La creciente complejidad de los sistemas inalámbricos de próxima generación desafía la escalabilidad y las capacidades de generalización del diseño de la capa física (PHY) tradicional basado en modelos, que se basa en modelos de canal derivados analíticamente y marcos de optimización. Este documento presenta una encuesta integral y una revisión crítica de las arquitecturas de aprendizaje profundo (DL) que permiten la transición hacia un diseño de PHY nativo de IA. Se desarrolla una perspectiva de optimización unificada en la que todas las tareas de PHY, incluyendo la estimación de canal, la retroalimentación de información del estado del canal (CSI), el procesamiento masivo de MIMO, la detección de señales, la codificación de canal, la formación de haces, la asignación de recursos y la transmisión consciente del significado, se formulan bajo un marco común de minimización de riesgo empírico (ERM). Se examinan arquitecturas neuronales como autoencoders, redes convolucionales y recurrentes, transformadores y modelos de aprendizaje por refuerzo a través de sus formulaciones de optimización subyacentes, funciones de pérdida, metodologías de entrenamiento y mecanismos de aprendizaje de representación. La revisión compara enfoques basados en modelos y nativos de IA en términos de métricas de rendimiento, complejidad computacional, robustez, capacidad de generalización y restricciones de implementación práctica, incluyendo limitaciones de hardware, eficiencia energética y viabilidad en tiempo real. El análisis destaca las condiciones bajo las cuales las arquitecturas nativas de IA proporcionan adaptabilidad y mejoras en el rendimiento, al tiempo que identifican compensaciones en complejidad, latencia e interpretabilidad. El estudio concluye esbozando direcciones de investigación priorizadas hacia sistemas de comunicación inalámbrica completamente adaptativos y auto-optimización.