英伟达开源工具如何助力研究人员构建下一代6G网络
内容提要
英伟达开源的5G/6G工具下载量超百万，被全球逾8000家研究机构采用，一年内使用量增长10倍。文章介绍四项研究：伦敦国王学院用Sionna与Jetson实现目标导向语义通信，机器人任务完成时间最多缩短52.6%；软银将神经接收器集成到Aerial，上行吞吐量最高提升约60%；利兹大学预测网络需求以调度基站休眠，RAN功耗降低45.6%；CTTC将GPU加速信道模型引入5G-LENA，仿真时间从约3小时降至10至20分钟。
延伸解读
从仿真到实测：开源工具打通研究链路
文章强调，英伟达开源工具将仿真、AI训练与真实无线系统实验连接起来。例如，伦敦国王学院用Sionna在Jetson上实现语义通信，软银将神经接收器集成到Aerial进行商用手机测试，利兹大学用DGX Spark搭建便携5G网络验证基站休眠。这种从软件仿真到硬件实测的连贯性，降低了研究机构重复搭建环境的成本，也便于不同团队比较结果和复用成果。
语义通信与神经接收器：提升效率的两条路径
文章展示了两类提升无线效率的思路：一是目标导向语义通信，机器人只传输任务所需的紧凑描述而非完整图像，在实验中任务完成时间最多缩短52.6%；二是神经接收器，通过学习更有效地从干扰信号中恢复信息，软银测试中上行吞吐量最高提升约60%。两者分别从“少传”和“收得准”入手，但都依赖AI模型与无线系统的紧耦合，实际部署时需考虑模型泛化与本地环境适配。
节能与仿真加速：面向6G的运维与研发效率
利兹大学利用10分钟需求预测调度基站休眠，在保持连接的同时将RAN功耗降低45.6%，说明AI可帮助网络在容量闲置时动态节能。CTTC则将GPU加速信道模型引入5G-LENA，把仿真时间从约3小时压缩到10至20分钟，使研究人员能更快比较更多设计方案。这两项工作分别针对运营阶段的能耗和研发阶段的迭代速度，体现了开源工具在6G全生命周期中的潜在价值。
Q&A
英伟达开源了哪些5G/6G工具？目前有多少研究机构在使用？
英伟达开源了Aerial无线软件、Sionna以及更广泛的开源工具套件。这些工具的下载量已超过100万次，全球超过8000家研究机构正在使用。过去一年，全球开发者对NVIDIA AI Aerial和NVIDIA Sionna的采用率增长了10倍。
伦敦国王学院如何利用英伟达工具让机器人反应更快？效果如何？
伦敦国王学院的研究人员将配备摄像头的机械臂连接到运行NVIDIA Sionna的NVIDIA Jetson AGX Orin上，采用目标导向的语义通信，让机器人传输物体的紧凑描述而非完整图像。在水果包装和方块堆叠实验中，该方法将机器人任务完成时间最多缩短了52.6%，并提高了任务成功率，系统还表现出更强的韧性，能检测掉落物体、从失败动作中恢复，并利用数字孪生检查碰撞。
软银如何利用神经接收器提升5G上行吞吐量？
软银将神经接收器集成到NVIDIA Aerial CUDA加速RAN（ACAR）中，并用商用5G智能手机进行测试。在干扰条件下的受控测试中，神经接收器在所有15个测试设置下的上行吞吐量均高于传统接收器，最大增益约为60%。
利兹大学如何利用AI预测网络需求来降低基站功耗？
利兹大学开发了一个系统，可提前10分钟预测网络需求，并利用预测结果指导基站休眠决策。在断电前，系统会检查邻近活跃基站能否继续服务受影响设备，并监控需要恢复容量的变化。测试使用便携式NVIDIA DGX Spark驱动的5G“网络-in-a-box”和数字孪生，结果显示RAN功耗相对全功率基线降低了45.6%，同时保持了设备连接。
CTTC如何加速5G网络仿真？仿真时间缩短了多少？
CTTC将运行在ACAR上的GPU加速无线信道模型引入其开源5G-LENA网络模拟器。这些模型计算无线信号在天线和设备间的传播，计算量随模拟网络规模增长而增大。早期评估显示，该方法将仿真运行时间从约3小时缩短至10-20分钟（取决于集成方式），同时保持了预期的统计行为和网络性能。
这些研究项目共同指向怎样的6G网络愿景？
这些项目共同指向构建AI原生6G网络的更广泛目标，即通过一个融合的软件定义平台，为数十亿人、机器和智能体提供连接、计算和感知能力。具体而言，网络不仅能传输数据，还能更有效地接收信号、在关键时刻保持机器人和自主系统连接，并随着设备移动实时自适应。
