成百上千个分布式TRP需要在逻辑上表现为一个巨型虚拟基站，空口同步从传统的时频相对齐演进为相位级精同步——这是无蜂窝网络最具挑战性的技术命题。6G FuTURE论坛这份白皮书系统拆解了无蜂窝空口技术的三大支柱：大规模TRP时频及相位同步（基站自校准+终端辅助校准双轨并行）、层次化分布式收发机（分组联合互补理论将全局联合MMSE和本地MMSE统一纳入数学框架）、多维灵活双工与AI原生调度。试验数据显示，CF-RAN架构实现上行48流425bps/Hz频谱效率，毫米波32流并行达50Gbps吞吐率。
大规模TRP时频及相位同步——从时频对齐到相位精同步
同步挑战与三种本振实现方式
在无蜂窝大规模MIMO系统中，分布式部署的TRP拥有独立的射频前端和本地振荡器，即便有IEEE 1588v2 PTP等有线时钟分发，物理层在毫米波甚至太赫兹频段仍面临严峻去相干挑战。信道的互易性受收发节点之间的时间同步、本振相位、收发通道系数的影响。本振信号生成可通过共本振时钟、共参考时钟、独立本振三种方式实现。共参考时钟是一种较为现实的部署方式，采用以太时钟和时间分发机制实现多个节点之间的时间和时钟同步。
基站侧自校准与终端辅助校准
基站侧自校准采用分组校准和中继校准相结合的方法，将参与校准的节点分簇，簇内分组校准（采用交织分组优化校准性能），簇间间接校准获得全网校准。终端辅助校准方面，R19版本引入了两种方案：非预编码终端辅助校准可复用现有导频设计，但TRP之间非QCL时易出现较大测量误差；预编码终端辅助校准利用互易性消除空口信道影响，可推广至TRP之间非QCL场景，可利用多终端联合校准提升精度。
低频段TDD系统当各TRP之间存在空口链路且网络侧具备自校准能力时，可实现高性能多用户协作传输，自校准过程对终端透明。高频段下行CJT对参与协作的TRP之间的时频同步提出更严格要求，终端辅助校准是高频段实现CJT的关键技术途径，需要多终端辅助的数模混合TRP校准。
层次化分布式收发机——分组联合互补与级联团队MMSE
上行接收：分组联合互补理论
分组联合互补提供统一数学框架，将全局联合MMSE和AP本地MMSE作为两种极端情况包含其中。该框架下，所有AP被划分为若干个组，每个组内的AP由对应的DC进行联合处理。分组联合MMSE互补理论揭示分组MMSE与全局联合MMSE的数学关系：V_J,g = V_G,g · Z_g，其中Z_g称为互补核，包含组间协作所需的关键信息。列空间等价理论指出，只要各组选择的局部均衡器位于分组MMSE均衡器所张成的列空间中，就可以通过设计互补核达到全局联合MMSE性能。
基于该理论提出四种分布式上行接收方案：线性合并分组MMSE（达到全局性能，复杂度分散到各DC）、MR分组MMSE（仅需共轭操作，复杂度极低）、压缩匿名均衡分组MMSE（前传开销从K×K降低为K_g×K_g）、静态分组MMSE（仅依赖统计信息）。
下行预编码：级联团队MMSE
级联团队MMSE采用三级级联预编码结构：基本预编码器B_dc（DC本地计算，局部MMSE设计准则）、瞬时簇预编码器C_dc（DC端计算，利用来自其他DC的共享信息实现DC间协作）、协作簇预编码器D_dc（CPU端基于统计信息协调）。开-关共享策略定义共享比例η，在性能与前传开销间灵活权衡，η=1时所有DC共享信息性能最优但开销最大，η=0时无信息共享开销最小但性能受限。
团队MMSE平稳条件推导出分布式预编码器的最优结构。嵌套最优结构表明在层次化架构中要全局最优必须首先满足低层级最优条件，DC层面的协作是CPU层面协调的基础。前传容量约束决定最大可行共享比例，通过调节η可在性能和开销之间灵活权衡。
多维灵活双工与AI原生智能调度
CF-NAFD、SBFD与BDMA融合
无蜂窝网络辅助全双工（CF-NAFD）在CF-RAN基础上采用多节点协作传输解决灵活双工、混合双工、同时同频全双工面临的交叉链路干扰。子带全双工（SBFD）在TDD载波内划分非重叠上下行子带，非对齐子带部署中不同的AP上下行子带起始频率位置和带宽可根据业务或信道环境调整，引入的CLI可通过CPU检测与干扰抵消消除。波分多址（BDMA）利用大规模天线阵列的高空间分辨率，在CF-RAN中获得更高的空间自由度进行更精细的波束成形与用户分组。
AI原生的智能调度与资源分配
面向无蜂窝网络的智能资源分配体系由数据驱动层、模型决策层与系统支撑层三层构成。数据驱动层通过基于信道相关性的层次密度聚类用户预分组技术，将原始高维物理层信道状态信息压缩为低维离散化分组标签，将状态空间降低数个数量级。
模型决策层引入分支竞争深度Q网络（BDQ）架构，采用“全局特征共享、局部动作解耦”机制。网络前端共享特征提取层从压缩后的系统状态中提取全局环境特征；网络后端被分解为与调度维度数量相等的多个独立分支，每个分支对应一个具体的用户与接入点配对决策。这一机制将指数级增长的联合动作搜索转化为线性复杂度的并行子动作决策。训练后策略模型被轻量化部署至各分布式单元，各节点仅需基于压缩后的本地观测信息进行一次前向推理，即可在毫秒级时间内独立完成用户选择与资源配对，全程无需依赖实时全局信息交互。
