based communication," EURASIP Journal on Wireless Communications and Networking, no. 1, 2017.
[6] A. Nedelcu and e. al., "Quantized Precoding for Multi-Antenna Downlink Channels with MAGIQ," in 22nd International ITG Workshop on Smart Antennas, Bochum, Germany, 2018.
[7] Q. Mao, F. Hu and Q. Hao, "Deep Learning for Intelligent Wireless Networks: A Comprehensive Survey," IEEE Communications Surveys & Tutorials, no. fourth quarter, pp. 2595-2621, 2018.
[8] C. Studer and etal., "Channel Charting: Locating Users Within the Radio Environment using Channel State Information," IEEE Access, vol. 6, pp. 47682-47698, 2018.
[9] T. Wild, H. Viswanathan and M. Uusitalo, "Evolution Beyond 5G for Vertical Industries: Key Drivers and Technology Components," in 6G Summit, Levi, Finland, 2019.
[10] T. Shea and J. Hoydis, "An Introduction to Machine Learning Communication Systems," arXiv:1702.00832 , 2017.
[11] S. Khosravirad and H. Viswanathan, "Exploiting diversity with channel awareness for ultra-relibale low latency control," in Wireless Commuincations and Networking Conference (WCNC), 2019.
[12] R. Addad, M. Bagaa, T. Taleb., D. Dutra and H. Flinck, "Optimization Model for Cross-Domain Network Slices in 5G Networks," IEEE Trans. Mobile Computing, no. March, 2019.
[13] M. Pozza, A. Rao, A. Bujari, H. Flinck, C. Palazzi. and S. Tarkoma, "A refactoring approach for optimizing mobile networks," in IEEE International Conference on Communications (ICC), Paris, 2017.
[14] U. A. Özgür, I. Malanchini and A. Capone, "Dynamic Resource Trading in Sliced Mobile Networks," IEEE Transactions of network and service management, vol. 16, pp. 220-233, 2019.
[15] "Global Issues Overview," United Nations. Retrieved 05-12-19; https://www.un.org/en/sections/issues-depth/global-issues-overview/, 2015.