全球首个射频大模型 RF-GPT 发布！AI 终于看懂无线信号，6G 认知革命来了
2026 年 4 月，一则来自中东科研前沿的消息，震动了全球通信与 AI 行业 ——阿联酋哈利法大学邹航博士团队，正式发布了全球首款可直接 “看懂” 无线信号的 AI 大模型：RF-GPT。
这不是一次普通的技术升级，而是一次从 0 到 1 的突破。它彻底解决了长期困扰通信 AI 的致命短板：看不见、读不懂、解析不了物理层射频信号。业界给出了极高的评价 ——RF-GPT，就是通信 AI 的 “认知大脑”，为即将到来的 6G AI 原生网络，筑牢了最关键的一块技术底座。
在此之前，AI 虽然已经能写文章、画图片、分析数据，却始终对我们每天都离不开的无线电波 “视而不见”。手机信号、Wi‑Fi、蓝牙、基站、卫星…… 这些支撑现代生活的无线信号，在大模型眼里，只是一片无法理解的 “噪声”。
而 RF-GPT 的诞生，第一次让 AI 真正睁开眼睛，看见频谱、读懂信号、理解无线世界。
这项突破，来自一支跨国顶尖团队
能做出如此颠覆性成果的，是一支汇聚了中、阿联酋、法三国智慧的顶级科研天团。
作为核心与灵魂人物，邹航（Hang Zou）博士是这项工作的第一作者与通讯作者，任职于阿联酋哈利法大学数字未来研究院。他长期深耕大模型与无线通信的融合领域，是 TelecomGPT、RF-GPT 系列里程碑工作的核心负责人，也是推动通信 AI 走向物理层的关键研究者。
团队中，田宇负责多模态架构与指令实验，王博豪（浙江大学）主攻信号处理与频谱建模，黄崇文教授作为中方核心指导，在 6G 通信与通感算一体方向提供关键支撑。
更具分量的是，团队由Mérouane Debbah 教授领衔 —— 他是全球无线通信与 AI 领域的顶级学者，被誉为 6G 与 AI 原生网络的奠基人之一，同时担任哈利法大学数字未来研究院院长。
此外，Lina Bariah、Samson Lasaulce 等国际权威学者的加入，让 RF-GPT 从一开始，就站在了世界科研的最前沿。
一个困扰行业多年的死结：AI 管得了网络，却看不见信号
过去几年，大模型大举进入通信行业。从网络优化、故障排查到日志分析，AI 展现出强大的能力。但所有人都清楚一个无法回避的痛点：
现有的通信 AI，本质上都是 “文字 AI”。它们能看懂工单、读懂配置、分析 KPI，却完全看不见最底层的无线信号。
另一边，传统的射频信号处理模型，又陷入 “小而散” 的困境：一个模型只能做一件事，换个场景就失效；数据标注成本极高，泛化能力极差；更无法用自然语言解释判断依据，难以和上层 AI 系统协同工作。
6G 时代呼唤的是AI 原生网络—— 能自主感知、自主决策、自主优化。可如果 AI 连信号都看不见、读不懂，一切自治都只是空中楼阁。
这个横亘在 AI 与无线世界之间的 “模态鸿沟”，直到 RF-GPT 出现，才被真正跨越。
一个天才思路：让 AI 像看图片一样，看懂无线信号
RF-GPT 的核心创新，简单到令人惊叹，却极具颠覆性。
研究团队没有重新发明复杂的专用模型，而是巧妙地把 “无线信号” 变成了 “图片”，让成熟的多模态大模型直接读懂射频世界。
整个过程分为三步：第一步，把复杂难懂的 IQ 射频信号，通过信号处理转换成一张时频频谱图；第二步，用视觉编码器对这张 “频谱图” 进行特征提取，生成专属的RF Token；第三步，把这些信号信息注入大模型，让模型以自然语言的方式输出判断、分析与结论。
换句话说：以前 AI 看不懂信号，现在把频谱变成图，AI 就能像识别风景、物体一样，精准识别无线信号的类型、结构、干扰、用户数。
这是全球第一次，用如此简洁统一的架构，打通 “射频信号→多模态大模型→自然语言交互” 的全链路。
零人工标注！用合成数据，造出高质量训练数据集
想要训练一个专业的射频大模型，最大的难题不是模型，而是数据。
真实无线信号采集难、场景少、隐私敏感，人工标注成本高到难以承受。邹航博士团队做出了另一个关键创新：完全用合成数据构建训练集。
他们依托标准波形生成工具，模拟出 6 大主流无线技术信号：5G NR、LTE、UMTS、WLAN、DVB‑S2、蓝牙，自动生成精准标注信息，再通过大模型自动生成问答指令对。
整个过程不需要人工标注，却高效产出了：
12,000 个真实度极高的 RF 场景 62.5 万条高质量 RF 指令样本
低成本、大规模、高标准，为 RF-GPT 的训练打下最坚实的基础。
实测碾压通用模型！五大任务，展现真正 “认知能力”
为了验证 RF-GPT 的实力，团队设计了 5 大硬核任务，直接对标 Qwen2.5‑VL、GPT‑5 等全球顶尖通用多模态模型。
结果堪称降维打击。
在宽带调制识别任务中，通用模型几乎完全失效，准确率接近 0%，而 RF-GPT 轻松突破 80%，信号个数识别准确率接近 98%；在信号重叠分析中，模型能精准判断信号是否在时间、频率上重叠，准确率超过 90%；在无线技术识别上，RF-GPT 做到近乎完美，6 种技术 + 上下行识别准确率高达99.64%；在WLAN 用户数统计、5G NR 信息抽取等更精细的任务中，模型同样大幅领先，能精准读取子载波间隔、SSB、CSI‑RS、UE 数量等专业信息。
更难得的是，RF-GPT 具备极强的抗干扰能力，面对载波频偏、信道衰落、非线性失真依然保持稳定；训练效率极高，仅用 3 个 epoch 就超越传统模型训练 30 个 epoch 的效果。
它不只是 “识别”，更是理解—— 能解释、能推理、能输出结构化信息，真正成为通信系统的 “认知大脑”。
6G 的核心底座：从 “管理网络” 到 “理解信号”
RF-GPT 的意义，早已超越一个模型本身。
它首次定义了一个全新的领域：射频语言模型（RFLM），让大模型真正走进通信物理层，填补了 AI 与无线世界之间最后的空白。
对整个行业而言：
未来的频谱监测将更智能，干扰信号一 “看” 便知； 6G 网络将实现真正自治，自主感知、自主调节、自主优化； 通感一体、卫星通信、物联网等复杂场景，将拥有统一的 AI 认知基座。
这就是为什么它被称为 **“通信 AI 的认知大脑”**—— 有了 RF-GPT，6G 的智能愿景，终于有了可落地的核心支撑。
未来已来：从实验室，走向真实无线世界
目前，RF-GPT 基于合成数据实现了突破性验证，而团队的下一步目标更加清晰：走向真实空口、走向多天线、走向通感算一体场景，解析更细粒度的 5G/6G 信号，落地频谱监测、网络自治等真实系统。
2026 年，AI 终于看懂了无线信号。这不仅是一次科研突破，更是一个时代的开启 ——通信 AI，正式从 “管理网络” 迈入 “理解信号” 的新纪元。
6G 不再遥远，因为它的认知大脑，已经到来。
论文下载，请点击阅读原文。
热门文章导读
|
