摘要：传统通信面临瓶颈，6G时代需革新范式。语义通信聚焦信息“意义”提取与传输，旨在提升通信效率及智能交互水平，是6G核心使能技术，其理论基础与演进路径明确，关键技术包括基于人工智能、知识图谱的语义编解码、多模态融合和资源优化等，在智能物联网、元宇宙等场景中具有显著

【语义通信与语义信息论

基础理论与关键技术】专题

面向6G的语义通信：理论基础、关键技术与应用展望

（1.南开大学电子信息与光学工程学院，天津 300350；

2.天津市光电传感器与传感网络技术重点实验室，天津 300350；

3.浙江海洋大学信息工程学院，浙江 舟山 316021）

【摘 要】传统通信面临瓶颈，6G时代需革新范式。语义通信聚焦信息“意义”提取与传输，旨在提升通信效率及智能交互水平，是6G核心使能技术，其理论基础与演进路径明确，关键技术包括基于人工智能、知识图谱的语义编解码、多模态融合和资源优化等，在智能物联网、元宇宙等场景中具有显著应用潜力与新兴架构优势。语义通信在提取准确性、安全隐私、跨模态理解等方面面临挑战，未来发展方向涵盖量子、绿色、认知启发及可解释性等方面，对推动语义通信在6G和未来信息社会的发展具有重要意义。

【关键词】语义通信；6G网络；深度学习；语义信息理论

doi:10.3969/j.issn.1006-1010.20250525-0001

中图分类号：TN911.21 文献标志码：A

文章编号：1006-1010(2025)07-0068-09

引用格式：张杰煊,邢晨欣,章辉,等. 面向6G的语义通信：理论基础、关键技术与应用展望[J]. 移动通信, 2025,49(7): 68-76.

ZHANG Jiexuan, XING Chenxin, ZHANG Hui, et al. Semantic Communication for 6G: Theoretical Foundations, Key Technologies, and Future Applications[J]. Mobile Communications, 2025,49(7): 68-76.

0 引言

作为6G网络关键技术之一，语义通信致力于应对海量数据高效传输、异构设备智能互联，以及复杂智慧业务实时支持等核心挑战，在沉浸式通信、智能物联网、自动驾驶和元宇宙等前沿场景展现出巨大的应用潜力。深入理解语义通信的内涵及技术脉络，预见发展趋势，对把握未来的信息技术变革方向至关重要。本文将系统探讨语义通信的理论基础、关键技术、应用场景、面临挑战及未来研究方向，以促进对这一变革性通信技术的全面理解，并展望其对未来信息社会的深远影响。

1 面向6G语义通信的网络功能系统设计和能力生成

1.1 语义通信赋能6G网络

语义通信作为6G网络的关键使能技术，极大程度地提升了通信系统的感知、交互与决策能力，如图2所示。文献[2]指出，语义通信通过优化网络性能与资源利用，有效应对6G网络中的关键挑战，包括海量数据的高效传输、异构设备的互联互通以及智慧业务的实时支持等。基于文献[3]提出的6G网络使能技术相关性分析框架，语义通信因其在提升网络效率方面的潜力，与6G架构的核心设计目标（如频谱效率、低时延及能效优化）具有高度相关性，对实现6G关键性能指标具备显著贡献潜力。文献[4]提出的“理解后通话（Understand-Before-Talk）”范式，彰显了语义通信在6G网络中的核心价值，该范式要求通信双方在信息交换前先建立共同理解，从而显著减少传输冗余，提升通信效率。文献[5]的研究表明，语义通信的工程化实现能够显著降低数据传输量，有效缓解无线空口资源压力，从而满足分布式智能应用对高效通信的需求。

6G网络架构为语义通信提供了全方位支持。文献[6]研究表明，6G前沿技术（包括空天地一体化覆盖网络、太赫兹通信等）为语义通信等典型6G应用奠定了技术基础。特别地，文献[7]证实智能超表面技术能够直接增强语义通信系统性能。文献[8]系统分析了人工智能与6G通信的融合机制，提出的“为AI服务的网络”理念表明6G网络将原生支持AI模 型运行。文献[9]提出的面向语义通信的多用户分布式网络架构，有效实现了复杂语义模型的高效部署与动态调整。此外，文献[10]进一步研究了6G网络中的边缘驱动系统和AI原生理念（如KB-MANO框架）的协同机制，强调语义感知的资源调度动态分配对保障语义通信服务质量的关键作用。

1.2 语义感知资源管理

车联网环境下的语义感知频谱共享技术显著提升了频谱利用效率。文献[11]提出了一种基于深度强化学习（DRL, Deep Reinforcement Learning）的语义感知频谱共享机制，该机制通过智能捕捉车载通信内容的语义重要性等级，实现了频谱资源的动态差异化分配，可使系统语义频谱效率提升15%，同时语义信息传输率提高7%。在此基础上，该机制还能将响应时延从14 ms降低至3.8 ms，实现了72.9%的延迟缩减，显著增强了通信的实时性。文献[12]对车联网语义通信技术进行了全面调研，重点探讨了基于语义感知的资源分配与管理策略，及其在交通环境感知中的应用。研究表明，通过融合道路状况、车辆密度和事件应急程度等多维上下文信息，语义感知的频谱共享机制能够动态调整频谱资源配置，有效保障交通安全信息的低时延可靠传输。文献[13]通过系统分析语义通信技术方案及其应用，深入探讨了知识图谱在智能交通系统等领域的应用价值。研究指出，在车联网应用场景中，通过引入基站进行语义信息提取和恢复，可实现传输数据量减少46%和整体相似度提升两倍的显著效果，基于知识图谱的语义理解技术能够准确识别交通信息的关键性等级，从而为动态频谱资源分配决策提供可靠的语义依据。

语义驱动的绿色协作传输战略实现了通信效率与能源效率的双重优化。文献[14]研究了环境语义通信在分布式感知辅助网络中的应用机制，提出一种基于环境语义理解的高效传输方案。该方案通过提取环境中的高价值语义信息而非原始图像进行传输，有效减少了数据冗余，显著降低了网络带宽占用及数据传输负担，进而降低了网络能耗，为资源受限的分布式网络提供了可行的能效优化方案。文献[15]基于知识图谱设计了一种认知语义通信系统架构，实现对通信内容的结构化理解，并通过提高数据压缩率和通信可靠性，进一步提升了通信系统的能效和准确性。实验结果显示，对于长度在300~400字符的长句，该系统仅需约500 bit即可完成传输，相比于使用传统霍夫曼编码（约3 000 bit）或其他深度学习模型（JSCC，约4 500 bit）的方案，实现了数倍的数据压缩率提升。此外，该系统在低信噪比（SNR

1.3 6G多智能体语义交互系统

为实现6G网络中多智能体高效协同优化及海量物联网设备智能互联需求，语义通信技术正经历从理论探索到复杂分布式应用的重要演进。文献[16]基于“心智理论（ToM，Theory of Mind）”构建机器人协作框架，通过思维理论的融合，促进通信双方建立深层次理解机制，从而提升协作效能。该理论同样适用于物联网（IoT）领域，其分布式架构能够有效解决海量设备互联时的效率与可扩展性问题。文献[17]针对资源受限的物联网终端设备，提出了一种轻量化分布式语义通信系统，采用分布式处理架构与高效语义编码方案，实现设备间的语义协同与知识共享，显著降低通信开销与能耗。在6G工业物联网（IIoT）等高性能需求场景下，文献[18]提出了一种基于联邦学习（Federated Learning）和A3C（Asynchronous Advantage Actor-Critic）强化学习的语义通信框架，该框架通过持续学习数据流中的语义信息，显著提升了智能工厂的自动化水平、协调能力以及自主控制性能，从而优化生产流程。

此类应用的核心支撑在于自学习边缘智能（Self-learning Edge Intelligence）技术，其通过将智能计算能力下沉至网络边缘，使终端设备具备本地化语义处理与自主持续学习的能力。文献[19]系统阐述了6G网络中的自学习边缘智能实现框架，该框架基于生成对抗网络（GAN, Generative Adversarial Networks）构建自适应学习机制，能够实现模型的自动化训练与适应。同时，通过持续学习与知识迁移技术的协同作用，可显著提升终端设备的语义理解自主进化能力。值得注意的是，边缘智能与语义通信的深度融合对于高实时性的应用场景具有关键性的支撑作用。在6G联合语义通信与感知系统中，如文献[20]所述，通过统一优化通信和感知资源，实现系统语义保密速率的最大化，同时保障系统服务质量和环境感知性能。这一集成框架不仅为构建高效交互和环境理解系统奠定了理论基础，更标志着无线通信范式从传统的比特传输向语义驱动模式的根本转变，为基于边缘智能的本地化情境感知应用开辟了新的技术路线，在智能交通、工业物联网等领域展现出显著的应用潜力。文献[21]提出了一种跨模态图谱与生成式AI辅助语义通信的方法，能够实现元宇宙场景下多模态数据的高效处理与高质量重建，同时辅助设备理解并生成多模态语义信息，在计算与通信效率要求较高的边缘智能应用场景中具有积极意义与重要的实践价值。

1.4 安全与隐私保护技术

语义通信安全是系统设计的核心要素，物理层安全技术通过利用无线信道的固有特性，为语义信息传输提供了基础性的安全防护。文献[22]阐述了一种融合物理层安全的深度神经网络安全语义通信系统（DeepSSC, Deep Secure Semantic Communication），该系统采用联合优化策略，将信道编码与语义编码相融合，构建了端到端的安全传输机制。文献[7]在智能超表面（RIS, Reconfigurable Intelligent Surface）赋能的语义通信系统综述中，全面地探讨了物理层安全防护机制，并提出了一种面向安全优化的RIS-语义通信联合设计框架，该框架支持通过可编程电磁环境动态调控无线传播信息，实现语义通信的定向传输，有效抑制窃听信道质量，从而提升系统保密容量。然而，单一的物理层安全防护已难以满足通信系统的安全需求，文献[23]在安全综述中明确指出，构建物理层与语义层安全协同的跨纬度防护体系将成为未来重要发展方向。为应对6G语义通信中日益复杂的安全威胁，基于专家混合模型（MoE, Mixture of Experts）的新型安全架构应运而生，为语义通信提供了全新的安全与信任保障。文献[24]详述了基于MoE的可信语义通信框架。该框架创新性地采用多专家协同决策与动态选择机制，能够有效应对包括信源/信道攻击、窃听攻击、语义噪声干扰以及语义篡改攻击等在内的多种安全威胁，并显著提升系统对对抗样本的鲁棒性。例如，在面对源噪声攻击时，MoE系统可将分类准确率维持在80%左右，远高于普通系统的40%；在防御窃听攻击时，可使合法用户的解码准确率保持高水平，而窃听者的准确率则被抑制在10%以下，形成更加智能的安全屏障。这种MoE驱动的自适应安全架构不仅可以增强AI生成内容的可信度验证能力，还能在6G异构网络环境下实现动态安全策略优化，为开放网络环境中的语义通信提供可靠保障。

2 语义通信的新兴网络架构与应用场景

2.1 AI原生6G网络架构

6G网络架构将实现从“AI赋能”向“AI原生”的根本性转变，使人工智能成为网络的内生能力而非外挂工具。这种范式的转换使网络能主动理解和处理通信内容的语义，而非仅传输比特流。AI原生网络能自主学习环境变化、预测用户需求并动态调整网络参数，实现真正的端到端智能协作。如何实现语义理解能力在网络协议栈各层的深度融合，是构建AI原生网络架构的核心挑战。

AI原生架构创新性地引入了与传统控制平面和数据平面并行的智能平面。该平面通过专有的语义信息提取、处理与决策机制，实现与数据平面的功能解耦，从而显著提升网络管理的灵活性。这种分离式设计使网络资源能够根据语义重要性价值进行动态分配，而非传统的数据量驱动分配模式。文献[26]提出的语义感知网络模型通过引入专用语义处理模块（例如其设计的联邦边缘智能架构可实现资源高效的语义处理），在兼容现有网络架构的同时实现了语义优化。文献[27]中提及的跨域AI协作是6G网络实现端到端语义理解的重要机制。不同网络节点的AI模型通过共享知识库和语义信息实现协同优化，从而提高整体网络效能。文献[15]提出的基于知识图谱的认知语义通信系统就是这种协作机制的典型应用，其多用户消息恢复算法利用私有知识图谱和上下文信息进行消息区分。此类协作还需考虑模型复杂度与通信开销的平衡，并引入保护用户隐私的联邦学习机制。

2.2 语义元宇宙网络架构

联邦语义通信框架采用分布式协作机制，实现了异构设备间的高效语义共享。该框架在保留本地数据和计算能力的前提下，通过协同训练构建共享的语义模型。文献[17]提出的轻量级分布式语义通信系统，采用了轻量级设计和分布式处理架构，验证了在资源受限环境（如物联网）中实现分布式语义协作的可行性。通过模型剪枝与量化，该系统能在性能几乎无损的情况下，实现高达40倍的压缩率，模型大小从12.3 MB缩减至1.28 MB，同时在4比特量化下仍能保持与全分辨率星座图相近的通信性能。该架构尤其适用于元宇宙多实体交互场景，能够在保障隐私安全的前提下实现丰富的语义交换。

语义数字孪生是元宇宙网络架构的核心组件，通过构建物理实体的语义增强数字映射，实现虚实融合。与传统数字孪生不同，语义数字孪生不仅模拟物理属性，还捕捉实体间的语义关联。文献[15]的知识图谱驱动方法为构建语义数字孪生构建提供了有效解决方案，通过三元组（头实体、关系、尾实体）表达语义信息并支持基于知识图谱推理规则的智能化决策。

多模态元宇宙的实现需要融合文本、图像、音频及视频等异构数据模态，以构建连贯的虚拟环境。文献[28]提出的多模态、多用户语义通信系统，采用信道级信息融合技术，为元宇宙环境下的多模态交互提供了基础支撑。文献[16]探讨了生成式人工智能与深度联合源-信道编码的协同机制，例如，利用生成式AI将高维图像数据转换为简洁的文本描述进行传输，或通过D-JSCC实现信道噪声下的优雅降质，通过优化语义编解码过程，有效提升了元宇宙等复杂多模态场景下的自然交互体验与内容生成能力。

2.3 语义互联网架构

空间通信系统在卫星网络和深空探索等应用场景中面临多重技术挑战，主要包括长距离传输延迟、有限带宽、链路动态变化以及极端环境（如宇宙辐射、温度波动、能源限制）带来的影响。传统通信范式在上述极端条件下存在显著性能局限，而语义通信通过聚焦于与传输任务相关的核心“意义”而非原始数据，为解决空间通信挑战提供了创新性方法框架。在卫星网络场景中，该架构可基于文献[29]提出的智能代理框架，通过用户意图理解和上下文感知实现传输内容的语义优化。例如，采用文献[17]所描述的轻量级语义模型，可以有效减轻终端计算压力，并结合文献[30]讨论的语义中继辅助机制，为资源受限的空间设备建立高效能协作传输体系。

在通信环境更为恶劣的深空场景中，语义通信技术能显著削减数据量，以克服超长传播时延和信道衰减问题，例如文献[31]提出的掩码VQ-VAE等先进方法，能够保障极端信道条件下的通信可靠性。此外，基于更高效的语义信息传输，可显著增强航天器的自主决策能力，降低对地面指令的依赖，正如文献[32]所表明，在网络化智能系统中，语义驱动的通信机制能够实现用户目标与系统行为的精准对齐，从而提升在轨决策的实时性与准确性。面对极端的空间环境，语义通信框架与能源高效的资源分配策略相结合，通过语义级数据压缩显著降低传输负载，进而减少系统能耗，延长空间设备的在轨工作寿命。为直观展现语义通信的作用，表1对各应用场景下的核心赋能机制及相关代表性文献进行了归纳与梳理。

3 6G语义通信网络架构建模、评估和优化方法

3.1 语义通信系统性能建模

建立准确可靠的系统模型是推动语义通信技术发展的关键前提，这需要大量理论分析与实验验证的协同优化。如文献[33]所示，通过将信息论基础分析与大规模实证研究相结合，可以有效提升语义通信系统的建模准确性与实用可靠性。文献[34]的实验结果表明，基于深度学习的语义通信系统（如DeepSSC）在噪声环境下表现出显著优势，特别是在信道条件恶劣的情况下更能保持语义完整性。这一结论与文献[35]中基于义原的语义通信系统（SememeSC, Sememe-based Semantic Communication System）在低信噪比环境下的表现一致，即语义通信在信道条件恶劣时更具优势。然而，如文献[13]的系统性综述所指出，当前语义通信系统仍面临诸多挑战，特别是在普适性架构设计方面存在显著困难。这些挑战主要源于系统复杂度的指数级增长以及对大规模高质量训练数据的依赖。这些基于实证的性能分析不仅对语义通信系统的优化具有直接的指导价值，在6G网络基础理论构建中（如文献[8]所探讨的AI与6G网络基础）也具有重要意义，并被认为是推动语义通信从理论构想走向实际应用的关键步骤，正如文献[8]在其对AI与通信融合的概述中所强调的。同时，文献[13]等系统性综述为研究者提供了重要参考，有助于建立适用于不同场景的语义通信分析方法框架。

在众多性能建模工作中，构建信噪比（SNR, Signal-to-Noise Ratio）与语义性能指标之间的关系模型具有基础性意义，因为将直接影响通信系统的设计与资源分配管理。与传统通信系统中信噪比与比特错误率（BER, Bit Error Rate）之间表现出的近似线性关系不同，语义通信系统往往呈现出显著的非线性特征。文献[34]、[35]的实证研究均显示，语义通信系统在低信噪比区间展现出显著的性能优势，其核心机制在于对语义信息的有效提取与利用以及对意义的重点关注。相较而言，传统通信系统在该信噪比条件下通常因无法满足基本误码率要求而失效。文献[31]提出的基于掩码VQ-VAE码本的鲁棒语义通信方法专注于应对语义噪声，通过对抗训练和特征重要性模块提高对语义噪声的鲁棒性。这种非线性特性部分源于深度学习模型在语义编解码中的应用，这些模型对噪声具有一定的容忍和纠错能力，直至达到某个性能拐点。进一步地，研究者们也在探索更加精细化的模型，例如文献[36]提出的语义感知混合自动重传请求（SemHARQ, Semantic-aware Hybrid Automatic Repeat Request）机制极具代表性。该机制创新性地引入特征失真评估网络和重要性排序方法，通过动态调整重传策略实现语义保真度优化。这种机制的有效性依赖于对信噪比、重传效果与语义恢复质量三者间耦合关系的精确建模，体现了语义通信系统设计的范式转变。

针对下一代无线网络中的特定应用场景需求，文献[37]探讨了基于视觉Transformer的语义通信架构。该研究重点关注在各种衰落情景下，系统在保持传输图像的语义相似性和重建质量（如峰值信噪比PSNR）方面的性能，而非传统意义上直接映射到目标识别准确率等下游任务指标。从系统工程视角来看，建立准确的信噪比-语义性能模型对实现语义通信的实际部署和动态优化具有决定性作用。这些研究共同推动了语义通信系统性能建模的理论深化与实践进展。

3.2 语义通信系统评估指标

语义频谱效率与语义能源效率是语义通信系统的关键性能指标。文献[43]探讨了多用户语义通信系统中的能效资源分配策略，提出了基于深度强化学习的优化方法，并致力于有效提高长期语义能源效率（L-SEE, Long-term Semantic Energy Efficiency）。文献[44]针对车联网场景，创新性提出任务驱动的语义感知绿色协作传输策略，其目标在于保证语义传输可靠性的同时最小化传输能耗，实现了语义能源效率的系统性提升。文献[45]提出了大模型驱动的未来语义感知网络资源分配框架，其核心机制是通过数据语义重要性评估实现智能资源分配。该研究重点解决了频谱利用效率与语义传输质量之间的优化权衡问题。文献[14]讨论了环境语义通信在分布式感知辅助网络中的应用，通过仅传输高价值语义信息而非原始图像，大幅缓解数据存储和传输负担，从而优化带宽利用效率。这些研究共同推动了语义通信系统资源利用评估指标的发展与应用。

安全双语评估替补（S-BLEU, Security-Bilingual Evaluation Understudy）是语义通信系统中针对文本传输任务的专用评估标准。文献[22]从物理层安全角度出发，通过将安全防护性能与传统BLEU评分有机融合，提出了这一综合评价指标。该指标不仅对语义恢复准确性进行评估，还考虑了抵御窃听者语义提取的能力，为语义通信安全性能评估提供了全新视角。文献[23]全面调研了语义通信安全研究现状，建立了语义通信安全威胁的系统分类框架。文献[23]中强调了防御策略的多维度方法和综合防护体系。文献[24]探讨了基于专家混合模型的可信语义通信，其目标是增强系统的安全性和可信度，但其摘要未明确提出融合可信度与准确性的综合评估框架。这些研究共同推动了语义通信安全性能评估的理论与实践进展。

3.3 语义感知网络优化方法

深度强化学习为语义感知网络优化提供了有效解决方案，其强大的非线性问题处理能力使其在多用户资源分配、C-V2X编队管理、车联网频谱共享及无模型策略优化等领域得到广泛应用，显著提升了系统的动态决策能力与整体性能。知识驱动架构正成为新的发展趋势。基于知识图谱驱动的认知语义系统借助结构化知识增强了语义表示、纠错以及多用户消息恢复能力，从而提升了系统的适应性。如文献[18]所示，工业物联网场景中的持续学习机制旨在使系统能够从数据流中持续学习以适应动态环境。

语义切片模型（SeSM, Semantic Slicing Model）采用模块化、可组合的语义单元，通过创新的动态配置优化网络，根据传输目标、性能需求和信道条件实现灵活调整，有效提升了网络适应性、可扩展性及传输效率。这种灵活的语义处理方法在元宇宙等需要处理异构设备和多模态信息的场景中具有重要应用价值，如文献[46]所述，普适语义元宇宙的实现需要支持跨平台的无缝情境感知交互。其核心依赖于人工智能（AI）、时空数据表示（STDR）、语义物联网（SIoT）和语义增强数字孪生（SDT）四大基础组件的协同工作。这些组件通过处理和理解多模态数据，共同支撑起从智慧城市、远程医疗到沉浸式教育等多种应用场景。

4 语义通信面临的挑战与未来发展方向

4.1 技术挑战

语义通信的发展面临多重关键挑战。首先，语义提取的准确性容易受到噪声干扰的影响，其稳定性问题在文献[47]关于语义通信的概述和开放性问题中有所论述，语义噪声减少策略本质上反映了现有模型在跨场景泛化能力方面的局限；其次，尽管大语言模型显著增强了语义提取能力，但其对预训练数据的高度依赖性以及庞大的推理计算开销，严重限制了其在资源受限场景中的适用性，如文献[41]所述。

同时，对于高效构建和维护适应不同场景的知识库，目前仍然缺乏系统性的解决方案，文献[48]在共享知识库研究中明显指出了这一挑战。随着多模态通信需求的增长，跨模态语义理解和转换研究备受关注。然而，不同模态数据（如文本、图像、音频）语义表征的本质差异将导致转换失真或偏差现象，正如文献[28]在研究多模态语义通信时试图解决的背景问题。尽管有研究探索了基于Transformer的统一架构来处理多模态数据，但模态间的语义对齐、信息融合时如何保持语义一致性以及解决信息不平衡等问题仍需进行深入研究。特别是在带宽受限条件下，如文献[28]所示，多用户多模态语义通信系统的传输优先级成为新的研究焦点。

4.2 安全与隐私

语义通信正面临着新型的安全与隐私挑战。语义窃听能够获取深层语义信息，比传统窃听更具危险性，通信系统还容易受对抗样本的安全威胁，导致语义误解问题出现，如文献[31]所研究的通过对抗训练提升系统对语义噪声的鲁棒性。同时，语义通信系统面临严峻的安全挑战，主要体现在以下两个维度：第一，复杂语义模型存在可能被盗取的风险，导致核心算法泄露；其二，海量训练数据中可能蕴含用户隐私等敏感信息。正如文献[13]在综述中提及的“安全性问题”所述，其本质上反映了语义效果优化与用户隐私保护之间的根本性矛盾，需要在系统设计中建立动态平衡机制。在多用户语义通信系统中，个性化服务需求与用户隐私保护之间的矛盾尤为突出，联邦学习等技术（如文献[49]针对元宇宙场景提出的方案）虽然能够有效降低原始数据泄露风险，但防止模型泄露敏感信息方面仍需进一步研究。

4.3 未来研究方向

语义通信的未来发展涵盖多个前沿方向，其中量子通信与语义通信的融合展现出独特优势。量子计算的并行处理能力可显著提升复杂语义模型的运算效率。“量子花冠”概念为量子环境下的语义表征提供了理论基础，例如通过量子态的三元组映射和量子纠缠的关系表达，实现了语义通信的量子化描述。然而，当前量子硬件的技术成熟度限制了其实际应用，亟需在量子语义编码理论和物理实现技术上取得突破性进展。

此外，为提升语义通信系统在关键任务场景中的适用性，克服当前语义通信“黑盒”模型可解释性不足的问题至关重要。文献[15]在基于知识图谱的系统中，通过引入可解释的语义对齐算法，为此类问题提供了示范性解决方案。知识图谱驱动的认知语义系统、融合知识引导与数据驱动的混合架构，以及对语义处理过程和结果进行可视化，能够有效增强决策透明度与用户信任度。

5 结束语

语义通信作为一种创新性通信范式，近年来在理论基础与关键技术方面取得了突破性进展。语义通信被广泛认为是6G网络的核心使能技术，通过传输“意义”而非原始数据，可有效应对频谱资源与能源效率的限制，为智能物联网、沉浸式体验等关键应用提供支撑，并推动网络架构向“以智能为中心”转变。未来，语义通信将深度融合认知科学、语言学等跨学科知识，结合大语言模型等先进的人工智能技术，实现自适应智能通信，并将应用拓展至元宇宙、智慧城市等新兴领域，如图4所示。然而，该技术的发展也面临着标准化缺失、安全隐私以及系统兼容性等多方面挑战。尽管前景广阔，语义通信的全面落地仍需通过产学研各方协同推进，以充分释放其技术潜力，引领未来信息交互的深刻变革。

[1] Strinati E C, Barbarossa S. 6G networks: Beyond Shannon towards semantic and goal-oriented communications[J]. Computer Networks, 2021,190: 107930.

[2] Wang Y, Han H, Feng Y, et al. Semantic communication empowered 6G networks: Techniques, applications, and challenges[J]. IEEE Access, 2025,13: 28293-28314.

[3] Pivoto D G S, et al. A detailed relevance analysis of enabling technologies for 6G architectures[J]. IEEE Access, 2023,11: 89644-89684.

[4] Pokhrel S R, Choi J. Understand-before-talk (UBT): A semantic communication approach to 6G networks[J]. IEEE Transactions on Vehicular Technology, 2022,72(3): 3544-3556.

[5] Wheeler D, Natarajan B. Engineering semantic communication: A survey[J]. IEEE Access, 2023,11: 13965-13995.

[6] Alwis C D, et al. Survey on 6G frontiers: Trends, applications, requirements, technologies and future research[J]. IEEE Open Journal of the Communications Society, 2021,2: 836-886.

[7] 朱政宇,梁馨月,孙钢灿,等. 智能超表面赋能语义通信系统研究综述[J]. 电子与信息学报, 2025,47(2): 287-295.

[8] Cui Q, You X, Wei N, et al. Overview of AI and communication for 6G network: fundamentals, challenges, and future research opportunities[J]. Science China Information Sciences, 2025,68(7): 171301.

[9] Trevlakis S E, Pappas N, Boulogeorgos A A A. Toward natively intelligent semantic communications and networking[J]. IEEE Open Journal of the Communications Society, 2024,5: 1486-1503.

[10] Shokrnezhad M, Mazandarani H, Taleb T, et al. Semantic revolution from communications to orchestration for 6G: Challenges, enablers, and research directions[J]. IEEE Network, 2024,38(6): 63-71.

[11] Shao Z, et al. Semantic-aware spectrum sharing in internet of vehicles based on deep reinforcement learning[J]. IEEE Internet of Things Journal, 2024,11(23): 38521-38536.

[12] Ye S, Wu Q, Fan P, et al. A Survey on Semantic Communications in Internet of Vehicles[J]. Entropy, 2025,27(4): 445.

[13] Liu Y, Wang X, Ning Z, et al. A survey on semantic communications: Technologies, solutions, applications and challenges[J]. Digital Communications and Networks, 2024,10(3): 528-545.

[14] Imran S, Charan G, Alkhateeb A. Environment semantic communication: Enabling distributed sensing aided networks[J]. IEEE Open Journal of the Communications Society, 2024,5: 7767-7786.

[15] Zhou F, Li Y, Xu M, et al. Cognitive semantic communication systems driven by knowledge graph: Principle, implementation, and performance evaluation[J]. IEEE Transactions on Communications, 2023,72(1): 193-208.

[16] Nguyen L X, Raha A D, Sone Aung P, et al. A Contemporary Survey on Semantic Communications: Theory of Mind, Generative AI, and Deep Joint Source-Channel Coding[J]. arXiv e-prints, 2025,arXiv: 2502.16468.

[17] Xie H, Qin Z. A lite distributed semantic communication system for Internet of Things[J]. IEEE Journal on Selected Areas in Communications, 2020,39(1): 142-153.

[18] Pokhrel S R. Learning from data streams for automation and orchestration of 6G industrial IoT: toward a semantic communication framework[J]. Neural Computing and Applications, 2022,34(18): 15197-15206.

[19] Xiao Y, Shi G, Li Y, et al. Toward self-learning edge intelligence in 6G[J]. IEEE Communications Magazine, 2021,58(12): 34-40.

[20] Yang Y, Shikh-Bahaei M, Yang Z, et al. Joint semantic communication and target sensing for 6G communication system[J]. arXiv e-prints, 2024,arXiv: 2401.17108.

[21] Chen M, Liu M, Wang C, et al. Cross-modal graph semantic communication assisted by generative AI in the metaverse for 6G[J]. Research, 2024,7: 0342.

[22] Li Y, Shi Z, Hu H, et al. Secure semantic communications: From perspective of physical layer security[J]. IEEE Communications Letters, 2024,28(10): 2243-2247.

[23] 施继婷,曾维昊,张骞允,等. 语义通信安全研究综述[J]. 南京信息工程大学学报, 2025,17(1): 1-12.

[24] He J, et al. Toward mixture-of-experts enabled trustworthy semantic communication for 6G networks[J]. IEEE Network, 2024.

[25] Uysal E, Kaya O, Ephremides A, et al. Semantic communications in networked systems: A data significance perspective[J]. IEEE Network, 2022,36(4): 233-240.

[26] Shi G, Xiao Y, Li Y, et al. From semantic communication to semantic-aware networking: Model, architecture, and open problems[J]. EEE Communications Magazine, 2021,59(8): 44-50.

[27] Li Z, Wang J, Zhao S, et al. Evolving Towards Artificial-Intelligence-Driven Sixth-Generation Mobile Networks: An End-to-End Framework, Key Technologies, and Opportunities[J]. Applied Sciences, 2025,15(6): 2920.

[28] Luo X, Gao R, Chen H H, et al. Multimodal and multiuser semantic communications for channel-level information fusion[J]. IEEE Wireless Communications, 2022,31(2): 117-125.

[29] Niu K, Dai J, Yao S, et al. A paradigm shift toward semantic communications[J]. IEEE Communications Magazine, 2022,60(11): 113-119.

[30] Hu Z, Liu T, You C, et al. Multiuser resource allocation for semantic-relay-aided text transmissions[J]. IEEE Globecom Workshops (GC Wkshps). 2023: 1273-1278.

[31] Hu Q, Zhang G, Qin Z, et al. Robust semantic communications with masked VQ-VAE enabled codebook[J]. IEEE Transactions on Wireless Communications, 2023,22(12): 8707-8722.

[32] Kountouris M, Pappas N. Semantics-empowered communication for networked intelligent systems[J]. IEEE Communications Magazine, 2021,59(6): 96-102.

[33] Ma S, et al. Modeling and performance analysis for semantic communications based on empirical results[J]. IEEE Transactions on Communications, 2025.

[34] Xie H, Qin Z, Li G Y, et al. Deep learning enabled semantic communication systems[J]. IEEE Transactions on Signal Processing, 2021,69: 2663-2675.

[35] Ozates T, Kargı U, Koç A. Sememe-based semantic communications[J]. IEEE Communications Letters, 2024,28(10): 2308-2312.

[36] Hu J, Wang F, Xu W, et al. SemHARQ: Semantic-aware HARQ for multi-task semantic communications[J]. arXiv e-prints, 2024, arXiv: 2404.08490.

[37] Mohsin M A, Jazib M, Alam Z, et al. Vision transformer based semantic communications for next generation wireless networks[J]. arXiv e-prints, 2025, arXiv: 2503.17275.

[38] Wu Y, Shi Y, Ma S, et al. Toward effective and interpretable semantic communications[J]. IEEE Network, 2024,38(6): 55-62.

[39] Ihnaini B, Abuhaija B, Mills E A, et al. Semantic similarity on multimodal data: A comprehensive survey with applications[J]. Journal of King Saud University-Computer and Information Sciences, 2024,36(10): 102263.

[40] Choi J, Park J, Grassucci E, et al. Semantic communication challenges: Understanding dos and avoiding don'ts[C]//IEEE 99th Vehicular Technology Conference (VTC2024-Spring). 2024: 1-5.

[41] 王衍虎,郭帅帅. 基于大语言模型的语义通信:现状,挑战与展望[J]. 移动通信, 2024,48(2): 16-21.

[42] Hello N, Di Lorenzo P, Strinati E C. Semantic communication enhanced by knowledge graph representation learning[C]//IEEE 25th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). 2024: 876-880.

[43] Chen X, Xu J, Ni W, et al. Energy-efficient resource allocation for multi-user semantic communications: A deep reinforcement learning approach[J]. IEEE Wireless Communications Letters, 2025,14(5): 1541-1545.

[44] Yang W, Chi X, Zhao L, et al. Task-driven semantic-aware green cooperative transmission strategy for vehicular networks[J]. IEEE Transactions on Communications, 2023,71(10): 5783-5798.

[45] Zhang H, Ni J, Wu Z, et al. Resource allocation driven by large models in future semantic-aware networks[J]. arXiv e-prints, 2025, arXiv: 2501.14832.

[46] Li K, Lau B P L, Yuan X, et al. Toward ubiquitous semantic metaverse: Challenges, approaches, and opportunities[J]. IEEE Internet of Things Journal, 2023,10(24): 21855-21872.

[47] Luo X, Chen H H, Guo Q. Semantic communications: Overview, open issues, and future research directions[J]. IEEE Wireless Communications, 2022,29(1): 210-219.

[48] Qin Z, Tao X, Lu J, et al. Semantic communications: Principles and challenges[J]. arXiv e-prints, 2021, arXiv: 2201.01389.

[49] Bian Y, Zhang X, Luosang G, et al. Federated Learning and Semantic Communication for the Metaverse: Challenges and Potential Solutions[J]. Electronics, 2025,14(5): 868.

[50] Zhou Q, Li R, Zhao Z, et al. Semantic communication with adaptive universal transformer[J]. IEEE Wireless Communications Letters, 2021,11(3): 453-457.

[51] Shi G, Zhang Z, Gao D, et al. Knowledge-guided semantic computing network[J]. Neurocomputing, 2021,426: 70-84. ★

张杰煊：南开大学电子信息与光学工程学院通信工程专业在读本科生，主要研究方向为低功耗无线通信网络、移动通信等。

邢晨欣：南开大学电子信息与光学工程学院信息与通信工程专业在读硕士研究生，主要研究方向为低功耗无线通信网络、移动通信等。

章 辉：南开大学副研究员，主要研究方向为新一代无线通信系统、人工智能与通信融合、工业物联网等。

陈宏铭：浙江海洋大学信息工程学院教授、海洋空间物联网实验室主任，南开大学讲座教授，俄罗斯工程院外籍院士，主要从事低功耗射频 SoC、RISC-V 处理器设计研究。

【6G卫星互联网】2025年第6期专题论文汇总（19篇）

《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。

来源：移动通信编辑部