AIMS：面向仿真到真实多模态 ISAC 的智能体 AI 框架

研究者提出名为 AIMS 的智能体 AI 框架，用于多模态 ISAC 的仿真到真实迁移。用户以自然语言给出目标任务、部署条件与真实数据预算，AIMS 据此推导部署专属配置并协调执行，产出对应任务模型。其双智能体架构分别负责场景构建与任务学习：前者从共享物理状态生成地理对齐、同步的感知与无线记录，后者配置任务相关模态与 MoE 学习，支持零样本推理或少样本适配。在真实 DeepSense 6G 数据集上，车辆检测等任务获得提升。

此前多模态 ISAC 模型依赖大量标注真实数据，仿真数据虽可降低标注负担，但场景、感知、无线与学习配置之间不一致会损害迁移效果。AIMS 将配置推导与执行协调交给智能体，试图把仿真到真实迁移从人工调参转变为按部署需求自动生成配置，可能降低落地门槛。

该框架的核心机制是用自然语言需求驱动依赖感知的规划：结构化领域知识指导决策顺序，验证证据用于反馈式修正受影响的决策。场景构建智能体从同一物理状态出发，同步生成感知与无线记录，减少模态间不一致；场景理解智能体则选择任务相关模态并配置 MoE 学习，以支持零样本推理或少样本适配，从而在有限真实数据预算下完成迁移。

对无线感知与通信相关产品，AIMS 意味着部署阶段可能不再需要为每个新场景重新采集和标注大量真实数据，而是通过自然语言描述任务与条件来生成配置与模型。研发流程中，仿真管线与任务学习的耦合配置可由智能体协调，减少跨团队对齐成本；若验证证据充分，还可缩短从仿真验证到现场部署的周期。

• 面向 ISAC 或无线感知团队，提供以自然语言描述部署条件的仿真到真实配置生成工具原型。
• 围绕 DeepSense 6G 等公开数据集，验证 AIMS 在车辆检测之外任务的少样本适配效果并形成基准报告。
• 将双智能体架构中的场景构建与任务学习模块拆分为可独立采购或复用的组件。
• 在真实数据预算受限的垂直场景中，试点以零样本推理替代部分现场标注采集。

• AIMS 在 DeepSense 6G 之外的场景与频段上是否仍能保持迁移效果，证据尚未确认。
• 自然语言部署请求需要多高的描述精度才能生成可用的仿真到真实配置，尚不明确。
• 双智能体架构的实际推理与仿真计算成本，以及相对人工调参的投入产出比未被披露。
• 验证证据如何被量化并用于反馈修正，论文摘要未给出具体指标与阈值。