NVIDIA đang cung cấp công cụ để các nhà nghiên cứu thử nghiệm những ý tưởng cho mạng 6G. Các dự án tập trung vào việc giúp robot phản ứng nhanh hơn, cải thiện khả năng thu tín hiệu và giảm điện năng tiêu thụ của trạm gốc.

Sự phát triển của hệ sinh thái mã nguồn mở 6G

Các công cụ của NVIDIA giúp nhà nghiên cứu mô phỏng mạng, huấn luyện AI và kiểm tra ý tưởng trên thiết bị vô tuyến thực. Bộ phần mềm Aerial được mở mã nguồn một năm trước, bổ sung cho Sionna và các công cụ nghiên cứu sẵn có của hãng.

Trong bài công bố ngày 6/11/2026, NVIDIA cho biết mức độ áp dụng AI Aerial và Sionna tăng 10 lần trong năm qua; các công cụ 5G/6G mã nguồn mở vượt một triệu lượt tải. Hãng cũng nêu hơn 8.000 tổ chức nghiên cứu và học thuật đang sử dụng các nền tảng này.

Đây là số liệu do nhà cung cấp công bố. Những ví dụ dưới đây chủ yếu dùng hệ thống 5G, mô phỏng và testbed để nghiên cứu hướng tới 6G; chúng không chứng minh một mạng 6G thương mại đã đạt các mức cải thiện tương tự.

Gửi thông tin cần cho tác vụ để robot phản ứng nhanh hơn

Khi robot thực hiện các thao tác gắp vật thể, tốc độ phản hồi phụ thuộc một phần vào kết nối không dây với máy chủ xử lý tác vụ trí tuệ nhân tạo.

Thay vì liên tục gửi cả bức ảnh, robot chỉ gửi thông tin cần cho công việc, như vật thể đang ở đâu và nằm cạnh vật gì. Cách trao đổi này giúp giảm lượng dữ liệu phải truyền và xử lý.

Tại King's College London, hệ thống kết nối cánh tay robot gắn camera với máy chủ biên Jetson AGX Orin qua testbed 5G OpenAirInterface. Bài tổng hợp NVIDIA đặt nghiên cứu này trong hệ công cụ Sionna. Trong các bài thử đóng gói trái cây và xếp khối có chủ ý gây lỗi, nhóm ghi nhận thời gian hoàn thành tác vụ giảm tới 52,6% so với gửi ảnh thô định kỳ. Các cấu hình có bản sao số còn kiểm tra chuyển động dự kiến để hạn chế va chạm; hệ thống cũng xử lý tình huống làm rơi vật hoặc thao tác không thành công.

Lưu ý rằng đây là thời gian hoàn thành tác vụ toàn trình của robot chứ không phải là tuyên bố độ trễ mạng thuần túy đã giảm 52,6%, và kết quả này không đại diện cho mọi robot thương mại.

SoftBank thử dùng AI để cải thiện tốc độ truyền dữ liệu

SoftBank tích hợp bộ thu nơ-ron dựa trên Transformer vào NVIDIA Aerial CUDA-Accelerated RAN (ACAR), rồi thử với điện thoại 5G thương mại trong phòng che chắn, có nhiễu được kiểm soát và chỉ một lớp đường lên.

Thông lượng L1 đường lên trung bình cao hơn bộ thu thông thường ở cả 15 thiết lập. NVIDIA tóm tắt mức tăng tối đa khoảng 60%; nguồn SoftBank công bố chính xác 60,5% tại một điểm thử gần −0,6 dB SINR. Đồ họa dưới đây dùng hai giá trị trung bình đã làm tròn là 47,9 và 29,9 Mbit/s.

Thông lượng dữ liệu không phải độ rộng băng thông phổ tần. Kết quả trong phòng che chắn cũng không có nghĩa mọi thuê bao trên mạng thương mại sẽ nhanh hơn 60%.

Đồ họa AIINEWS từ số liệu SoftBank công bố; chỉ một điểm thử có kiểm soát, không phải phép đo độc lập của AIINEWS. — AIINEWS · OWNED

ETH Zurich giảm lỗi thu tín hiệu bằng dữ liệu tại địa điểm thử

Với các phép đo tại địa điểm thử, nhóm ETH Zurich tinh chỉnh bộ thu nơ-ron trên NVIDIA Aerial Testbed. NVIDIA dẫn kết quả tỷ lệ lỗi khối giảm hơn một phần ba so với một số phiên bản huấn luyện sẵn được chọn làm mốc.

Điểm cần giữ là đối tượng so sánh. Bài nghiên cứu còn ghi nhận bộ thu tham chiếu MMSE có tỷ lệ lỗi khối thấp hơn bộ thu model-driven (MDX) đã tinh chỉnh trong hai môi trường truyền một lớp được xét. Vì vậy, không thể biến kết quả tinh chỉnh thành kết luận rằng mọi bộ thu AI đều hơn mọi bộ thu cổ điển; giảm lỗi khối cũng không đồng nghĩa tốc độ tải tăng cùng tỷ lệ.

Cho trạm gốc nghỉ theo dự báo nhu cầu

Khi mật độ thiết bị kết nối ngày càng tăng trong kỷ nguyên 6G, việc quản lý điện năng tiêu thụ của hạ tầng mạng trở thành bài toán cấp thiết đối với các nhà mạng.

Tại Đại học Leeds, nhóm nghiên cứu đã phát triển hệ thống dự báo nhu cầu mạng trước 10 phút để đưa ra quyết định chuyển trạm gốc sang chế độ ngủ. Trước khi ngắt nguồn, hệ thống kiểm tra các trạm lân cận để đảm bảo thiết bị người dùng không bị mất kết nối. Hệ thống tiếp tục giám sát để khôi phục dung lượng khi cần thiết.

Thử nghiệm sử dụng hệ thống mạng thu nhỏ chạy trên nền tảng DGX Spark kết hợp bản sao số cho thấy mức tiêu thụ điện năng của RAN giảm 45,6% so với mức cơ sở khi hoạt động hết công suất.

Cần phân biệt rõ đây là năng lượng tiêu thụ của riêng phân khúc mạng truy nhập vô tuyến trong kịch bản thử nghiệm đô thị bốn trạm gốc chứ không phải hóa đơn điện tổng thể của nhà cung cấp viễn thông hay thời lượng pin trên điện thoại.

Tăng tốc mô phỏng mạng với mô hình kênh vô tuyến GPU

Việc mô phỏng các kịch bản mạng trước khi triển khai thực tế thường tiêu tốn nhiều thời gian tính toán, hạn chế số lượng phương án thiết kế mà các kỹ sư có thể khảo sát.

Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) đã phối hợp tích hợp các mô hình kênh vô tuyến tăng tốc bằng GPU chạy trên ACAR vào trình mô phỏng mạng 5G-LENA mã nguồn mở.

Theo tài liệu từ NVIDIA, sự kết hợp này giúp rút ngắn thời gian mô phỏng từ khoảng ba giờ xuống còn 10-20 phút tùy theo cấu hình tích hợp. Trong khi đó, báo cáo riêng của CTTC về kịch bản 21 cell macro và 210 người dùng ghi nhận thời gian giảm từ khoảng ba giờ xuống ba phút.

Các báo cáo chưa cung cấp đối chiếu cho thấy hai mốc thời gian thuộc cùng một cấu hình thử nghiệm. Vì vậy, cần đọc từng kết quả trong bối cảnh nguồn công bố. Mô phỏng nhanh hơn giúp nhóm nghiên cứu có cơ hội khảo sát nhiều phương án, nhưng chưa đủ để chứng minh một mạng thực tế sẽ hoạt động tốt hơn.

Những câu hỏi đặt ra cho nhà vận hành và nhà nghiên cứu

Dù các kết quả thử nghiệm ban đầu mang lại tín hiệu tích cực, các nhà khai thác mạng và giới nghiên cứu cần đặt ra những câu hỏi cụ thể trước khi cân nhắc ứng dụng thực tế.

Thứ nhất, các giải pháp AI và mô hình tối ưu hóa này chịu chi phí tính toán và độ phức tạp phần cứng bổ sung như thế nào khi vận hành ở quy mô lớn trên hệ thống mạng toàn diện?

Thứ hai, các bộ thu thần kinh và hệ thống tiết kiệm năng lượng thích ứng ra sao trước những biến động đột ngột của lưu lượng người dùng ngoài đời thực thay vì các kịch bản trong phòng thí nghiệm được kiểm soát?

Mã nguồn để tìm hiểu thêm

NVIDIA Aerial ACAR · NVIDIA Sionna

Bài viết được tổng hợp, đối chiếu nguồn và biên tập với sự hỗ trợ của AI.