NVIDIA 开源技术正在加速 6G 发展：全球高校如何利用 Aerial、Sionna 与 AI 构建下一代无线网络？

关键词：NVIDIA Aerial、Sionna、6G、AI-RAN、神经接收机、语义通信、数字孪生、GPU 加速、DGX Spark

2026 年 11 月 6 日，NVIDIA 发布了一篇关于全球 6G 无线通信研究进展的技术文章，介绍了全球高校和科研机构如何利用 NVIDIA Aerial、Sionna 等开源工具，推动人工智能与下一代无线通信网络的深度融合。

从伦敦国王学院的机器人语义通信，到日本软银的 AI 神经接收机，再到苏黎世联邦理工学院的无线接收机优化、利兹大学的智能节能网络，以及西班牙 CTTC 的 GPU 加速网络仿真，这些研究展示了 AI-Native 6G 网络正在形成的技术路线。

值得关注的是，NVIDIA 披露了一组重要数据：

• 超过 100 万次下载：NVIDIA 5G/6G 开源工具累计下载量已经突破 100 万。
• 开发者采用规模增长 10 倍：过去一年，NVIDIA AI Aerial 和 Sionna 的全球开发者采用规模增长了 10 倍。
• 超过 8,000 家科研与教育机构：全球已有超过 8,000 家研究和学术机构使用这些平台。

这些数据表明，GPU 加速无线通信与 AI-RAN 正在从少数实验室的前沿研究，逐步发展为更广泛的 6G 科研技术基础设施。

一、从传统无线通信走向 AI-Native 6G

传统移动通信网络主要解决三个问题：更高的数据传输速率、更低的传输时延以及更大规模的设备连接。

但在 6G 时代，无线网络将不仅仅负责传输数据，还需要具备感知、计算、学习和自主优化能力。

未来的无线网络可能需要同时服务于机器人、自动驾驶车辆、工业设备、智能终端以及大量 AI Agent。

这意味着网络需要从传统的通信基础设施，演进为融合通信、计算和感知能力的软件定义平台。

NVIDIA 正在通过开放的 GPU 加速计算平台和无线通信软件，为这一转变提供技术支持。

其中，两项关键技术是：

NVIDIA Aerial

面向 GPU 加速无线接入网的软硬件技术体系，支持研究人员开发、部署和测试基于 CUDA 的 5G/6G 物理层算法与无线网络系统。

NVIDIA Sionna

面向无线通信研究的开源工具体系，支持通信链路仿真、信道建模、射线追踪，以及机器学习驱动的通信算法研究。

两者结合，可以形成从算法设计、仿真训练到真实无线网络实验的研发流程。

研究人员不再局限于 MATLAB 或 Python 中的离线算法验证，而是可以进一步将 AI 模型部署到实际无线系统中，验证其在真实信道条件下的性能。

二、伦敦国王学院：利用语义通信让机器人响应更快

在传统无线通信系统中，网络需要尽可能准确地传输原始信息。

例如，一台机器人通过摄像头观察环境，将图像发送给边缘服务器，由服务器分析图像并返回控制指令。

这种模式需要传输大量图像数据，可能增加无线链路负载和任务执行时延。

伦敦国王学院（King’s College London）的研究人员探索了一种不同的方法：

目标导向的语义通信（Goal-Oriented Semantic Communications）。

其核心思想是，不再传输完整图像，而是只发送与当前机器人任务有关的重要信息。

例如，在机器人抓取任务中，网络可能不需要传输一张完整的高清图像，而只需要发送：

• 目标物体的类型与位置；
• 物体之间的空间关系；
• 机器人执行任务所需要的状态信息；
• 影响任务成功率的关键环境变化。

研究人员利用 NVIDIA Jetson AGX Orin 和 NVIDIA Sionna 搭建了机器人实验系统，并进行了水果包装、方块堆叠等任务测试。

实验还人为引入了故障，以验证机器人在异常情况下的恢复能力。

实验结果显示，采用语义通信的方案在测试条件下最高可将机器人任务完成时间缩短 52.6%。

此外，系统还具备一定的异常恢复能力，包括检测掉落物体、处理执行失败的动作，以及借助数字孪生进行潜在碰撞检查。

技术价值

这类研究表明，6G 网络未来可能不再只关注传统的吞吐量、误码率和频谱效率，还会更加关注任务执行效果。

例如：

传统通信指标关注：

• 数据传输速率；
• 端到端时延；
• 误码率；
• 频谱效率。

任务导向通信则可能进一步关注：

• 机器人任务成功率；
• 任务完成时间；
• 单次任务所需传输数据量；
• 任务恢复能力；
• 单位任务通信与计算能耗。

语义通信有望成为 6G 机器人通信、工业自动化以及智能体协作的重要研究方向。

三、日本软银：将 AI 神经接收机部署到真实 5G 网络

传统无线接收机通常使用经过精心设计的信号处理算法，包括信道估计、均衡、解调以及信道译码。

这些算法具有成熟的理论基础，但在复杂干扰和快速变化的无线环境中，仍然面临性能与复杂度之间的权衡。

近年来，研究人员开始探索通过深度神经网络改进接收机性能。

这类方法通常被称为：

Neural Receiver（神经接收机）。

其核心思路是利用机器学习模型，从接收到的无线信号中恢复发射信息，或者替代、增强传统接收机中的部分信号处理模块。

日本软银（SoftBank）将神经接收机集成到 NVIDIA Aerial CUDA-Accelerated RAN（ACAR）中，并使用商用 5G 智能手机进行了实验。

这项研究的重要意义在于，它不再停留在离线数据集或纯软件仿真阶段，而是将神经网络算法引入实际 5G 无线接入网系统。

实验结果

在受控干扰测试中，研究团队对 15 种测试设置进行了评估。

与传统接收机相比，神经接收机在全部 15 种测试设置中均实现了更高的上行吞吐量。

其中最大吞吐量提升约 60%。

需要强调的是，这一结果来自特定实验条件，并不意味着所有无线网络部署场景都能够获得 60% 的性能提升。

技术价值

对于 AI-RAN 研究而言，神经接收机是一个具有代表性的研究方向。

其潜在研究内容包括：

1. 基于深度学习的信道估计与信号均衡。
2. 面向复杂干扰环境的 AI 解调算法。
3. 传统接收机与神经网络的混合设计。
4. AI 模型的实时推理优化。
5. 在 GPU 上实现低时延的神经接收机。
6. 将神经接收机集成到 O-RAN 7.2x 架构中。

特别值得注意的是，AI 模型在 GPU 上运行并不自动意味着能够满足实时通信要求。

实际部署还必须解决处理时延、内存访问、计算调度以及与 L1 PHY 流水线协同等工程问题。

因此，NVIDIA Aerial 的价值不仅在于提供 GPU 算力，还在于为 AI 算法进入真实无线物理层提供实验和开发基础。

四、苏黎世联邦理工学院：让神经接收机适应真实无线环境

虽然神经接收机能够通过机器学习提高无线信号检测性能，但另一个关键问题是：

在某个环境下训练的 AI 接收机，是否能够在另一个环境中保持相同的性能？

真实无线环境具有高度复杂性。

室内、室外、城市、工业厂房以及高速移动场景的无线信道特性可能存在明显差异。

如果神经接收机只依靠预先生成的数据集训练，可能难以完全适应实际部署环境。

苏黎世联邦理工学院（ETH Zurich）的研究人员使用 NVIDIA Aerial Testbed，探索了利用本地无线测量数据优化神经接收机的方法。

研究人员通过真实环境测量数据，对已有神经接收机进行适应性优化。

实验结果表明：

与选定的预训练模型相比，经过本地数据优化的神经接收机，其块错误率（BLER）降低超过三分之一。

技术价值

这项研究涉及未来 AI-Native RAN 的一个核心问题：模型适应性。

未来的无线网络可能需要根据部署区域、用户分布、干扰状态和信道变化，对 AI 模型进行持续优化。

值得进一步研究的方向包括：

• 基于真实无线信道数据的模型微调；
• 不同无线环境之间的迁移学习；
• 在线学习与模型更新；
• 神经接收机的泛化能力；
• 通信网络中的模型漂移检测；
• 在真实基站上执行模型更新时的稳定性与实时性。

从工程角度看，Aerial Testbed 的意义在于能够让研究人员获得真实无线信号与物理层处理数据，进而建立数据采集、模型训练、模型验证和实际部署之间的联系。

这类研究有望推动 AI-RAN 从静态模型部署走向环境自适应的智能无线系统。

五、英国利兹大学：基于 DGX Spark 构建 AI 智能节能基站

随着 5G 网络规模扩大，以及未来 6G 网络连接设备数量持续增加，基站能耗已经成为无线通信研究中的重要问题。

传统无线网络通常需要维持一定数量的基站和无线资源处于工作状态，以保证用户覆盖和网络容量。

但实际网络负载存在明显的时间变化。

例如，大型体育场在比赛期间可能需要非常高的网络容量，但在观众离开后，网络负载会迅速下降。

如果能够提前预测网络流量，就可以根据实际需求调整基站运行状态，降低不必要的能源消耗。

英国利兹大学（University of Leeds）的研究人员提出了一种 AI 驱动的无线网络节能方案。

其主要方法是：

利用 AI 预测未来 10 分钟的网络需求，并根据预测结果决定基站是否进入休眠状态。

在执行基站休眠之前，系统还需要确认邻近基站是否能够继续服务受到影响的终端。

同时，系统会持续监测网络状态，在需要时恢复相应网络容量。

DGX Spark 在实验中的作用

研究团队使用 NVIDIA DGX Spark 构建了一套便携式 5G Network-in-a-Box 实验平台，并结合数字孪生技术验证网络节能决策。

这意味着 AI 模型、无线通信系统与网络运行策略可以在一个紧凑型实验环境中进行联合验证。

根据 NVIDIA 公布的数据：

在保持终端连接的实验条件下，研究人员报告 RAN 功耗相比全功率基线降低了 45.6%。

这一结果反映了 AI 在无线网络能源管理方面的潜力。

不过，实际运营网络的节能效果还会受到流量分布、覆盖重叠、设备功耗模型及服务质量约束等因素影响。

技术价值

这项研究也揭示了 DGX Spark 在高校 5G/6G 研究平台中的另一种应用方向。

GPU 不一定只用于加速 PHY 物理层算法，也可以承担：

• 无线网络流量预测；
• 基站休眠策略优化；
• AI 推理和模型训练；
• 网络状态监测；
• 数字孪生仿真；
• 智能无线资源管理。

对于高校实验室而言，基于 DGX Spark 的紧凑型平台，可以成为开展 AI-RAN 算法验证和教学实验的一种选择。

六、西班牙 CTTC：利用 GPU 将 5G 网络仿真从数小时缩短至数十分钟

在无线通信研究中，仿真是验证新算法和新网络架构的重要手段。

研究人员需要模拟不同用户数量、信道环境、干扰条件以及无线资源调度策略下的网络性能。

随着仿真场景复杂度增加，计算开销也会明显增长。

特别是在大规模网络仿真中，如果希望使用更真实的无线传播模型，传统 CPU 仿真可能需要较长时间。

西班牙加泰罗尼亚电信技术中心（CTTC）正在探索通过 GPU 加速解决这一问题。

研究团队将运行于 NVIDIA Aerial CUDA-Accelerated RAN 环境中的 GPU 加速无线信道模型，与其开源的 5G-LENA 网络仿真器进行集成。

5G-LENA 是面向 5G NR 网络研究的仿真工具，可用于研究网络性能、协议机制和无线资源管理算法。

通过 GPU 加速，研究人员可以提高无线信道建模相关计算的执行效率。

实验结果

根据 NVIDIA 介绍，在初步评估中：

原本约需 3 小时的仿真任务，缩短至约 10～20 分钟。

具体耗时取决于集成方式和测试配置。

与此同时，研究团队报告其仿真仍保留了预期的统计行为和网络性能特征。

这一成果意味着，在相同研究时间内，研究人员有机会评估更多网络方案，探索更复杂的实验场景。

技术价值

GPU 加速不仅适用于基带信号处理，也能够服务于更广泛的无线通信研发工作。

例如：

• 大规模无线网络系统级仿真；
• 复杂无线信道模型计算；
• 多用户与多小区干扰分析；
• 无线资源调度算法研究；
• 网络数字孪生；
• AI 与无线网络联合优化。

未来，通信系统级仿真、真实信道建模与 GPU 加速计算之间的融合，有望成为 6G 科研平台的重要发展方向。

七、五项研究成果对比：AI-RAN 正在研究什么？

NVIDIA 本次介绍的五项研究，代表了不同的 AI-RAN 和 6G 技术方向。

研究机构	主要研究方向	NVIDIA 技术	官方披露的实验成果
伦敦国王学院	机器人语义通信	Sionna、Jetson AGX Orin	任务完成时间最高缩短 52.6%
日本软银	AI 神经接收机	Aerial ACAR	最大上行吞吐量提升约 60%
苏黎世联邦理工学院	神经接收机环境适应	Aerial Testbed	BLER 降低超过三分之一
英国利兹大学	AI 网络节能	DGX Spark、数字孪生	RAN 功耗降低 45.6%
西班牙 CTTC	GPU 加速无线网络仿真	Aerial ACAR、5G-LENA	仿真时间从约 3 小时降至 10～20 分钟

需要注意，表中各项实验的基线、测试条件和评价指标不同，因此这些百分比不能直接用于比较各研究成果的优劣。

从技术分类看，这五项研究主要涉及四个方向：

第一，AI for RAN：利用 AI 改进无线网络。

典型研究包括神经接收机、无线网络流量预测以及动态节能控制。

第二，RAN for AI：利用无线网络支持 AI 应用。

典型研究包括机器人语义通信，以及面向智能设备的低时延任务导向网络。

第三，GPU-Accelerated RAN：利用 GPU 加速无线通信。

典型研究包括 GPU 加速 PHY 算法、无线信道计算及网络仿真。

第四，AI-Native Network：构建具备智能优化能力的无线网络。

这一方向将 AI 模型、无线网络数据、数字孪生与控制策略结合，使网络能够根据环境和业务需求动态调整运行方式。

八、NVIDIA Aerial 与 Sionna：从仿真到真实无线网络的研发体系

传统高校通信科研通常需要使用不同工具完成不同阶段的开发工作。

例如，通信算法可以在 MATLAB 或 Python 中仿真，深度学习模型可以在 PyTorch 中训练，而真实无线系统实验则需要 SDR、基站协议栈及射频设备。

不同平台之间可能存在接口不兼容、数据格式不统一，以及算法难以实时部署等问题。

NVIDIA 正在推动形成一套覆盖多个研发阶段的工具体系。

1. Sionna：无线算法研究与 AI 模型训练

Sionna 可用于无线链路级研究及机器学习通信算法开发。

典型应用包括：

• MIMO 信道建模；
• 无线信号检测与解调；
• 神经接收机研究；
• 信道编码和译码研究；
• AI 驱动的物理层算法开发。

Sionna RT 进一步支持基于射线追踪的无线传播建模，可用于研究空间传播环境对无线链路性能的影响。

2. Aerial：GPU 加速物理层开发

NVIDIA Aerial CUDA-Accelerated RAN 为 GPU 加速无线物理层提供了开发基础。

研究人员可以围绕传统 PHY 算法和 AI PHY 算法开展优化与实验。

典型研究内容包括：

• PUSCH 上行信号处理；
• PDSCH 下行信号处理；
• MIMO 检测；
• 信道估计；
• LDPC 编译码；
• AI 接收机集成；
• GPU Kernel 性能优化。

这些研究要求综合考虑通信算法性能、CUDA 执行效率和实时系统约束。

3. Aerial Testbed：真实无线环境验证

Aerial Testbed 将 GPU 加速无线通信能力与实际网络实验环境结合起来。

研究人员可以进一步使用商用终端、无线射频设备和真实无线信道进行实验。

例如，在基于 O-RAN 架构的测试平台中，可以结合：

• GPU 计算平台；
• NVIDIA Aerial/cuPHY；
• OAI 等协议栈；
• O-RAN O-RU；
• 5G Core；
• 5G 商用 UE。

这类平台可用于研究真实无线环境下的 PHY 算法性能、神经接收机行为以及 AI 模型的部署可行性。

具体硬件兼容性、功能开放程度和开发接口，需要以相应 Aerial 版本及测试平台的文档为准。

4. 数字孪生：减少真实无线实验成本

数字孪生可以帮助研究人员在实际部署前评估网络设计或控制策略。

通过将网络拓扑、无线信道、终端分布和业务负载等信息引入仿真环境，可以降低部分实验的实施成本。

但数字孪生模型仍需利用实际测量进行校准和验证，才能提高其对真实网络的预测价值。

九、对未来 6G 高校科研平台建设的启示

从 NVIDIA 公布的研究案例来看，未来高校 6G 科研平台可能逐步从单一的无线通信实验设备，转向融合 GPU、AI、无线网络和数字孪生的综合实验平台。

与传统平台相比，其研究重点可能出现三个变化。

从传统 PHY 算法转向 AI 与 PHY 联合设计

未来通信物理层研究不会完全抛弃传统信号处理算法，而可能更多采用传统算法与神经网络相结合的混合架构。

这种方式既可以利用经典算法的可解释性和稳定性，也能够探索 AI 模型在复杂无线环境下的潜在性能优势。

从离线仿真转向真实无线网络验证

仅通过软件仿真获得性能提升，已经难以充分证明一种算法具备实际部署价值。

对于神经接收机、在线模型更新和实时无线资源控制等研究，真实无线环境验证将更加重要。

研究人员不仅需要评估算法的误码率和吞吐量，还需要评估实时处理能力、计算资源消耗和系统稳定性。

从通信性能研究扩展到通信、计算和感知融合

未来 6G 研究可能更加注重通信网络与 AI 计算、机器人控制以及无线环境感知之间的协同。

这意味着高校实验平台需要支持更多跨学科实验，例如：

• AI 神经接收机与信道估计；
• 机器人语义通信；
• 无线网络数字孪生；
• AI 驱动的网络节能；
• GPU 加速通信算法；
• 基于无线信道数据的环境感知与定位。

这些研究方向也为通信工程、人工智能、计算机科学和自动化等学科之间的联合研究提供了技术基础。

十、总结：开源与 GPU 加速正在改变 6G 科研方式

NVIDIA 于 2026 年 11 月公布的五项研究成果，展示了全球高校和科研机构正在探索的多条 AI-RAN 技术路线。

伦敦国王学院通过语义通信优化机器人任务执行，日本软银将神经接收机引入真实 5G 系统，苏黎世联邦理工学院探索 AI 接收机的环境适应能力，利兹大学利用 DGX Spark 验证网络智能节能方案，而 CTTC 则通过 GPU 加速提升了无线网络仿真效率。

这些研究虽然面向不同问题，但存在一个共同趋势：

无线通信网络正在从以数据传输为中心的基础设施，逐步向融合人工智能、无线感知、计算和自主优化能力的系统演进。

与此同时，NVIDIA Aerial、Sionna 等开源工具为研究人员提供了连接仿真、模型训练和真实无线实验的技术路径。

对于未来 6G 科研而言，竞争重点不仅在于谁能够提出更好的算法，也在于谁能够更高效地完成从算法研究到真实系统验证的全过程。

GPU 加速、开源无线软件、AI 模型与真实无线实验平台的结合，有望成为下一代通信科研基础设施的重要组成部分。

---

参考资料

1. NVIDIA 官方博客（2026 年 11 月 6 日）：How NVIDIA Open Source Tools Are Helping Researchers Build Next-Generation 6G Networks
2. NVIDIA Aerial CUDA-Accelerated RAN：GitHub 开源仓库
3. NVIDIA Sionna：GitHub 开源仓库
4. SoftBank 神经接收机研究：SoftBank Research

说明：文中研究机构、实验成果及核心统计数据依据 NVIDIA 官方 2026 年 11 月 6 日的报道整理。有关 AI-RAN 技术架构、研究方向和高校平台建设的内容属于扩展分析，不代表 NVIDIA 官方发布的产品路线图或技术承诺。