语义感知（SemS）旨在获取任务相关信息，而不是重建完整的物理场景。现有的 SemS 方法大多采用开环设计：感知配置和观测调度在推理前就已固定，无法根据任务层面的证据动态调整。
我们提出 能动语义感知（Agentic SemS），一种闭环框架，专为 AI‑enabled 无线接入网（AI‑RAN）设计。该框架在一组通信可行的配置集合中主动控制感知行为，使感知过程能够随任务需求实时变化。
框架核心是 profile‑conditioned 因果 Transformer，它依据流式观测持续更新语义信念。为避免在配置切换时重复处理完整历史，采用 键值缓存 机制，仅对新增观测进行增量更新，从而实现高效的状态维护。
与此同时，语义效用网络 评估在每个可行配置下获取下一段观测块的任务层面收益，并显式考虑感知成本。该网络输出的 续航效用 同时支撑两项决策：一是选择下一个感知配置，二是判断是否进行 语义提前退出，即在证据足够时提前终止感知，以节约资源。
理论上，期望的语义增益可与 条件互信息 建立等价关系，提供了感知继续进行的价值‑信息解释。
实验在 Widar3.0 数据集上进行，模拟六种不同感知配置。与全序列的 High 配置相比，资源高效的能动设置在归一化累计感知成本上降低 25.33%，同时实现 85.79% 的 Macro‑F1。进一步在相同效用检查点引入语义提前退出，可再降低 12.35% 的成本，仅导致 Macro‑F1 下降 0.97 个百分点。
点评