北京邮电大学张平教授、许文俊教授团队联合美国休斯顿大学韩竹教授在中国工程院院刊Engineering发表题为“Explicit Semantic-Base-Empowered Communications for 6G Mobile Networks”（面向6G移动网络的显式语义基赋能通信）的研究型文章。该文章聚焦6G移动网络中的语义通信问题，指出传统通信系统主要追求比特序列的准确还原，而未来6G更需要传递信息背后的含义。针对现有基于端到端神经网络的语义通信系统可解释性不足、难以更新、与现有数字通信协议不兼容等问题，文章提出了一种基于显式语义基的语义通信架构，通过构建可解释的知识库、语义编解码器和差异化保护机制，实现更加灵活、高效、可靠的语义传输。实验结果显示，在图像传输任务中，该方法在感知图像质量指标上相比传统方法和现有语义通信方法更有优势。
要了解这项技术，需要先从一个问题说起：通信到底是在传什么？
我们平时发图片、语音、视频，需要使用传统通信系统把这些信息转化成一串串0和1，再尽可能准确地传到对方设备上。只有接收端还原出的比特序列和发送端一致，才认为通信成功了。
但在很多6G应用场景（如图1所示）中，真正重要的未必是每一个像素、每一个字节都完全一样，而是信息背后想要传达的意思有没有被正确理解。例如智慧交通场景中，自动驾驶车辆向路侧设备发送一张交通图像，系统最关心的不是天空、树木、路边建筑是否被高清还原，而是前方有没有行人、是否有车辆正在靠近、是否存在碰撞风险等。
语义通信，就是让通信系统从“逐字逐句传数据”升级为“理解之后传含义”。它的核心思想是：先提取消息中与任务相关的关键语义，再把这些语义高效传输给接收端。这样不仅可以减少不必要的数据传输，还能让通信系统更贴近未来6G中的智能任务需求。
图1 面向6G典型应用的语义通信服务
近年来，随着人工智能技术的发展，很多语义通信系统开始采用端到端训练的神经网络。简单来说，就是让一个大模型同时学习“如何理解信息”和“如何通过信道传输信息”。这种方法在图像、文本、语音等任务中表现不错，证明了语义通信的潜力。
但问题也随之出现。首先，这类系统往往像一个黑箱，我们很难清楚地知道它到底提取了哪些语义、为什么这样传、哪些部分更重要。一旦系统效果不好，研究人员也很难精准判断到底是语义提取出了问题，还是信道传输出了问题。
其次，现有方法通常假设训练环境比较稳定。如果用户需求、传输内容或信道条件发生变化，原本训练好的神经网络可能就不再适用，甚至需要重新训练整个系统。这就像一位只熟悉某个城市地图的导航员，一旦来到新城市，就需要重新学习大量道路信息，训练成本很高。
更重要的是，很多端到端语义通信方法默认应用层和物理层可以联合训练。但现实中的5G和未来6G网络都有成熟的协议栈，数据需要经过应用层、服务数据适配层、分组数据汇聚层、媒体接入控制层、物理层等多个环节处理。如果语义通信不能兼容现有通信架构，就很难真正走向实际应用。
因此，如何让语义通信既能传递“意思”，又具备可解释性、可更新性和工程兼容性，成为这篇论文要解决的核心问题。
为了解决上述问题，文章提出了一个关键概念：显式语义基，英文简称Seb。可以把语义基理解为语义通信中的含义积木。在传统通信中，比特是最基本的传输单元；而在语义通信中，语义基就是表示含义的基本单元。不同形式的信息，只要表达的是相同或相近的意思，就可以被映射到同一个语义基上。举个简单的例子，两张长颈鹿图片可能拍摄角度不同、背景不同、像素细节也不同，但它们都包含长颈鹿这一语义。语义基的作用，就是把这些不同表现形式背后的共同含义提炼出来，用统一的方式表示。这样一来，通信系统就不必把所有原始细节都传过去，而是可以围绕真正重要的语义进行传输。基于语义基的语义通信架构如图2所示。
更进一步，语义基还可以分成不同粒度。粗粒度语义基适合表达更抽象的信息，比如“这是一只动物”“图像中有交通工具”；细粒度语义基则适合表达更具体的细节，比如“长颈鹿的脸部纹理”“船只的边缘轮廓”。在资源紧张时，系统可以优先传输粗粒度语义，保证任务基本完成；在资源充足时，则可以加入更多细粒度语义，让还原结果更加精细。
图2 基于语义基的语义通信架构
有了语义基之后，通信系统还需要一个地方来存放、管理和同步这些语义基，这就是文章提出的显式知识库。
在语义通信中，发送端和接收端必须拥有相同或相近的背景知识，才能真正听懂彼此。就像两个人交流时，如果一个人说红灯，另一个人知道它意味着停止通行，沟通才会顺利。知识库就是让通信双方共享语义背景的基础。鉴于现实中的通信任务会不断发生变化（例如今天传输城市道路图像，明天传输海上船只视频，后天传输工业设备状态），如果知识库一直停留在旧场景中，就会出现语义表示不准确的问题，因此文章设计了可以动态更新的知识库。系统可以根据近期传输的信息生成新的候选语义基，把新的重要语义加入知识库；同时，长期不用或重要性降低的旧语义基会被逐渐淘汰。这样，知识库就像一个会自我进化的词典，既能不断吸收新词，也能删除过时内容，从而让语义通信系统具备自我演化能力。
在真实通信环境中，信号传输并不总是稳定的。噪声、干扰、信道变化都可能导致信息出错。传统通信通常平等地保护所有比特，而语义通信可以优先保护关键语义。文章提出了两类不等差错保护机制：一种是面向消息的重要性保护，另一种是面向语义基的重要性保护。
还是以图像传输为例。如果一张图片里有熊、鸟和背景，那么对于识别任务来说，熊和鸟可能比背景更重要。因此，系统会给表示熊和鸟的语义分配更可靠的编码方式，而对天空、树木等背景部分采用相对节省资源的传输方式。这样即使信道条件变差，关键对象也更不容易被传错。更细一步看，同一个对象内部的不同区域重要性也不同。比如交通图像中的车辆边缘，可能比车辆的颜色更影响任务判断。语义基级别的不等差错保护，能进一步区分这些细节，把有限的通信资源用在最值得保护的地方。
这种设计让通信系统不再只是机械地传数据，而是能根据任务目标判断什么更值得传好，这也是语义通信相比传统通信更智能的地方。
除了理论设计，文章还特别关注一个现实问题：这种语义通信系统能不能接入现有通信网络？
为此，研究团队提出了与现有3GPP协议栈兼容的语义通信协议架构。它在原有协议栈基础上引入了语义智能平面，用来管理知识库、语义基和重要性信息。这样，语义通信不必完全推翻现有网络结构，而是可以在现有应用层、物理层和中间协议层之间增加语义智能能力。在图像传输实验中，研究团队将该方法与BPG、JPEG2000等传统图像编码方法，以及JSCC、VQSemCom等现有语义通信方法进行了比较。结果显示，在相同传输成本下，基于语义基的方法能够更好地保持图像的感知质量，尤其在信道条件较差时，系统仍能优先保护关键区域，避免重要语义严重失真。同时，当通信意图发生变化时，知识库更新机制可以让系统快速适应新场景，而不需要重新训练整个神经网络。
未来，语义基赋能的通信不仅可以用于图像传输，还可能应用于自动驾驶、扩展现实、数字孪生、智能制造、边缘智能等6G典型场景。在自动驾驶中，它可以优先传输道路风险信息；在数字孪生中，它可以高效同步物理世界和虚拟世界的关键状态；在扩展现实中，它可以减少无关数据传输，让沉浸式体验更加流畅；在工业互联网中，它可以帮助机器设备更快传递故障、状态和控制意图。当然，这一方向仍有许多问题需要继续研究。比如，如何为不同模态的数据构建统一语义基，如何让知识库在大规模网络中高效同步，如何在保证隐私安全的同时共享语义知识，都是未来语义通信走向实际部署的重要挑战。
从“传得准”到“理解得准”，通信技术深层次理念正在发生深刻变化。
未来的6G网络不仅要连接人、机、物、灵（智能体），更要让网络具备理解信息、筛选重点、智能决策的能力。显式语义基赋能的通信正是朝着这一方向迈出的重要一步，它让通信系统不再只是信息搬运工，而有望成为真正理解世界的智能连接基础设施。（来源：EngineeringJournals微信公众号）
相关论文信息：https://www.engineering.org.cn/engi/EN/10.1016/j.eng.2025.08.039
