侯文军，白 冰，喻 炜，杨本植
（1.北京邮电大学，北京 100876；
2.网络系统与网络文化北京市重点实验室，北京 100876；
3.中国移动研究院，北京 100053）
研究显示，在5G 的基础上，6G 将对通信发展的智能化进程产生深远的影响，6G 的前景、核心技术、应用场景、面对的挑战以及相关问题在全世界范围内引起了广泛的讨论[1]，关于未来6G 的特征也出现了很多研究与观点[2-12]。中国信息通信研究院发布的《6G总体愿景与潜在关键技术白皮书》[13]提到，6G 将会是一个空天地海一体化的网络布局。该白皮书从社会结构变革、经济高质量发展、环境可持续发展等高层次视角分析了6G的发展驱动力，同时也提出了“万物智联，数字孪生”的总体愿景。
可以预见，在6G 时代，通信的技术、应用场景、交互方式和体验都将发生巨大的变化，在引发行业变革的同时也会催生大量全新的场景。这些变化对技术有着新的要求，也会带来巨大的发展契机。6G 系统的主要驱动因素，包括应用和适应技术趋势[14]。然而研究发现，大部分关于6G 的讨论都是围绕着未来的技术趋势[15]，很少有关于应用场景的研究。现有的6G 应用场景方面的讨论，可以分成两类：一类是在宏观的角度对6G 应用场景做概述，另一类是针对某一具体场景做系统性分析。在第一类中，有研究[16]提出6G 的应用场景为大规模通信（Big Communications，Big Com）、安全低延迟超可靠通信（Secure Ultra-Reliable Low-Latency Communications，SURLLC）、三维集成通信（Three-Dimensional Integrated Communications，3D-InteCom）、非常规数据通信（Unconventional Data Communications，UCDC）。李正茂[17]借鉴马斯洛需求模型，将人对于通信的需求分成沟通泛在、信息泛在、感官泛在和智能泛在4 个阶段。文献[18]归纳了3 种拓展思路：5G 三大场景升级、5G 三大场景间的融合以及结合新技术的未来多样化场景研究。文献[19]和文献[20]对6G 时代的应用场景及关键技术做了畅想。以上的研究具有很好的科学性与前瞻性，但比较宏观。在第二类中，有一些工作聚焦6G 时代的专一场景，如无人机通信[21]、无线通信[22]、万网互联[12]、网络安全[23]、室内定位[24]等，这些工作针对单一场景进行了研究，但忽略了普适性。由此笔者发现，面向整个6G 时代的场景挖掘研究工作是很有必要的。6G 作为下一代无线通信技术，世界各国很早便开始布局，但是6G 的研究尚处于摸索阶段，因此明确6G 时代的应用场景，不仅可以辅助6G 的未来形态布局，还可以为6G 的建设起到很好的参考作用。
本文给出了具体的场景挖掘思路：（1）建立6G 时代的新技术集合；
（2）梳理新技术具备的以及潜在的功能列表，并整合为功能模块；
（3）引入遗传算法的思想，结合行业需求、用户需求综合推断新的场景。本文的方法是基于客观数据与主观评判相结合构建的，因此在第2 节、第3 节将详细介绍本文方法以及测评结果，并在第4 节中举例证明该方法的有效性。
1.1 准备工作
场景概念的提出正值移动互联网兴起的时候，因此场景被认为是移动媒体的新入口和移动互联网时代的主要争夺目标。笔者认为应该明确研究对象的定义与特征。“场景”这一概念是2014 年由Robert Scoble 和Shel Israel 在《即将到来的场景时代：移动、传感、数据和未来隐私》中提出的，他们指出，大数据、移动设备、社交媒体、传感器、定位系统是与场景时代息息相关的5 大要素[25]，并认为：“5 种要素正在改变你作为消费者、患者、观众或者其他身份的体验，它们同样改变着大大小小的企业。”[26]文献[27]提到的场景理论将上面的5 大要素定义为构成移动互联网时代场景的5种技术趋势，而彭兰[28]教授认为，场景的终极目标是提供特定场景下的适配信息或服务，理解用户并提供满足用户需求的内容与服务。结合文献[25]中基于马斯洛需求层次理论对场景功能的划分，可以确定场景的基本构成要素包含技术与需求两个方面。
基于以上分析，本文对场景的定义、内容、特征进行了桌面调研，目前收集到共计206 条当前5G 的场景词条。对收集到的词条，做了聚类分析后的结果显示，并对场景类型进行划分。分析发现，词条多从网络通信技术、技术功能、服务行业及用户需求4 个角度对场景进行描述。前两个角度说明场景需要技术以及技术的功能来支撑，后两个角度说明场景要在具体的行业与需求上才有意义。可以得出，移动通信的场景取决于两个大的方面：一是移动通信可以支撑的新技术，二是技术落地的行业或需求。换句话说，场景=技术+需求，而连接二者的是功能。
1.2 数据准备
在得出场景=技术+需求的结论后，本文分别建立了数据池，包括技术池、技术对应的功能集、行业集合和需求池。行业集合与需求池来自《中华人民共和国国民经济行业分类标准》[29]，因此本文仅对技术池与功能集作介绍。
1.2.1 技术池
通过文献调研收集了35 条未来具有发展潜力的新技术，内容如表1 所示。按照文献分析（聚类分析、研究热度排序、时效性分析）的结果将这些技术分为新型设备、6G 新一代网络技术、热门话题技术和具有潜力的发展中技术这4 个类别。
表1 技术池内容
构建技术池时，设立了技术的筛选标准：首先该技术一定是具有一定发展潜力，或具有一定热度的技术；
其次是该技术有广阔的应用前景；
最后是该技术会受到6G 的助力。第3 点体现在图1 中。从图中可以看出，现有技术的瓶颈大多集中在数据量、算力、算法、效率和安全性问题上，这些问题可以在6G 时代得到解决。
图1 6G 促进新技术发展
1.2.2 功能池
本文对技术的支持功能做了梳理，其同样来自技术的文献。因为技术与功能之间存在多对多的关系，且技术池中的内容有层级关系，同时也存在很多的相关性和互斥性，这也是本文不直接对技术做抽样而选择功能模块的原因之一。功能池的内容如表2 所示。
表2 功能模块与对应技术
1.3 方法主逻辑
方法的主逻辑图如图2 所示。首先，将收集到的技术池与功能模块之间做映射，它们之间是多对多的关系；
其次，将需求、行业整合得到需求池；
最后，在功能池和需求池中分别进行多次的随机抽样，将抽出的结果进行价值判别，最终得到新型的应用场景。
图2 技术角度挖掘场景方法主流程
1.4 方法理论基础
本文方法的提出主要基于两个底层理论：世界发展的底层规律模型和新事物产生的随机性理论。
（1）世界发展的底层规律模型理论。哲学上[30]，世界被按照抽象度分为抽象世界和现实世界两部分。按照抽象度从大到小的排列，又分为抽象世界中的智慧世界、知识世界、概念世界，以及现实世界中的信息社会、工业社会、农业社会。具体的模型由图3 所示。这个模型将人类世界的发展规则描述得非常清楚，即在抽象世界中产生的理论进步会促成技术进步，技术进步随着时间的变化，就会瓜熟蒂落，对具象世界造成一次又一次的冲击，就会改变具象世界。换句话说，人类社会的发展是由新技术来驱动的，所以为了探索未来的场景，应该从新技术发展的角度出发。
图3 人类世界发展规律模型
（2）新事物产生的随机性理论。支撑本文方法的另一个理论基础是新事物出现的随机性与偶然性[31]因素。本文尝试引入遗传算法的研究思路，这也是本文的核心创新点之一。二十世纪中期，Holland[32-33]和Bremermann[34]等人创立了遗传算法，Schwefel 等人[35]创立了进化策略，Fogel 等人[36-37]创立了进化规则。遗传算法是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法[38]，发展至今，已经经历了很多的改进。
本文的目的是挖掘未来6G 时代的新的应用场景。由第1 个理论得出，挖掘未来场景需要从新技术的发展和现有需求出发；
由第2 个理论得出，可以用随机抽取技术功能与需求组合的方式模拟遗传算法中的丰富的个体，其中，不同的组合形式代表不同个体具有的基因多样性，随后经过专家的主观评估，选择去掉不合适的组合，这一过程模拟了遗传算法中的适应度选择，这样就完成了一轮的挖掘，经过多次迭代，最终留下的组合就是一种在未来6G 时代很有潜力的应用场景。方法模型如图4 所示。
图4 方法模型
1.5 方法执行流程
方法的执行过程如图5 所示。先确定一个需求，再抽样N个功能，形成技术功能+需求的组合，由专家评价的结果决定是否满足产出新场景的要求，若评价结果为不满足就返回重新抽样。
图5 方法执行流程
专家评判的标准主要参考两个方面：（1）抽样结果是否足够解决行业需求；
（2）抽样结果的成本是否合适。一次性抽取的功能模块数量N由多次实验后的统计结果决定，后续将详细介绍参数N的确定过程。
本文提出方法的数学表达为：
首先全部的功能池和需求池的集合表示为：
式中：m为功能池的总数；
k为需求池的总数。而一次轮执行，需要在集合F中随机抽取N个元素，并从集合D中随机抽取1 个元素，来组成专家评价环节的输入，这一过程表示为：
式（4）与式（5）中，J(·)的输入为单次抽取的结果，当专家判定结果合理时，输出为1，否则输出为0。
本文提出的方法需要同时对技术功能池和需求池分别进行不放回随机抽样。因为随机抽样的不确定性，产生的大量结果中，可能存在一部分不合理的结果，需要将它们剔除，因为这种类型的结果不是没有可能发生，只是笔者认为它们超出了6G 的讨论范畴；
同时也会产生一部分的已知结果，这部分结果的创新性不足，也没有在笔者重点考虑的范围内；
最后一部分的结果是比较中性的，这是笔者重点关注的一类结果，它们具有比较强的前瞻性和创新性，且具有技术落地的可行性。
在实验时，为了确定N值，本文将需求锁定，对功能模块的各种N的取值随机抽取了20 次，但由于技术模块的数量限制，当N=1 时，将10 种情况全部列出。经过专家打分后，将专家打分结果中判定合理的情况进行统计，结果如图6 所示。
图6 判定合理的概率随N 值变化的曲线
从图6 可以看出，当N=5 时，产出新场景的判定合理的比率最高。经过结果分析发现，当N取值过小时，会出现大量的技术功能无法满足行业需求的情况，因此会导致判定合理比率变低；
而当N值过大时，技术功能可以超额满足行业需求，但会导致成本过高，这可以在图7 中看出。
场景的价值取决于它是否解决了需求以及它的成本[39]。结合上文的结果，笔者请专家对每一组抽样结果，从功能对技术的支撑程度和成本两个方面进行7 点量表打分，并假设这两个方面对最终判定抽样结果是否合适的影响是独立且重要性相等的。最终取5 位专家的均值作为实验结果，如图7 所示。由图可知，当N值逐渐增加，成本的增加趋势较快，并越来越趋近于成本极高的水平，因此笔者认为趋近7 是非常不好的，而功能对技术的支撑程度的增长趋势较为缓慢，二者的最优结合点在N=5 处，因此笔者将方法的N值设定为5。
图7 成本与解决需求程度的趋势变化
目前6G 尚未部署，发展受技术限制较大，并没有成熟的场景体系可供参考。于是，笔者根据场景结构将场景模型定义为包含真实世界、虚拟世界、数据世界、体验世界的四维模型，并根据抽样组合的功能，对未来场景进行设计，以满足用户未来在该场景下的需求。最后，探讨场景发展的可能性。
接下来本文给出一个实践案例：在行业中抽取到健身行业，而在功能模块中，抽取到了信息传递、人机交互、新型显示、算力支持、智慧赋能5 个功能。经过专家的评测证明，挖掘到的场景具有很好的前瞻性和创新性，并能够在6G 时代落地。
随着身体健康越来越受到国民重视，全民健身已成为一大发展趋势。每个公民都或多或少的以跟学或自发的形式进行身体锻炼。全息显示提供了健身用户之间的真实视野，以及无障碍的多媒体具身交互，打破地理限制，灵活高效地支撑了全息健身房全新的生态建设。全息健身房场景具备的技术能力功能模块，针对用户视野受限，专业技能不足等问题，提供随时随地360°全息显示功能，以及健身动作专业实时语音指导的帮助。具体的功能 如下：
（1）信息传递：各类传感器与采集设备可以将用户的身体信息精确实时地进行传递。
（2）人机交互：全息教练辅导用户进行健身。
（3）新型显示：场景可以提供全息的信息显示、教练的全息影像以及动作标准度的全系参考。
（4）算力支持：完成各类功能需要庞大的算力支持。
（5）智慧赋能：对于用户上传的数据可以进行智能化处理，以及人机交互的过程中有智能算法进行辅助。
由此可见，基于传感器、XR 设备、交互技术、人工智能技术、云计算、边缘计算、光场技术实现信息传输、人机交互、新型显示、算力支持、智慧赋能的全息健身场景，在未来也必将大放异彩。全息健身房场景的逻辑如图8 所示。
图8 全息健身房场景
本文提出了一种6G 时代从技术角度挖掘场景的方法。首先，介绍了方法提出的背景，以及6G场景研究的重要性；
其次，介绍了本文研究的客观数据基础、方法逻辑、理论基础和方法流程；
再次，对所提方法中的重要参数进行实验，并根据实验结果，将一次性抽取的功能数确定为5；
最后，给出了一个6G 新型场景的应用案例，证明了方法的前瞻性与可行性。
本文最核心的贡献在于：
（1）为未来6G 时代的场景挖掘提供了方法。该方法从现有的客观数据（技术、行业需求）出发，得出了未来有价值的场景。
（2）引入遗传算法的思想进行建模。在场景挖掘的研究中，从人类社会发展的底层规律出发，结合场景理论的研究成果与新事物出现的偶然性提出了本文的思路。该思路具有一定的创新性。
（3）提出了未来场景价值衡量的标准。本文参考场景价值相关的研究，将未来场景价值衡量标准判定为需求满足度+成本，为挖掘到的场景的实现提供了参考。
（4）N值的判定。在专家打分的统计结果中发现，一次性同时抽取的功能数量N，如果大于5则会导致成本的飙升，小于5 则很难满足场景的需求，因此最终将N值确定为5 是非常合理的。
本文研究还存在的一些问题：首先，技术池的构建是一个动态的过程，需要持续进行补充和完善，随着时间的演进，技术池与功能模块的结构会发生变化，因此如何及时地更新数据需要进一步研究；
其次，本文在应用遗传算法的思路中，利用随机组合模拟了基因型状的多样性，然而遗传过程中的基因突变率却无法模拟，尽管它一般被设置得很低；
最后，整个方法的主观性占据一定的比重，因此会带来比较高的人员成本。
此外，笔者发现了很多值得深入研究的方向，例如，针对技术池和功能模块之间存在的多对多对应关系，可以引入知识图谱、网络科学的理论方法进行更深入的关系挖掘；
在本文中，整个流程是正向走通的，也可以尝试反向走通，从场景一步步挖掘最关键的功能和技术，也可以对其他行业的场景研究起到指导性作用；
此外，最后的功能结合需求推断场景的步骤中，如果数据量级满足条件，可以尝试用机器学习来形成样本生成式模型。