2026 年，阿聯(lián)酋哈利法大學(xué)的鄒航博士和他所在的團(tuán)隊(duì)，做出了全世界第一個(gè)射頻大模型，名字叫 RF GPT。

這個(gè)模型能直接看懂無線信號(hào)，就像 GPT 4o 能看懂圖片、Qwen2 Audio 能聽懂聲音一樣。你把無線信號(hào)扔給它，它不僅能告訴你這里面有幾種信號(hào)、分別是什么技術(shù)，還能分析出有沒有信號(hào)在打架、哪個(gè)是 5G 哪個(gè)是藍(lán)牙、甚至能數(shù)出來 WiFi 網(wǎng)絡(luò)里有多少個(gè)用戶同時(shí)在用。

圖 | 鄒航（來源：受訪者）

鄒航說，他做這項(xiàng)研究的初衷很簡(jiǎn)單。下一代 6G 通信系統(tǒng)的愿景之一是 AI 原生通信，大模型被認(rèn)為在這一方向極具潛力。

然而，當(dāng)前通信領(lǐng)域的大模型相關(guān)研究停留在純文本模態(tài)，純文本的大模型完全無法感知以及理解無線信號(hào)，盡管后者是通信領(lǐng)域的核心研究對(duì)象。

“很難想象未來作為關(guān)鍵決策模塊的大模型在海量的無線信號(hào)面前無法直接感知，只能通過日志以及簡(jiǎn)單報(bào)表來進(jìn)行關(guān)鍵決策，”鄒航打了個(gè)比方，“這就好像一個(gè)閉著眼的司機(jī)坐在主駕駛位置上在高速公路上駕駛，但他卻只能通過與乘客的對(duì)話來駕駛汽車?！?/p>

（來源：https://arxiv.org/pdf/2602.14833）

所以他們的核心目標(biāo)只有一個(gè)：讓大模型睜開眼睛，看見并理解無線信號(hào)。

我們不妨大膽想象一下，未來的某一天你家里的 WiFi 突然卡得不行，你不用再重啟路由器、不用再打電話罵運(yùn)營商。你打開手機(jī)上的一個(gè) App，拍一下空氣，RF-GPT 就告訴你：“你鄰居的 WiFi 信號(hào)在跟你搶同一個(gè)頻道，建議你切換到另一個(gè)信道?！蹦泓c(diǎn)一下按鈕，問題解決。

再大一點(diǎn)，城市里上萬個(gè)基站同時(shí)工作，干擾問題極其復(fù)雜。傳統(tǒng)的優(yōu)化方式效率低得可憐，但如果每個(gè)基站都裝上了 RF-GPT 這樣的眼睛，它就能實(shí)時(shí)看清整個(gè)城市的無線信號(hào)分布，自動(dòng)判斷哪里擁堵、哪里空閑、哪里出了故障，然后自己做出調(diào)整。這就像給整個(gè)通信網(wǎng)絡(luò)裝上了一套視覺神經(jīng)系統(tǒng)。

（來源：https://arxiv.org/pdf/2602.14833）

更遠(yuǎn)一點(diǎn)，在通感一體化的 6G 時(shí)代，無線信號(hào)不僅能通信，還能像雷達(dá)一樣感知周圍環(huán)境。RF-GPT 可以幫你把復(fù)雜的回波信號(hào)直接翻譯成“有一輛車正以每小時(shí) 60 公里的速度從左向右行駛”，或者“前方 200 米有一個(gè)行人”。

鄒航說，在未來，RF-GPT 將真正具備感知、監(jiān)控、管理真實(shí)無線環(huán)境的能力，它可以成為頻譜監(jiān)管的智能助手，成為 6G 網(wǎng)絡(luò)的認(rèn)知大腦，成為空口安全的分析專家，甚至融入數(shù)字孿生系統(tǒng)幫助工程師探索新的無線設(shè)計(jì)。他表示：“如果這一方向走通，我們或許將第一次真正實(shí)現(xiàn)用自然語言讀懂并管理無線空間。”

（來源：https://arxiv.org/pdf/2602.14833）

那么，AI 是怎么學(xué)會(huì)這些的？難道有人一張一張給信號(hào)圖做標(biāo)注嗎？

鄒航坦言，獲取真實(shí)無線環(huán)境數(shù)據(jù)困難重重。一方面，人工進(jìn)行無線信號(hào)標(biāo)注成本高昂，需要具備通信專業(yè)知識(shí)的標(biāo)注人員，可靠性也有限。另一方面，現(xiàn)有的大模型如 GPT-5 以及 Gemini 等由于缺乏無線領(lǐng)域感知能力，無法獨(dú)立生成可信的信號(hào)描述。

基于真實(shí)空口測(cè)量構(gòu)建數(shù)據(jù)集同樣困難，獲取高保真無線信號(hào)數(shù)據(jù)需要專用硬件設(shè)備、精確校準(zhǔn)的射頻前端，以及在不同頻段、不同地理位置和不同時(shí)段開展精心規(guī)劃的測(cè)量活動(dòng)。

更麻煩的是，準(zhǔn)確的真實(shí)標(biāo)簽通常隱藏在基站調(diào)度器或?qū)Ｓ性O(shè)備內(nèi)部，外部接收端難以直接獲取。典型的無線環(huán)境在統(tǒng)計(jì)分布上高度不平衡，常見技術(shù)體制和負(fù)載條件占據(jù)主導(dǎo)，而罕見但關(guān)鍵的邊緣場(chǎng)景幾乎難以觀測(cè)。

因此，僅依賴真實(shí)世界數(shù)據(jù)同時(shí)實(shí)現(xiàn)數(shù)據(jù)多樣性與統(tǒng)計(jì)覆蓋度，往往需要工業(yè)級(jí)規(guī)模、跨多運(yùn)營商協(xié)作的努力，這超出了常規(guī)學(xué)術(shù)研究的能力范圍。

所以他們走了另一條路：用仿真軟件合成數(shù)據(jù)。他們用 MATLAB 里符合國際標(biāo)準(zhǔn)的通信工具箱，生成了 6 種主流無線技術(shù)的信號(hào)，包括 5G NR、4G LTE、3G UMTS、WiFi、藍(lán)牙和衛(wèi)星通信。

每一種信號(hào)，他們都能精確控制調(diào)制方式、信噪比、帶寬、起始時(shí)間、資源塊分配等所有參數(shù)。然后他們把這些參數(shù)自動(dòng)翻譯成文字描述，再讓一個(gè)純文本的大模型把這些描述變成各種各樣的問答對(duì)。

（來源：https://arxiv.org/pdf/2602.14833）

鄒航回憶，剛展開這項(xiàng)工作時(shí)，他們?cè)剿鞲鞣N不同的方案，一度懷疑無線信號(hào)根本沒法找到統(tǒng)一的詞元化方法。

“最后反而是最簡(jiǎn)單的時(shí)頻譜方案跑通了整個(gè)技術(shù)棧。在模型成功訓(xùn)練出來后，我們不禁感慨萬千：有時(shí)候最有效的方法往往相當(dāng)簡(jiǎn)單，返璞歸真?！彼f。

最終，他們用 12,000 個(gè)信號(hào)場(chǎng)景生成了 62 萬 5 千條訓(xùn)練數(shù)據(jù)，沒有一條是人工標(biāo)注的。整個(gè)過程一氣呵成，像是搭好了一條流水線：左邊進(jìn)信號(hào)參數(shù)，右邊出問答對(duì)。AI 就在這條流水線上學(xué)會(huì)了理解無線信號(hào)。

訓(xùn)練出來的 RF-GPT 效果如何？他們?cè)O(shè)計(jì)了五個(gè)難度遞進(jìn)的任務(wù)來考它。

第一個(gè)任務(wù)是調(diào)制分類。

一張頻譜圖里混著兩到五個(gè)不同信號(hào)，AI 要分辨出每個(gè)信號(hào)用的是哪種調(diào)制技術(shù)。普通的視覺大模型幾乎全軍覆沒，準(zhǔn)確率只有百分之幾，基本等于瞎猜。而 RF GPT 的準(zhǔn)確率輕松超過 80%，最難的任務(wù)也接近 50%。

第二個(gè)任務(wù)是信號(hào)重疊檢測(cè)。

判斷信號(hào)之間有沒有在時(shí)間或頻率上重疊、重疊到什么程度。普通模型的表現(xiàn)跟扔硬幣差不多，而 RF-GPT 的準(zhǔn)確率能達(dá)到 70% 到 90%。

第三個(gè)任務(wù)是無線技術(shù)及上下行方向識(shí)別。RF-GPT 的準(zhǔn)確率高達(dá) 99.6%，接近完美。

第四個(gè)任務(wù)是 WiFi 用戶數(shù)量估計(jì)。RF-GPT 的表現(xiàn)比普通模型高出好幾倍。

第五個(gè)任務(wù)是 5G NR 信息提取，讓 AI 從 5G 信號(hào)里讀出子載波間隔、同步信號(hào)塊模式、用戶數(shù)量等專業(yè)參數(shù)，普通模型平均準(zhǔn)確率只有 20% 左右，而 RF-GPT 能達(dá)到 70% 以上。

他們還做了魯棒性測(cè)試，給信號(hào)加上各種失真，比如放大器非線性、載波頻率偏移、多徑衰落等。結(jié)果發(fā)現(xiàn) RF-GPT 對(duì)各種失真都非?？乖?，性能幾乎沒有明顯下降。

鄒航說，RF-GPT 只是他們構(gòu)建無線大模型完整生態(tài)的第一步。下一階段的重要工作之一就是直接把 RF-GPT 部署到真實(shí)無線環(huán)境中，直接感知、理解以及控制無線環(huán)境。

他們準(zhǔn)備與阿聯(lián)酋本地的一些運(yùn)營商合作，構(gòu)建高質(zhì)量真實(shí)數(shù)據(jù)集。作為過渡，他們也會(huì)采用合成數(shù)據(jù)為主、真實(shí)為輔的低成本方案，使用更貼近真實(shí)環(huán)境的仿真平臺(tái)如英偉達(dá) Sionna 以及 OpenAir Interface。

參考資料：

相關(guān)論文https://arxiv.org/pdf/2602.14833

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

排版：胡巍巍