全球首个射频大模型发布，6G网络的认知大脑有了雏形

来源：市场资讯

（来源：DeepTech深科技）

2026 年，阿联酋哈利法大学的邹航博士和他所在的团队，做出了全世界第一个射频大模型，名字叫 RF GPT。

这个模型能直接看懂无线信号，就像 GPT 4o 能看懂图片、Qwen2 Audio 能听懂声音一样。你把无线信号扔给它，它不仅能告诉你这里面有几种信号、分别是什么技术，还能分析出有没有信号在打架、哪个是 5G 哪个是蓝牙、甚至能数出来 WiFi 网络里有多少个用户同时在用。

图 | 邹航（来源：受访者）

邹航说，他做这项研究的初衷很简单。下一代 6G 通信系统的愿景之一是 AI 原生通信，大模型被认为在这一方向极具潜力。

然而，当前通信领域的大模型相关研究停留在纯文本模态，纯文本的大模型完全无法感知以及理解无线信号，尽管后者是通信领域的核心研究对象。

“很难想象未来作为关键决策模块的大模型在海量的无线信号面前无法直接感知，只能通过日志以及简单报表来进行关键决策，”邹航打了个比方，“这就好像一个闭着眼的司机坐在主驾驶位置上在高速公路上驾驶，但他却只能通过与乘客的对话来驾驶汽车。”

（来源：https://arxiv.org/pdf/2602.14833）

所以他们的核心目标只有一个：让大模型睁开眼睛，看见并理解无线信号。

我们不妨大胆想象一下，未来的某一天你家里的 WiFi 突然卡得不行，你不用再重启路由器、不用再打电话骂运营商。你打开手机上的一个 App，拍一下空气，RF-GPT 就告诉你：“你邻居的 WiFi 信号在跟你抢同一个频道，建议你切换到另一个信道。”你点一下按钮，问题解决。

再大一点，城市里上万个基站同时工作，干扰问题极其复杂。传统的优化方式效率低得可怜，但如果每个基站都装上了 RF-GPT 这样的眼睛，它就能实时看清整个城市的无线信号分布，自动判断哪里拥堵、哪里空闲、哪里出了故障，然后自己做出调整。这就像给整个通信网络装上了一套视觉神经系统。

（来源：https://arxiv.org/pdf/2602.14833）

更远一点，在通感一体化的 6G 时代，无线信号不仅能通信，还能像雷达一样感知周围环境。RF-GPT 可以帮你把复杂的回波信号直接翻译成“有一辆车正以每小时 60 公里的速度从左向右行驶”，或者“前方 200 米有一个行人”。

邹航说，在未来，RF-GPT 将真正具备感知、监控、管理真实无线环境的能力，它可以成为频谱监管的智能助手，成为 6G 网络的认知大脑，成为空口安全的分析专家，甚至融入数字孪生系统帮助工程师探索新的无线设计。他表示：“如果这一方向走通，我们或许将第一次真正实现用自然语言读懂并管理无线空间。”

（来源：https://arxiv.org/pdf/2602.14833）

那么，AI 是怎么学会这些的？难道有人一张一张给信号图做标注吗？

邹航坦言，获取真实无线环境数据困难重重。一方面，人工进行无线信号标注成本高昂，需要具备通信专业知识的标注人员，可靠性也有限。另一方面，现有的大模型如 GPT-5 以及 Gemini 等由于缺乏无线领域感知能力，无法独立生成可信的信号描述。

基于真实空口测量构建数据集同样困难，获取高保真无线信号数据需要专用硬件设备、精确校准的射频前端，以及在不同频段、不同地理位置和不同时段开展精心规划的测量活动。

更麻烦的是，准确的真实标签通常隐藏在基站调度器或专有设备内部，外部接收端难以直接获取。典型的无线环境在统计分布上高度不平衡，常见技术体制和负载条件占据主导，而罕见但关键的边缘场景几乎难以观测。

因此，仅依赖真实世界数据同时实现数据多样性与统计覆盖度，往往需要工业级规模、跨多运营商协作的努力，这超出了常规学术研究的能力范围。

所以他们走了另一条路：用仿真软件合成数据。他们用 MATLAB 里符合国际标准的通信工具箱，生成了 6 种主流无线技术的信号，包括 5G NR、4G LTE、3G UMTS、WiFi、蓝牙和卫星通信。

每一种信号，他们都能精确控制调制方式、信噪比、带宽、起始时间、资源块分配等所有参数。然后他们把这些参数自动翻译成文字描述，再让一个纯文本的大模型把这些描述变成各种各样的问答对。

（来源：https://arxiv.org/pdf/2602.14833）

邹航回忆，刚展开这项工作时，他们曾探索各种不同的方案，一度怀疑无线信号根本没法找到统一的词元化方法。

“最后反而是最简单的时频谱方案跑通了整个技术栈。在模型成功训练出来后，我们不禁感慨万千：有时候最有效的方法往往相当简单，返璞归真。”他说。

最终，他们用 12,000 个信号场景生成了 62 万 5 千条训练数据，没有一条是人工标注的。整个过程一气呵成，像是搭好了一条流水线：左边进信号参数，右边出问答对。AI 就在这条流水线上学会了理解无线信号。

训练出来的 RF-GPT 效果如何？他们设计了五个难度递进的任务来考它。

第一个任务是调制分类。

一张频谱图里混着两到五个不同信号，AI 要分辨出每个信号用的是哪种调制技术。普通的视觉大模型几乎全军覆没，准确率只有百分之几，基本等于瞎猜。而 RF GPT 的准确率轻松超过 80%，最难的任务也接近 50%。

第二个任务是信号重叠检测。

判断信号之间有没有在时间或频率上重叠、重叠到什么程度。普通模型的表现跟扔硬币差不多，而 RF-GPT 的准确率能达到 70% 到 90%。

第三个任务是无线技术及上下行方向识别。RF-GPT 的准确率高达 99.6%，接近完美。

第四个任务是 WiFi 用户数量估计。RF-GPT 的表现比普通模型高出好几倍。

第五个任务是 5G NR 信息提取，让 AI 从 5G 信号里读出子载波间隔、同步信号块模式、用户数量等专业参数，普通模型平均准确率只有 20% 左右，而 RF-GPT 能达到 70% 以上。

他们还做了鲁棒性测试，给信号加上各种失真，比如放大器非线性、载波频率偏移、多径衰落等。结果发现 RF-GPT 对各种失真都非常抗造，性能几乎没有明显下降。

邹航说，RF-GPT 只是他们构建无线大模型完整生态的第一步。下一阶段的重要工作之一就是直接把 RF-GPT 部署到真实无线环境中，直接感知、理解以及控制无线环境。

他们准备与阿联酋本地的一些运营商合作，构建高质量真实数据集。作为过渡，他们也会采用合成数据为主、真实为辅的低成本方案，使用更贴近真实环境的仿真平台如英伟达 Sionna 以及 OpenAir Interface。

参考资料：

相关论文https://arxiv.org/pdf/2602.14833

https://hangzou.netlify.app/posts/rfgpt/

排版：胡巍巍