На 6 ноември 2026 г. NVIDIA публикува обзор на изследвания с отворените си безжични инструменти Aerial и Sionna. Компанията ги представя като основа за бъдещи AI-native 6G мрежи. Примерите включват реални 5G изпитвателни системи и симулации; публикацията не означава, че описаните възможности вече са разгърната търговска 6G услуга.

Роботът изпраща важната за задачата информация

Изследване на King’s College London и Toshiba Europe от септември описва роботизирана ръка PiPER, RGB-D камера и Jetson AGX Orin, свързани през 5G OpenAirInterface. Вместо периодично изпращане на сурови изображения авторите изпитват представяния с пространствени кутии и графи на сцената. Отчитат до 52,6% по-кратко време за задача спрямо своята базова конфигурация. Това е резултат от конкретна лабораторна система, а не универсална стойност за всеки робот.

Инженерната идея е ясна: ако действието зависи от положението на няколко предмета, пълното изображение не е единственото възможно съобщение. Редакционният въпрос е как системата ще открие, че е пропуснала важен детайл. По-малко данни са полезни само ако запазват необходимата информация за безопасното решение.

AI променя и приемането на радиосигнала

SoftBank публикува на 2 ноември отделен отчет за невронен приемник с Transformer. Изпитването е с търговски смартфон, един пространствен uplink слой и контролирани смущения в екранирана стая. При една от настройките авторите измерват 47,9 срещу 29,9 Mbit/s на физическия слой — 60,5% увеличение. Невронният път води при всичките 15 изпитани настройки със смущения. Тези числа не са измерване на скоростта на обикновен абонат в градска мрежа.

Работа на ETH Zurich и NVIDIA разглежда друго условие: обучение за конкретното място на използване. Авторите сравняват три архитектури на приемници върху реална 5G NR изпитвателна система, включително еднослойно и двуслойно предаване. Те отчитат полза от локалното дообучаване за по-силно настройваемите модели и устойчивост между измервания през повече от шест месеца. Това е изследователски контекст за адаптацията към средата, а не резултат от ново измерване, извършено от SIExpo.

По-бърза симулация преди инвестицията в мрежа

Каталунският CTTC съобщи на 4 ноември за интеграция на GPU реализации на 3GPP радиоканални модели в ns-3 5G-LENA. Използват се CUDA и WebGPU. Екипът описва проверка на статистическото съответствие и сравнение с CPU базова реализация. Целта са тежки сценарии с много клетки, потребители и големи антенни решетки. Запазването на поведението на модела е съществено: бърза симулация с различни физически допускания не би била равностоен заместител.

Отвореното хранилище на Sionna дава и конкретен достъп до изследователските инструменти. То разделя библиотеката на компоненти за разпространение на радиовълни, физически слой и системна симулация. Посочен е лиценз Apache-2.0. Това позволява преглед на кода, но не премахва нуждата от подходящи данни, оборудване и собствена проверка на резултатите.

Какво означават тези резултати

Нашият редакционен прочит е, че AI се използва на различни места в комуникационната верига: при избора какво да се предаде, при възстановяването на сигнала и при подготовката на експеримент. Резултатите не трябва да се събират в едно общо обещание за ускорение. Всеки има собствена база за сравнение, хардуер и условия.

За екип, който оценява подобна технология, доброто начало е възпроизвеждане на един тесен сценарий. След това трябва да се провери поведението при променена среда и загуба на връзка. Лабораторните резултати са полезна стъпка към бъдещи мрежи, когато границите им останат видими.