在第六代（6G）网络中，正朝着AI原生操作发展，其中学习模块嵌入到无线接入网（RAN）、边缘和核心网络中。这一转变需要从有限标签、异构无线和网络数据、部分观测、非平稳传播及延迟受限的控制回路中学习。联合嵌入预测架构（JEPA）是一种有前景的自监督范式，因为它在潜在空间中预测缺失或未来的表示，而不是重建原始测量或使用对比负样本。
本文提供了一个针对6G智能的无线导向JEPA教程。我们定义了JEPA训练机制，描述了如何对信道状态信息（CSI）、波束测量、关键性能指标（KPI）、拓扑图和传感观测进行标记和掩蔽，并将学习到的编码器定位为RAN、O-RAN、边缘和核心功能的预测表示层，任务特定的头或控制器则生成最终决策。
接着，我们展示了一个说明性的波束管理案例研究，表明无线感知目标，特别是在自监督预训练期间的辅助未来波束能量目标，可以在相对于监督源领域的转变部署条件下，提高标签效率和鲁棒性。最后，我们概述了多时间尺度预测、动作条件建模、分布式训练、可信度、有效部署、基准测试和标准化等开放挑战。
博主点评： JEPA作为一种自监督学习的架构，为6G网络中的智能化提供了新的视角。其预测能力不仅能提升标签效率，还能在复杂的无线环境中保持鲁棒性，值得进一步探索其在实际部署中的应用和挑战。