2026 年，阿聯酋哈利法大學的鄒航博士和他所在的團隊，做出了全世界第一個射頻大模型，名字叫 RF GPT。
這個模型能直接看懂無線信號，就像 GPT 4o 能看懂圖片、Qwen2 Audio 能聽懂聲音一樣。你把無線信號扔給它，它不僅能告訴你這裏面有幾種信號、分別是什麼技術，還能分析出有沒有信號在打架、哪個是 5G 哪個是藍牙、甚至能數出來 WiFi 網絡裏有多少個用戶同時在用。
圖 | 鄒航（來源：受訪者）
鄒航說，他做這項研究的初衷很簡單。下一代 6G 通信系統的願景之一是 AI 原生通信，大模型被認爲在這一方向極具潛力。
然而，當前通信領域的大模型相關研究停留在純文本模態，純文本的大模型完全無法感知以及理解無線信號，儘管後者是通信領域的核心研究對象。
“很難想象未來作爲關鍵決策模塊的大模型在海量的無線信號面前無法直接感知，只能通過日誌以及簡單報表來進行關鍵決策，”鄒航打了個比方，“這就好像一個閉着眼的司機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話來駕駛汽車。”
（來源：https://arxiv.org/pdf/2602.14833）
所以他們的核心目標只有一個：讓大模型睜開眼睛，看見並理解無線信號。
我們不妨大膽想象一下，未來的某一天你家裏的 WiFi 突然卡得不行，你不用再重啓路由器、不用再打電話罵運營商。你打開手機上的一個 App，拍一下空氣，RF-GPT 就告訴你：“你鄰居的 WiFi 信號在跟你搶同一個頻道，建議你切換到另一個信道。”你點一下按鈕，問題解決。
再大一點，城市裏上萬個基站同時工作，干擾問題極其複雜。傳統的優化方式效率低得可憐，但如果每個基站都裝上了 RF-GPT 這樣的眼睛，它就能實時看清整個城市的無線信號分佈，自動判斷哪裏擁堵、哪裏空閒、哪裏出了故障，然後自己做出調整。這就像給整個通信網絡裝上了一套視覺神經系統。
（來源：https://arxiv.org/pdf/2602.14833）
更遠一點，在通感一體化的 6G 時代，無線信號不僅能通信，還能像雷達一樣感知周圍環境。RF-GPT 可以幫你把複雜的回波信號直接翻譯成“有一輛車正以每小時 60 公里的速度從左向右行駛”，或者“前方 200 米有一個行人”。
鄒航說，在未來，RF-GPT 將真正具備感知、監控、管理真實無線環境的能力，它可以成爲頻譜監管的智能助手，成爲 6G 網絡的認知大腦，成爲空口安全的分析專家，甚至融入數字孿生系統幫助工程師探索新的無線設計。他表示：“如果這一方向走通，我們或許將第一次真正實現用自然語言讀懂並管理無線空間。”
（來源：https://arxiv.org/pdf/2602.14833）
那麼，AI 是怎麼學會這些的？難道有人一張一張給信號圖做標註嗎？
鄒航坦言，獲取真實無線環境數據困難重重。一方面，人工進行無線信號標註成本高昂，需要具備通信專業知識的標註人員，可靠性也有限。另一方面，現有的大模型如 GPT-5 以及 Gemini 等由於缺乏無線領域感知能力，無法獨立生成可信的信號描述。
基於真實空口測量構建數據集同樣困難，獲取高保真無線信號數據需要專用硬件設備、精確校準的射頻前端，以及在不同頻段、不同地理位置和不同時段開展精心規劃的測量活動。
更麻煩的是，準確的真實標籤通常隱藏在基站調度器或專有設備內部，外部接收端難以直接獲取。典型的無線環境在統計分佈上高度不平衡，常見技術體制和負載條件佔據主導，而罕見但關鍵的邊緣場景幾乎難以觀測。
因此，僅依賴真實世界數據同時實現數據多樣性與統計覆蓋度，往往需要工業級規模、跨多運營商協作的努力，這超出了常規學術研究的能力範圍。
所以他們走了另一條路：用仿真軟件合成數據。他們用 MATLAB 裏符合國際標準的通信工具箱，生成了 6 種主流無線技術的信號，包括 5G NR、4G LTE、3G UMTS、WiFi、藍牙和衛星通信。
每一種信號，他們都能精確控制調製方式、信噪比、帶寬、起始時間、資源塊分配等所有參數。然後他們把這些參數自動翻譯成文字描述，再讓一個純文本的大模型把這些描述變成各種各樣的問答對。
（來源：https://arxiv.org/pdf/2602.14833）
鄒航回憶，剛展開這項工作時，他們曾探索各種不同的方案，一度懷疑無線信號根本沒法找到統一的詞元化方法。
“最後反而是最簡單的時頻譜方案跑通了整個技術棧。在模型成功訓練出來後，我們不禁感慨萬千：有時候最有效的方法往往相當簡單，返璞歸真。”他說。
最終，他們用 12,000 個信號場景生成了 62 萬 5 千條訓練數據，沒有一條是人工標註的。整個過程一氣呵成，像是搭好了一條流水線：左邊進信號參數，右邊出問答對。AI 就在這條流水線上學會了理解無線信號。
訓練出來的 RF-GPT 效果如何？他們設計了五個難度遞進的任務來考它。
第一個任務是調製分類。
一張頻譜圖裏混着兩到五個不同信號，AI 要分辨出每個信號用的是哪種調製技術。普通的視覺大模型幾乎全軍覆沒，準確率只有百分之幾，基本等於瞎猜。而 RF GPT 的準確率輕鬆超過 80%，最難的任務也接近 50%。
第二個任務是信號重疊檢測。
判斷信號之間有沒有在時間或頻率上重疊、重疊到什麼程度。普通模型的表現跟扔硬幣差不多，而 RF-GPT 的準確率能達到 70% 到 90%。
第三個任務是無線技術及上下行方向識別。RF-GPT 的準確率高達 99.6%，接近完美。
第四個任務是 WiFi 用戶數量估計。RF-GPT 的表現比普通模型高出好幾倍。
第五個任務是 5G NR 信息提取，讓 AI 從 5G 信號裏讀出子載波間隔、同步信號塊模式、用戶數量等專業參數，普通模型平均準確率只有 20% 左右，而 RF-GPT 能達到 70% 以上。
他們還做了魯棒性測試，給信號加上各種失真，比如放大器非線性、載波頻率偏移、多徑衰落等。結果發現 RF-GPT 對各種失真都非常抗造，性能幾乎沒有明顯下降。
鄒航說，RF-GPT 只是他們構建無線大模型完整生態的第一步。下一階段的重要工作之一就是直接把 RF-GPT 部署到真實無線環境中，直接感知、理解以及控制無線環境。
他們準備與阿聯酋本地的一些運營商合作，構建高質量真實數據集。作爲過渡，他們也會採用合成數據爲主、真實爲輔的低成本方案，使用更貼近真實環境的仿真平臺如英偉達 Sionna 以及 OpenAir Interface。
參考資料：
相關論文
https://arxiv.org/pdf/2602.14833
https://hangzou.netlify.app/posts/rfgpt/
排版：胡巍巍
