AI/ML在波束管理中的应用
对于BM-Case1和BM-Case2，至少支持AI/ML模型训练和推理，方案有：
方案1.网络侧的AI/ML模型训练和推理
方案2.UE侧的AI/ML模型训练和推理
关于BM-Case1和BM-Case2的方案3关于是否支持UE侧AI/ML模型的模型转移？
方案3.网络侧的AI/ML模型训练，UE侧的AI/LL模型推断
对于具有网络侧AI/ML模型的BM-Case1和BM-Case2，对AI/ML模式推断的以下L1报告增强有影响：
UE在一个报告实例中报告4个以上波束的测量结果
还可以考虑其他L1报告增强功能
关于UE侧AI/ML模型训练的数据收集，有以下考虑：
是否以及如何启动数据收集
如何配置？例如，Set A和Set B相关的配置，set A和set B的关联/映射信息
从网络到UE的辅助信息
所以，就目前来讲，对于子用例BM-Case1和BM-Case2，重点关注方案1和方案3中的预测波束，以便进一步研究潜在的向下选择。
方案1和方案3在协议已采纳的有：
方案1：下行Tx波束预测
方案3：波束对预测（波束对由下行 Tx波束和相应的下行 Rx波束组成）
最新讨论结果是取消了向下选择条款。关于不支持该提议的原因，一是认为来自UE侧的波束对预测是不可行的，因为并非每个UE侧厂商都希望共享此类信息。因此，建议将该协议分为两个，网络侧和UE侧。需要评估UE侧的可行性。
对于使用网络侧AI/ML模型预测BM-Case1和BM-Case2的下行波束对，从以下方面考虑可行性和潜在影响：
如何在波束对和UE的相关Rx波束之间的映射上协调网络和UE之间的共识
是否/如何指示从网络到UE的波束对
是否/如何从UE向网络报告Rx波束相关信息
除了可行性问题外，反对者还提到，没有评估结果可以证明波束对预测的价值，因为它将引入更多的规范影响，并且可能产生比仅下行Tx波束预测更多的开销。
然而，可以观察到下行Tx预测与真正的最佳波束相比有明显的退化（当使用固定波束时）。使用波束对预测时的L1-RSRP差异远小于下行Tx的差异。这两个结果似乎都表明，知道最佳Rx波束将有助于预测的性能。
对于具有网络侧AI/ML模型的BM-Case1和BM-Case2，研究规范对AI/ML模式推断的以下L1报告增强的潜在影响
UE在一个报告实例中报告4个以上波束的测量结果
可以考虑其他L1报告增强功能
对于BM-Case1，如果预测结果是Top-N波束对，则需要直接或间接地将L1 RSRP映射到正确的Tx-Rx波束对或Set a波束（对），以用于训练和推断目的。如果没有这种机制，测量值和波束对之间可能会出现映射错误。此类信息的交换可能会对标准产生影响。
关于BM-Case1和BM-Case2的输入，因为不同的公司对模型输入的方案有不同的偏好（难以达成共识）。以下是关于辅助信息的列表。
选择作为AI/ML模型输入的特性被视为依赖于实现的专有特性。对波束管理的AI/ML的评估中，仅使用L1-RSRP作为输入，可以得到良好的性能。由于辅助信息的使用可能包括额外的开销，包括功耗和其他性能，如果将辅助信息用于训练，则需要根据获取和交换辅助信息的开销来证明性能增益是合理的。
对于BM-Case1和BM-Case2的输出，尽管许多公司有提案，但模型输出替代方案的主题并未明确。目前较好的选择有：
Beam ID和预测的L1-RSRP
N个预测下行 Tx和Rx波束的Beam ID和其他信息
N个预测DL Tx和Rx波束的波束角和预测L1-RSRP
为了给予企业一定的灵活性来决定其模型的输出，除非存在标准影响，否则无需指定模型的输出，只要他们的系统知道如何解释输出。
