简述

AI-RAN 的核心首先是算力。

GPU 不仅负责 AI 模型训练和推理，也开始承担 FFT、信道估计、MIMO 检测、LDPC 等实时物理层计算。

计算平台正在从“AI 服务器”逐渐变成“AI + RAN 统一计算平台”。

无线 AI 的第一步，往往不是连接基站，而是建立一个可以训练的通信系统。

Sionna 将发射机、信道、接收机和 AI 模型连接成可微分链路，使 Neural Receiver、AI Channel Estimation、Neural Demapper 等算法能够端到端训练。

真实无线网络并不存在于一个抽象的 Rayleigh 信道中。

建筑物、道路、车辆、材料、基站位置都会影响传播环境。

Sionna RT 使用 GPU Ray Tracing 建立无线数字孪生，将真实场景转化为可用于 AI 训练的高保真信道数据。

算法从 Python Notebook 走向真实 5G 网络，中间需要跨越巨大的工程鸿沟。

Sionna Research Kit 正在缩短这段距离：

仿真 → AI 训练 → TensorRT → OpenAirInterface → 实时 5G → 商用 UE。

Aerial 的核心价值，是把传统基站中大量 PHY 计算迁移到 GPU。

cuPHY、cuMAC 与 GPU 计算平台共同构成软件定义的实时 RAN，使 AI 推理与无线基带处理可以运行在同一计算架构中。

GPU 处理的是数字 I/Q，而手机接收到的是无线电波。

O-RU 正是数字世界与真实射频世界之间的桥梁。

通过 O-RAN 7.2x 前传，DU 与 O-RU 可以组成开放、可编程的真实 5G 空口系统。

O-RAN 前传并不是简单地“插上网线”。

除了大带宽、低时延的数据传输，还必须解决 IEEE 1588 PTP、SyncE 等高精度同步问题。

对于实时 RAN 来说，网络与时钟本身就是系统的一部分。

AI-RAN 实验室可以逐步建设，而不需要一步到位。

Level 1：Sionna + GPU，进行算法与仿真研究。
Level 2：Sionna RK / OAI，进行实时原型验证。
Level 3：Aerial + Switch + PTP + O-RU，建立完整 OTA 网络。

从算法研究到真实空口，可以形成一条连续的技术升级路径。