移动通信网络从第一代发展到第五代，核心任务始终围绕信息的高效传递。无论是语音、短信还是数据流，网络扮演的角色本质上是一条管道，将信息从源端无损、低时延地送达目的端。然而，随着物联网、自动驾驶、工业互联网等场景的深入，单纯的信息传输已无法满足智能体对环境的实时响应需求。一个自动驾驶系统既需要从云端下载高精地图，也需要通过雷达感知周边车辆，还需要在毫秒级时间内规划路径。这三件事如果分别交由通信网络、雷达感知设备和车载计算芯片独立完成，将面临数据格式不统一、同步精度差、资源相互挤占等问题。第六代移动通信提出的通感算融合架构，正是要打破这三者之间的边界，让通信信号在传输信息的同时也能感知环境，让网络边缘的计算资源在转发数据的同时也能处理感知结果，最终形成一个通信、感知、计算三者深度耦合的有机整体。要理解通感算融合的逻辑起点，需要先回顾传统网络在处理感知与计算任务时的路径依赖。在第五代移动通信网络中，感知功能通常由独立部署的传感器或雷达系统完成，摄像头拍摄的视频流、毫米波雷达采集的点云数据、激光雷达生成的三维地图，这些感知数据需要先经过汇聚、压缩、编码，然后通过通信网络传送至中心云或边缘云进行处理。计算资源则集中在云端服务器或边缘节点上，等待感知数据送达后才开始执行目标识别、轨迹预测等算法。这种串行处理模式带来了两个根本性问题。第一是时延累积，感知数据的采集、传输、处理三个环节各自消耗时间，即使每个环节都优化到极致，总时延仍然难以满足毫秒级控制的工业要求。第二是资源浪费，通信网络传输了大量未经处理的原始感知数据，占用了本就紧张的无线频谱资源，而其中绝大部分信息在计算节点完成特征提取后即被丢弃。通感算融合的核心理念就是消除这三个环节之间的等待和转换，让通信波形承载感知功能，让计算节点在数据到达的同时完成处理，从而实现资源的集约化利用。
从技术实现的角度来看，通信与感知的融合在物理层具有天然的基础。通信系统的核心任务是估计信道状态，以便对发射信号进行预编码或均衡。这一过程本身就需要通过发送参考信号并分析接收信号的幅度、相位、时延、多普勒频移等参数来提取信道特征。而这些特征恰好也是感知系统所需要的环境信息，例如多普勒频移反映了目标的径向速度，时延对应着目标的距离，到达角则指示了目标的方位。传统通信系统在完成信道估计后，这些携带环境信息的信道参数即被丢弃，仅保留了用于解调数据的最终均衡系数。通感算融合架构改变了这一处理流程，信道估计过程中获取的多维参数被同时馈送到两个分支，一个分支继续用于数据解调，另一个分支则进入感知处理流水线，通过联合分析多个接收节点上报的信道信息，提取出环境中目标的坐标、速度和散射截面。这种方式实现了通信与感知在信号层面的同源复用，无需额外发射雷达 pulse 波形，不占用专用频谱，也不消耗额外的发射功率。
感知功能嵌入通信波形的另一个优势在于覆盖连续性。传统雷达或激光雷达传感器的探测范围受限于安装位置和视场角，单台车载雷达的感知区域通常仅为前方百十米范围内的有限角度，多台雷达组合覆盖仍然存在盲区。而通信网络中的基站天然具有广域连续覆盖的特性，当通信信号同时作为感知信号使用时，每个处于信号覆盖范围内的移动终端都成为感知系统的一部分。终端之间发送的数据包不仅传递信息内容，其发射信号在传播过程中被多个相邻基站同时接收，每个基站根据接收信号估算出终端的位置和速度，多个基站的观测数据通过联合解算即可形成对终端运动状态的连续跟踪。这种基于通信网络的感知方式突破了传统传感器的视距限制，即使终端被建筑物遮挡，只要存在多径反射信号，系统仍能保持对终端的跟踪。在智能交通场景中，这意味着路侧基站可以在不依赖车载传感器的情况下，持续感知每一个联网车辆的精确位置和速度，并将这些感知结果通过下行链路广播给周边车辆，为自动驾驶提供冗余感知源。
通感算融合中的计算维度，其核心任务不再是简单的云端集中处理，而是将计算资源下沉到感知数据产生的位置。在一个典型的融合架构中，基站或接入点不仅完成通信信号的收发和感知参数提取，还在本地执行轻量级的信号处理和特征提取。例如，当多个终端在同一小区内进行视频会议时，基站可以实时感知每个参会者的头部姿态和视线方向，并根据这些感知结果动态调整视频编码的感兴趣区域，将更多码率分配给正在发言的参会者，同时降低背景区域的编码质量。这种调整是在基站的计算单元内完成的，不需要将原始视频上传到云端分析，从而大幅减少了上行带宽消耗和端到端处理时延。同样地，在工业物联网场景中，部署在生产线的无线传感器不仅上报温度、振动等参数，基站还可以通过分析传感器发射信号的细微变化，感知机械设备的运行状态，当检测到异常振动模式时立即触发本地计算单元执行故障诊断算法，并将诊断结果直接在边缘节点转换为控制指令下发给执行器。这种从感知到计算的闭环完全发生在网络边缘，避免了传统架构中将数据回传至中心云再等待决策的漫长路径。
通感算三要素的动态调度是系统能否发挥效能的关键。不同业务场景下，通信、感知、计算三者的资源需求比例差异巨大。高清视频直播场景中，通信带宽和低时延是主要矛盾，感知需求很弱，计算资源主要用于视频转码和拥塞控制。而无人机巡检场景中，需要利用通信信号持续感知无人机的位置和姿态，同时计算资源要实时处理航拍图像中的缺陷识别算法，感知和计算的需求同时处于高位。在城市安防监控场景中，大量固定的摄像头持续产生视频流，感知任务是对画面中的运动目标进行检测和跟踪，计算任务则是识别异常行为，此时通信需求相对平稳，而感知与计算的负载呈现明显的时空波动性。通感算融合架构需要一套统一的资源调度机制，能够实时监测每个接入节点的通信负载、感知覆盖需求和计算任务队列长度，动态调整三者在时间、频率、功率和计算周期上的分配比例。这种调度机制的基础是资源虚拟化。在传统网络中，通信资源由介质访问控制层负责调度，感知资源属于独立的传感器系统，计算资源则由云平台管理，三者各自有其控制面和数据面。通感算融合通过网络功能虚拟化技术，将基站的收发通道、感知处理单元和计算加速器统一抽象为可编排的资源池。调度器根据业务流的服务等级协议，为每个数据流分配通信资源块用于传输，同时指定该数据流是否需要触发感知处理，以及是否需要在本地执行特定的计算任务。
从系统架构的角度看，通感算融合改变了传统网络中接入、承载、应用三层各自为政的格局。在融合架构中，无线接入网不再仅仅是用户数据进入承载网的入口，而是成为感知信息和计算能力的第一级处理节点。接入网侧的基站或接入点配备了轻量级的推理加速单元，能够运行经过剪枝和量化处理的人工智能模型。当用户数据到达接入点时，这些模型直接在本地对感知提取的特征向量进行推理，判断是否需要触发上层业务逻辑，或者直接将推理结果封装成控制信令返回给终端。这种方式将大量低时延、高可靠性的处理任务卸载到了网络边缘，而云端则专注于全局优化、长周期训练和跨域协同。两层之间的分工根据业务特征动态调整，视频通话中的实时美颜效果可以由接入点计算单元完成，而通话双方的全局声场重建则交由云端处理。
