2026年6G专题之语义通信行业：太空算力遗珠，6G卫星新范式

行业背景：突破“香农极限”，通信范式的代际跃迁

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。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。

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。 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。

技术路径：重构网络“智”核，确立端到端AI新架构

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。

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）。

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。

产业形态：基础设施“算力化”，重塑空天信息物理底座

语义增强型卫星系统的“云-边-端”协同

传统的卫星网络主要扮演“空中中继”的角色，而语义通信的引入将卫星网络重构为一个AI原生的智能计算网络。该架构由LEO星座、地面控制与AI基础设施共同构成，其核心变革体现在以下三个维度：

1.物理层变革：卫星节点“算力化”。硬件重构： 每一颗低轨卫星均不再仅配备通信转发器，而是集成了星载计算硬件。灵活部署：AI基础设施负责训练大模型。在部署时，系统具备极高的灵活性——既可以将语义模型部署在卫星端，也可以部署在用户终端。

2.逻辑层变革：控制面与数据面的解耦与协同。为了应对LEO卫星的高速移动性，系统采用了软件定义网络（SDN）的设计思路。控制平面：由地面控制器和GEO卫星协同运作。它负责“宏观调控”，包括资源管理、AI模型的分发更新、以及动态路由规划，确保快速移动的LEO卫星始终处于最优工作状态。数据平面： 负责具体的用户数据 传输。 卫星角色不再固定，而是可以在纯中继（Relay）、语义编码器（Encoder）、语义解码器（Decoder）三种功能间动态切换。闭环协同： 两个平面协同工作。当数据平面遇到拥塞时，实时反馈给控制平面，触发路由策略的调整。

3.价值验证：解决带宽问题的核心瓶颈。在传统卫星通信中，受限于香农极限，当信道带宽低于业务需求时（例如带宽仅有4Mbps，但传输需要12Mbps），通信会直接失败。语义通信的优势： 利用AI模型的高压缩比（例如 3:1 的压缩率），系统可将12Mbps的原始数据压缩至4Mbps的语义特征进行传输，在接收端再无损/高保真还原。这种能力变相将卫星网络的系统容量提升了数倍，极大降低了单位比特的传输成本。

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）