6G专题之语义通信：太空算力遗珠，6G卫星新范式

6G专题之语义通信：太空算力遗珠，6G卫星新范式 通信分析师杨雷SAC：S0740524060005通信分析师孙悦文SAC：S0740525100002 n香农定理逼近极限，6G卫星遇通信瓶颈。香农定理是信息论核心定律，其定量描述了有噪信道中可靠通信最大传输速率上限。1）6G卫星互联网时代，在高频段（如太赫兹）、星地融合、海量物联场景中，带宽资源受限或信噪比极低，单纯靠提升带宽/功率来逼近香农极限的成本极高，甚至不可行。2）随着未来太空算力规模越大，应用场景越复杂，星间、星地传送数据量增大，且人工智能加速发展，需要充分考虑人工智能在未来6G卫星互联网应用，以及星网之间的传输容量、链路等难题。 n语义通信突破香农，理论/实践均已证明。1）香农同时提出3个通信级别。分别为Level A/B/C，Level A：语法通信，解决技术问题，即通信符号如何保证正确传输，传输的是bit流。Level B：语义通信，解决语义问题，即发送的符号如何传递确切的含义，传输的是Seb流。Level C：语用通信，解决有效性问题，即接收的含义如何以期望的方式影响系统行为。2）数学推导已证明语义通信突破经典。通过对香农定理的自然过度，加上平均同义区间长度表征信息辨识能力S，当S>1时，则可突破香浓信道容量瓶颈，当S=2、S=4时，其将数倍于香农信道容量极值。从而成为6G卫星互联时代的“拐点技术”。3）星链仿真结果及高轨卫星得到验证。根据2000颗Starlink场景仿真结果，100%节点部署SemCom可省75%链路带宽。初期平均时延略增，但当部署比例>60%后，时延逼近传统方案。此外，高轨卫星亚洲九号已实现在轨卫星的星地间720P标清视频语义通信稳定传输，为6G天地一体网络开辟了新技术路径。 n国宇星航等加快推进，产业商业化渐行渐近。2025年，国宇星航完成太空计算卫星星座发射并启动“星算计划”天基算力网络建设，并向港交所递交上市申请。北京邮电大学作为语义通信重要奠基人，其与国宇星航成立联合实验室并签约，有望加快语义通信在太空算力发展。根据产业链调研，太空卫星语义通信商业化或较为临近。 n投资建议：1）中贝通信。1月22日，国务院参事、北京邮电大学院士张平，中国信科集团副总经理陈山枝博士，中国移动通信联合会执行会长倪建中等赴中贝通信开展研讨交流。聚焦语义通信、6G技术演进及卫星互联网建设等前沿议题，共谋合作发展蓝图。2）信科移动。公司是国内卫星互联网领域的全栈核心供应商与标准主导者，覆盖星上载荷、地面系统、终端与标准制定全链条，未来有望加快并推动语义通信发展。3）烽火通信。公司已成功研发面向低轨卫星平台的高集成度、低功耗星上路由交换系统，并且公司为某大型通信星座研制的首批星载路由设备已在轨组网成功，有望受益于6G建设推动语义通信进展。4）中兴通讯。公司是全球领先的综合信息与通信技术解决方案提供商，拥有ICT行业完整的、端到端的产品和综合解决方案，通过全系列的无线、有线、算力、能源、终端等产品方案及专业服务，有望受益于6G发展并推动语义通信商业化进展。 n风险提示：6G卫星互联网发展不及预期。AI算力、模型等人工智能技术发展不及预期。产品、业务迭代不及预期。市场竞争加剧、市场系统性风险。第三方数据失真及市场规模测算偏差的风险。研究报告使用的公开资料可能存在信息滞后或更新不及时的风险 技术背景：“香农定理”与“香农极限” 香农定理是现代通信理论的基础，用于刻画在给定物理信道条件下信息传输的理论极限。对于带宽为B、信噪比为SNR（Signal-to-Noise Ratio)的信道，其最大误差错传输速率（信道容量）为：𝐀=𝐀∙𝐀𦐀𝐀2(1+𝐀𡠀𝐀)。即，只要实际传输速率低于这一容量上限，就“存在一种编码方式”可以使逐比特误码率趋近于零；一旦超过该上限，则无论采用何种调制或编码手段，都无法实现可靠通信。需要强调的是，香农定理所讨论的“可靠通信”，严格定义为对原始比特序列的无差错还原，并不涉及信息在语义或任务层面的可理解性。 在香农范式下，提高系统容量的直接路径之一是扩展可用带宽B。然而，从现实条件看，可用于广域覆盖的中低频“黄金频段”已被长期占用，新增频谱资源高度稀缺且获取成本极高。在此背景下，5G乃至6G的频谱扩展主要集中于毫米波甚至太赫兹等高频段，以换取更大的可用带宽空间。 同时，现有无失真\限失真信源编码已逼近语法信息熵/率失真函数极限，继续压缩则会导致成本显著提升但收效甚微；现有信道编码已逼近信道容量极限，通过开拓频谱、提高功率、增加天线提升容量的代价大幅提升，难以持续发展。 来源：斯坦福大学，通信百科，北京邮电大学，《论通信新范式：智简》，FPGA算法工程师，芯语，中泰证券研究所 语义通信：从“传递符号”到“传递意图”的范式革命 传统通信技术（1G至5G）本质上遵循的是“比特传输”范式，其核心任务是将比特流无损地从信源搬运至信宿。网络充当的是“搬运工”的角色，并不理解传输内容的含义。 语义通信（Semantic Communication）则是通信系统与人工智能（AI）深度融合的产物，发送端通过AI提取信息的核心特征和意图，主动去除冗余数据；接收端利用共享的知识库和生成式模型进行信息重构。标志着通信范式从“符号传输”向“语义交互”的根本性转变。 为什么需要语义通信？通信行业的“摩尔定律”是香农公式𝐀=𝐀∙𝐀𦐀𝐀2(1+𝐀𡠀𝐀)。在过去几十年中，通信迭代主要依靠增加带宽B（从800M到毫米波），和提升信噪比SNR（增加发射功率）。但目前频谱资源已几乎开发殆尽（太赫兹开发难度大、成本高），且功率提升面临“能耗墙”。通过物理层的“硬扩容”边际效益已接近为零。 n语义通信并非真正“突破”香农定理，而是通过数学方式“绕过”了限制。既然C（信道容量）很难增加，那就通过AI压缩算法，大幅减小待传输的信源熵。利用JSCC（联合信源信道编码）替代传统的模块化编码。已有研究表明，在语音等高维数据传输场景中，语义通信方案相较传统通信架构，可实现约近10倍的传输数据量减少；此外，在相同带宽条件下，其在重建误差等指标（如MSE）上的性能提升可达到近百倍量级。 来源：中国通信学会，机器智脑，中国电子报，北京邮电大学，《论通信新范式：智简》，FPGA算法工程师，CSDN，中泰证券研究所 根据国际电信联盟（ITU）发布的《IMT-2030 (6G)框架建议书》，6G提出了六大核心场景和15项关键能力指标。我们选取其中最关键的、传统技术面临瓶颈的四大指标，来印证语义通信是目前实现6G必经之路的地位。 1.极致的频谱效率： 6G指标要求：频谱效率需达到5G的数倍提升。 传统技术困境：传统通信主要靠增加调制阶数（如从256QAM到1024QAM）和多天线来提升效率，但目前已逼近香农极限，任何提升都面临巨大的成本和功耗代价，边际收益极低。 语义通信的解决方案：通过提取特征值，语义通信可减少大量不必要的bit传输。不与物理极限硬碰硬，而是改变“传输内容”。 2.超高可靠性与超低时延： 6G指标要求：可靠性达到99.99999% (7个9)，时延低于0.1ms。 传统技术困境：在信噪比（SNR）极低的环境下（如深空、深海），传统信道编码一旦超过纠错阈值，误码率会飙升，通信直接断连。 语义通信的解决方案：即使丢包严重，AI接收端也能利用上下文“脑补”出缺失信息，保持语义通顺，抗干扰性极强。数据量减少90%以上，直接降低了传输时延和处理时延。 3.全域覆盖： 6G指标要求：6G被广泛设想为构建空—天—地—海一体化的综合网络架构。传统技术困境：部分极端场景中（如深海通信）的带宽极其昂贵且稀缺（通常仅为Kbps级），无法支撑传统的高清视频或大流量数据回传。语义通信的解决方案：在窄带链路上，传输经过语义压缩的高清视频特征，在地面重构，不受传统带宽限制影响。 4.通信与AI的融合： 6G指标要求：AI嵌入网络架构中。传统技术困境：目前的AI只是用来优化网络参数，通信过程本身还是传比特。语义通信的解决方案：语义通信的本质就是“AI编解码”。整个通信系统由大模型驱动，网络即AI。 架构重构：引入“语义层”，开启通信系统的“双核”时代 语义通信突破了传统的比特级传输，实现了语义级传输，其架构设计也逐渐从模块化设计向集成化设计转变。传统无线通信的通用传输架构，信源信息（可为文本、图片、音频或视频）通过信道编码与信道解码在物理信道中传输；语义通信的传输架构，与传统无线通信架构相比，语义通信架构新增了语义层，该层实现对信源信息的语义特征提取与接收信息的语义恢复，以完成高效传输与通信。 n语义层由语义编码器、语义解码器及共享知识库组成：信源信息在进入信道编码前，先通过语义编码器进行语义编码处理，再经信道编码与信道解码在物理信道中传输，最后通过语义解码器恢复信息。语义编码过程可通过语义特征提取减少信息传输冗余。语义通信架构实现了语义编码器与信道编码器的协同（而非仅依赖信道编码），以及语义解码器与信道解码器的协同（而非仅依赖信道解码）。 来源：《A survey on semantic communications: Technologies, solutions, applications and challenges》，中泰证券研究所 核心技术演进：两大主流架构引领“端到端”破局 随着语义通信从理论走向工程化，行业内已形成两条清晰的技术路线来突破传统分离式编码的限制：兼顾存量的IS-JSCC（迭代结构化架构）与追求极致的SGSCC（语义引导型架构）。 IS-JSCC（Iterative Structured Joint Source-Channel Coding）采取了一种务实的“半神经（Semi-Neural）”策略。该架构并没有彻底摒弃现有的数字通信设施，而是巧妙地将神经编码器（Neural Encoder）与经典的信道编码器（Channel Encoder）相结合。其创新之处在于接收端的“迭代信源信道优化（Iterative Source-Channel Refinement）”机制。文本数据在神经解码器与经典解码器之间进行循环联合解码，每一次迭代都利用上一轮的中间结果作为先验信息（Prior Information）来修正误差。这种设计有效解决了纯AI模型在高方差信道噪声下容易产生“语义幻觉”的问题，同时大幅降低了单纯依赖深度学习带来的计算复杂度，是目前在现有5G/6G网络上部署语义通信的最快路径。 SGSCC（Semantics-Guided Source-Channel Coding）则代表了语义通信的终极形态，是一个基于“语义重要性建模”的统一框架。与前者不同，SGSCC引入了共享的知识库（Knowledge Base）作为编解码的核心支撑。该架构在发送端引入了“语义重要性建模（Semantic Importance Modeling）”模块。系统首先通过语义分析转换（Semantic Analysis Transform）提取特征，并利用重要性模型评估每个语义向量的价值，针对高价值语义分配更多的编码资源。在接收端，则通过语义合成转换（Semantic Synthesis Transform）结合知识库重构信源数据。基于SCT（语义编码传输）的非线性转换能力，SGSCC实现了传输准确性与鲁棒性的双重提升。它不仅能“传得准”，更能“懂轻重”，在带宽极度受限（如卫星链路）场景下，能确保核心意图优先送达。 核心算法矩阵：全模态覆盖的深度学习架构 随着深度学习技术的成熟，语义通信已从单一的通用模型向垂直模态专用模型演进，形成了覆盖文本、语音及多模态场景的完整技术矩阵： 1.基础文本架构：DeepSC。定位：面向文本传输的基准系统。核心逻辑：实现了“语义层”与“传输层”的解耦与协同。语义层专注于提取文本背后的意图（通过编码/解码），而传输层专注于在物理信道中保护这些意图不被噪声破坏。这是