从1G到5G，无线通信系统实现了从连接人到连接万物的跨越。为连接并服务无处不在的智能体，6G及未来无线通信系统将实现从万物互联迈向万物智联，并朝着超越连接、深度融合AI与感知能力的综合基础设施演进，在多个维度呈现高度异构性。在场景上，需要覆盖空-天-地-海全场景；在系统架构上，将向新频段拓展并引入大规模天线阵列以支撑新兴业务；在功能上，将深度融合射频感知和多模态感知以实现机器联觉。然而，模型驱动的物理层算法难以应对未见场景及复杂任务，大量难以建模的非理想因素会导致性能严重受损。由于强大的建模能力和鲁棒性，AI被视为6G的核心使能技术，受到广泛关注。然而，现有无线AI算法局限于任务专用模型，针对特定物理层模块和系统配置进行设计，并在特定场景下完成训练，可扩展性和泛化性严重受限。例如，对于涵盖多种配置和大量物理层模块的单个基站，需要部署数百个精心设计的模型，并且当信道环境变化时，往往需要大量标注数据并进行重新训练。因此，亟需构建一种面向异构无线系统的统一设计框架，以克服碎片化设计的局限性并实现联合设计增益。

近年来，基座模型引领了AI范式转移。通过大规模预训练，使单一模型能够高效适配大量下游任务，并在性能上超越任务专用模型。由于信道状态信息（CSI）在物理层设计中的核心地位，有必要构建面向CSI的无线基座模型，即通过在无线数据集上的大规模预训练，获得跨场景、跨设备和跨任务的通用无线表征。这种通用模型将替代大量分立设计的任务专用模型，并大幅降低甚至消除微调开销。然而，无线基座模型的构建面临多个重大挑战，包括大规模异构CSI数据集构建困难、无线数据和通感任务异构性强、可靠性和时延约束严苛以及硬件原型系统搭建复杂。

针对上述挑战，北京大学电子学院程翔团队设计了首个面向无线系统通用设计的无线通感基座模型WiFo-2，实现了跨场景、系统配置和无线通感任务（12种）泛化的无线表征。性能超越全监督模型的同时，WiFo-2首次实现统一的零样本信道重建，并将下游任务所需训练样本数减少至1%。此外，本工作还研制了首个无线基座模型嵌入的硬件原型，用以验证其在多种通感任务上的实际空口优势。

大规模异构预训练

为支持 WiFo-2 预训练，团队构建了迄今规模最大的异构三维时空频 CSI 数据集（LH-CSI）。该数据集覆盖全部三种信道获取方式（统计性信道建模、射线追踪和实测），包含8种数据来源、78个子数据集和116亿个CSI数据点。为有效应对任务与数据的异构性，同时大幅提升计算效率，团队设计了掩码去噪自编码器（MDAE）架构以及数据-任务感知的稀疏专家混合机制（CSI-SMoE）。WiFo-2采用两阶段预训练策略，包括混合掩码与去噪预训练和置信度增强预训练，使模型学习通用无线表征的同时，实现高精度且可信的零样本信道重建，减少基座模型幻觉以保障无线通信系统的可靠性。

图1：WiFo-2统一异构无线系统设计：数据集、网络架构与预训练方式

高精度且高可靠的零样本信道重建

针对3种信道重建任务（时域信道预测、频域信道预测和信道估计），WiFo-2在未见场景和系统配置下实现了SOTA的零样本信道重建性能，显著超越任务专用AI模型的全样本训练性能。WiFo-2还能准确输出重建结果置信度，其对于重建NMSE的预测MAE低至2.3dB。准确的置信度输出，对指导实际系统中的AI模型更新和维持通信链路可靠性具有重要作用。此外，WiFo-2符合由数据规模、异构性和模型规模共同塑造的无线缩放定律，具备良好的可扩展性。

图2：WiFo-2零样本信道重建性能

极少样本适配通感下游任务

针对9种无线通感下游任务，包括场景分类、AoA估计、多普勒估计、CSI反馈、无线定位、跨频段信道预测、毫米波波束预测、信号检测和视觉增强的信道预测任务，WiFo-2在性能超越任务专用AI模型的同时，仅使用其1%的训练样本，显著减少了数据收集和模型训练开销。实验表明，针对上述12种无线通感任务，在实现更高性能的同时，单一WiFo-2模型可以替代258个任务专用模型，同时将总参数量减少75%以上，从而显著降低模型管理与部署成本。

图3：WiFo-2少样本迁移至无线通感下游任务的性能

硬件原型系统

团队开发了首个搭载无线基座模型的硬件原型系统，面向无线系统的时延与可靠性约束，在真实空口环境中验证了其部署可行性和性能优势。收发端基于USRP且收端配备Jetson AGX Orin用于WiFo-2部署，符合5G NR物理层协议。在多种真实环境（包括室内和室外）和多个频段（覆盖sub-6 GHz和毫米波频段）下，针对频域信道预测、信道估计和场景分类三种无线通感任务，WiFo-2相较于任务专用AI模型和参数化模型始终保持性能优势并且具备良好的泛化能力。

图4：WiFo-2嵌入的硬件原型系统

上述仿真和实测结果表明，WiFo-2实现了跨场景、系统配置和任务的统一无线系统设计。本工作将基座模型范式从语言、视觉和生物序列进一步拓展至一种新的物理模态——无线通信中的射频信道，并初步表明：通过扩大模型规模以及提升无线数据集的规模和多样性，可以深化模型对射频信道的理解，并显著提升大量无线通感任务的性能。该方案极大简化了高度异构无线系统的设计，为AI原生的下一代无线通感系统提供了统一、可扩展的设计新范式。

图5：文章截图

相关成果以“WiFo-2: a generalist foundation model unifies heterogeneous wireless system design”为题，于2026年8月17日在线发表于《国家科学评论》（National Science Review）。北京大学为该研究工作的第一完成单位，合作单位包括香港科技大学（广州）。北京大学电子学院程翔教授为论文通讯作者，北京大学电子学院博士生刘伯珣为论文第一作者。这项工作得到了国家自然科学基金委杰出青年科学基金和新基石科学基金会科学探索奖等的支持。

文章链接：https://doi.org/10.1093/nsr/nwag500

项目开源地址：https://github.com/PKU-PCNI/WiFo-2