https://www.softbank.jp/en/corp/news/press/sbkk/2025/20250821_02/

实现面向信号处理的突破性超低时延架构

2025 年 8 月 21 日
SoftBank Corp.

SoftBank Corp.（以下简称“SoftBank”）宣布，在其“AI for RAN”研发中成功开发了一种全新的 AI 架构。该架构利用高性能的 Transformer AI 模型用于无线信号处理。“AI for RAN”是 AI-RAN 的核心理念之一，旨在通过 AI 推动无线接入网（RAN）的演进。SoftBank 实现了一项突破性的技术进展，使 5G 吞吐量提升约 30%。

SoftBank 成功验证了该技术在符合 3GPP 5G 标准 的真实无线环境中的实时运行能力，并显著提升了通信质量。这一成果标志着 AI-RAN 从概念阶段迈向了实际应用阶段。

---

真实环境演示：在超低时延下，上行吞吐量提升约 30%

SoftBank 通过分阶段方式推进 RAN 增强相关研发。在此前的研究中，SoftBank 采用卷积神经网络（CNN）这一 AI 模型进行“上行信道插值”*1，相较于传统信号处理方法（基线方法）*2，成功将上行吞吐量提升约 20%。

在最新演示中，基于 Transformer 的新架构运行于 GPU 上，并在真实的空口（OTA）环境中进行了测试。在验证其实时运行能力的同时，实验结果显示吞吐量进一步提升，并实现了超低时延。

---

显著的吞吐量提升

采用新架构进行上行信道插值后，与基于 CNN 的传统模型相比，上行吞吐量进一步提升约 8%。相较于未使用 AI 的基线方法，总体吞吐量提升约 30%，充分证明了 AI 模型的持续演进能够在真实环境中有效提升通信质量。

---

在实现更高 AI 性能的同时达成超低时延

实时 5G 通信要求处理时延低于 1 毫秒。在本次演示中，基于 Transformer 的处理平均耗时约 338 微秒，比 CNN 架构方案快约 26%，实现了超低时延。通常情况下，AI 模型性能提升往往会带来处理速度下降，而此次成果成功突破了“高性能与低时延难以兼得”的技术难题。

---

仿真环境演示：下行吞吐量提升率超过一倍

SoftBank 还利用该新架构，对基站为终端分配最优无线波束所需的 *“探测参考信号（SRS）预测”3 进行了仿真验证。此前研究中，SoftBank 使用较为简单的多层感知机（MLP）AI 模型进行 SRS 预测，在终端移动速度为 80 km/h 时，下行吞吐量最高提升约 13% 2。

在采用 Transformer 架构的新仿真中，当终端移动速度为 80 km/h 时，下行吞吐量最高提升约 29%；当终端移动速度为 40 km/h 时，下行吞吐量最高提升约 31%。结果表明，通过提升 AI 模型能力，下行吞吐量提升率实现了 翻倍以上的增长（见图 1）。这一成果有望显著提升通信速度，并对用户体验产生直接而深远的影响。

新架构的技术挑战与特性

“AI for RAN”实现实用化面临的最大技术挑战，是在 小于 1 毫秒的实时处理约束 下，利用高性能 AI 模型进一步提升通信质量。针对这一难题，SoftBank 开发了一种 轻量化且高效率的 Transformer 架构，仅聚焦于必要的处理流程，从而同时实现了 低时延 与 最大化的 AI 性能。其主要特性如下：

（1）全面捕获无线信号的相关性

该架构利用 Transformer 的核心机制——自注意力（Self-Attention），能够在频域和时域范围内捕获无线信号的广泛相关性（例如由无线电波反射和干扰引起的复杂信号模式）。这使其在保持轻量化的同时，仍能实现较高的 AI 性能。相比之下，卷积操作通常只关注输入信号的局部区域，而自注意力机制能够建模整个输入之间的关系（见图 2）。

（2）保留无线信号的物理信息

在 AI 模型中，为了稳定训练过程，通常会对输入数据进行归一化处理。但该架构采用了一种专有设计，直接使用未经归一化的无线信号原始幅度信息。这一方式避免了表征通信质量的关键物理信息丢失，从而显著提升了信道估计等任务的性能。

（3）面向多任务的通用性

该架构采用 统一且高度通用的设计。仅需对输出层进行少量调整，即可适配多种不同任务，包括信道插值/估计、SRS 预测以及信号解调等。这种设计显著降低了为不同任务分别开发 AI 模型所需的时间与成本。

演示结果表明，Transformer 等高性能 AI 模型及其运行所依赖的 GPU，对于实现 5G-Advanced 和 6G 时代所需的高通信性能而言是不可或缺的。此外，基于 GPU 控制 RAN 的 AI-RAN 架构，使得即便在硬件部署完成之后，也能够随着更先进 AI 模型的出现，通过 软件更新持续提升性能。这将有助于电信运营商提高资本性支出（CAPEX）的效率，并最大化其投资价值。

展望未来，SoftBank 将加速推进本次演示中验证技术的商用化进程。通过进一步提升通信质量，并以 AI-RAN 推动网络演进，SoftBank 将为未来通信基础设施的创新作出贡献。

【注释】
*1 上行信道插值（Uplink channel interpolation）：一种信号处理技术，通过对仅在通信资源部分区域配置的参考信号（DMRS）进行分析，估计并插值数据传输区域的传输路径（信道）状态。该技术可利用有限的测量信息准确掌握整个传输路径特性，从而实现更高速、更稳定的通信。
*2 详细信息请参阅 2025 年 3 月 3 日发布的新闻稿：《SoftBank Demonstrates RAN Performance Improvement with AI Technology》。
*3 探测参考信号（SRS）预测：一种用于避免波束赋形性能下降的技术，通过对以往接收的 SRS 数据进行估计，在基站无法按固定周期接收终端发送的 SRS 时，对传输路径进行预测。

SoftBank、SoftBank 名称及标识为 SoftBank Group Corp. 在日本及其他国家注册或使用的商标。
本新闻稿中提及的其他公司名称、产品名称及服务名称均为其各自公司的注册商标或商标。