英伟达（NVIDIA）开源Aerial无线软件约一年后，研究团队正将其与Sionna等工具用于机器人通信、无线信号接收、基站节能及网络仿真。过去一年，NVIDIA AI Aerial与NVIDIA Sionna的全球开发者采用规模增至原来的10倍，英伟达开源5G/6G工具累计下载超过100万次，全球超过8000家研究及学术机构正在使用这些平台。
这些进展的共同意义，是把仿真、AI训练与真实无线设备实验衔接起来。不过，采用规模和下载量衡量的是工具的使用情况；判断其对6G的实际价值，还需看具体实验改善了什么，以及改善成立的条件。
机器人通信：少传数据能否更快完成任务
当机器人的AI决策运行在附近服务器或云端时，无线传输也会占用响应时间。目标导向语义通信尝试只发送完成任务所需的信息，例如物体、位置及相互关系的紧凑描述，以减少传送完整图像的负担。
伦敦国王学院研究人员将配备摄像头的机械臂连接至运行NVIDIA Sionna的NVIDIA Jetson AGX Orin，支持软件定义5G网络和边缘AI处理。在人为引入故障的水果包装与立方体堆叠实验中，相比定期发送图像，该方案使机器人任务完成时间最多缩短52.6%，并提高了任务成功率。
系统还能检测物体掉落、从失败动作中恢复；在采用数字孪生的配置下，可在执行前检查规划动作是否存在碰撞风险。这里更有解释力的指标是任务完成时间与成功率：减少数据传输的价值，取决于保留下来的信息是否足以支持决策，不能仅凭数据量下降判断机器人表现必然改善。
神经接收机的增益取决于干扰与环境适配
软银将神经接收机集成到NVIDIA Aerial CUDA-Accelerated RAN（ACAR），并使用商用5G智能手机测试。在有干扰的受控实验中，神经接收机在全部15种测试设置下的上行吞吐量均高于传统接收机，最大增益约为60%。
苏黎世联邦理工学院则利用NVIDIA Aerial Testbed，以本地测量数据调优神经接收机。与选定的预训练版本相比，调优后的块错误率降低超过三分之一。
两项实验分别说明，AI可以改善特定干扰条件下的解码表现，本地数据也可能进一步提升接收效果。但吞吐量与块错误率是不同指标，测试基准也不同，不能将这些结果合并为统一的网络性能提升幅度。对实际部署而言，接收机能否适应所在环境，是比单个最大增益更关键的检验条件。
基站节能以保持连接为约束
利兹大学研究团队开发的系统可提前10分钟预测网络需求，据此决定基站是否进入休眠。关闭之前，系统会检查相邻活跃基站能否继续服务受影响设备，并监测需要恢复容量的变化。
团队使用由NVIDIA DGX Spark驱动的便携式5G“盒装网络”，结合数字孪生，对真实无线设备上的决策进行验证。研究人员报告，相比全功率基准，无线接入网（RAN）功耗降低45.6%，同时保持设备连接。
这一结果的重点在于有条件地关闭冗余容量：节能成立的前提，是邻站能够承接需求，并能在需求变化时恢复容量。45.6%对应的是该测试中的RAN功耗降幅，不能直接解释为运营商整体电费或整张网络能耗下降同等比例。
仿真提速缩短设计验证周期
加泰罗尼亚电信技术中心（CTTC）正将运行于ACAR的GPU加速无线信道模型接入其开源5G-LENA网络仿真器。这些模型用于计算天线与设备之间的信号传播，模拟网络规模越大，计算负担越重。
早期评估显示，视集成方式不同，仿真运行时间由约3小时缩短至10至20分钟，同时保留预期的统计行为与网络性能表现。这有助于研究人员在投入设备和现场试验之前，比较更多设计与复杂场景。
从这些实验看，英伟达开源工具当前可见的作用，是降低研究验证的时间与集成负担，并支持在真实设备上检验算法。相关成果主要来自5G设备、测试平台及早期评估，能够为6G设计提供依据，但尚不足以证明同等收益已在商用6G网络中实现。
