Dek: Vor einem Jahr hat Nvidia seine Funk-Software geöffnet. Jetzt meldet das Unternehmen eine Million Downloads und mehr als 8.000 Institute, und vier davon haben veröffentlicht, was sie damit gebaut haben.
Ein Jahr open source RAN: warum die Nvidia 6G-Tools plötzlich überall auftauchen
Nvidia hat seine Wireless-Software vor genau einem Jahr offengelegt, zusammen mit Sionna und weiteren Werkzeugen für die Entwicklung von 6G. Der Blogbeitrag vom 7. November 2026 zieht die Bilanz.
Die Zahlen: Die Nutzung von NVIDIA AI Aerial und NVIDIA Sionna sei im Jahresvergleich um den Faktor zehn gewachsen. Die offenen 5G- und 6G-Werkzeuge hätten die Marke von einer Million Downloads überschritten, und mehr als 8.000 Forschungs- und Hochschuleinrichtungen setzten die Plattformen ein.
Eine Million Downloads sind keine Million Nutzer. Es sind Downloads, und in Instituten lädt ein Rechner für ein ganzes Labor. Interessanter als die Zahl selbst ist, wer sie erzeugt: offenbar viele Einrichtungen, die sonst kein eigenes Funklabor hätten.
Was NVIDIA AI Aerial und NVIDIA Sionna unterscheidet
Die beiden Namen fallen oft im selben Satz, machen aber verschiedene Dinge: Aerial ist die Laufzeitumgebung für beschleunigte Funkzugangsnetze, also die Seite, auf der Basisstationen rechnen, und Sionna ist die Simulationsumgebung, in der sich Kanäle, Signale und Netzlayouts durchrechnen lassen.
Wer eine Idee testen will, braucht beides nicht. Wer sie in einen Standard überführen will, braucht den Weg von der Simulation in eine lauffähige Implementierung, und genau dieser Weg ist der eigentliche Gegenstand der Veröffentlichung.
Was King's College London mit NVIDIA Sionna am Roboterarm misst
Der erste Fall kommt aus einem Labor, nicht aus einem Netz. King's College London hat einen Roboterarm mit Kamera an einen Jetson AGX Orin angeschlossen, auf dem Sionna läuft, und die Kombination aus softwaredefiniertem 5G und KI-Verarbeitung am Rand genutzt.
Die Aufgabe war alltäglich: Obst einpacken und Würfel stapeln, mit absichtlich eingebauten Störungen. Statt vollständiger Bilder schickte das System kompakte Objektbeschreibungen, also das, was die Zielaufgabe tatsächlich braucht. Diese semantische Kommunikation verkürzte die Zeit bis zur Aufgabenerfüllung um bis zu 52,6 % und verbesserte die Erfolgsquote gegenüber regelmäßig gesendeten Bildern. Ein digitaler Zwilling prüfte die geplanten Bewegungen zusätzlich auf Kollisionen.
Die 52,6 % sind ein Ergebnis dieses Labors, kein Nvidia-Benchmark. Das gilt für alle Zahlen in diesem Text.
SoftBank testet einen neuralen Empfänger in NVIDIA AI Aerial
Weniger exotisch, aber näher am Netzbetrieb: SoftBank hat einen neuralen Empfänger in Aerial CUDA-Accelerated RAN integriert und mit einem handelsüblichen 5G-Smartphone getestet.
Der neurale Empfänger erzielte in allen 15 getesteten Einstellungen einen höheren Uplink-Durchsatz als ein konventioneller Empfänger, mit einem maximalen Gewinn von rund 60 %. Ein Empfänger, der aus Daten lernt, statt einer festen Signalverarbeitung zu folgen, ist damit nicht mehr nur eine Laboridee.
Für Nutzer bedeutet das zunächst nichts. Für Netzplaner bedeutet es, dass ein Teil der Funkkette austauschbar wird, ohne die Hardware darunter anzufassen.
Was ETH Zürich an NVIDIA AI Aerial nachjustiert hat
Ein neurale Empfänger, der auf fremden Daten trainiert wurde, passt nicht automatisch zur eigenen Umgebung. ETH Zürich hat auf dem Aerial Testbed untersucht, was passiert, wenn man ihn mit lokalen Messungen nachzieht.
Das Ergebnis: Die Blockfehlerrate sank um mehr als ein Drittel im Vergleich zu ausgewählten vorab trainierten Varianten. Blockfehler sind das, was bei der Übertragung als unbrauchbarer Datenblock ankommt, und genau dort entscheidet sich, ob eine Verbindung stabil wirkt.
Der praktische Wert liegt in der Frage, die damit beantwortet ist: Ein Betreiber muss kein Modell von Grund auf neu trainieren, wenn sich die Umgebung ändert.
Wie Leeds mit einem open source RAN den Stromverbrauch senkt
Die University of Leeds hat den umgekehrten Weg gewählt und nicht die Übertragung verbessert, sondern das Abschalten. Ihr System sagt die Netzlast zehn Minuten im Voraus vorher und entscheidet daraus, wann Basisstationen schlafen dürfen.
Der Knackpunkt ist die Prüfung danach: Können benachbarte, aktive Stationen die betroffenen Geräte noch versorgen? Getestet wurde das mit einem tragbaren 5G-Komplettnetz auf Basis eines DGX Spark, zusammen mit einem digitalen Zwilling. Gegenüber einem Betrieb mit voller Leistung meldet das Team 45,6 % weniger Stromverbrauch im Funkzugangsnetz, bei erhaltener Verbindung.
Für Kommunen, in denen ein Rechenzentrum an der Stromrechnung hängt, ist das der relevante Teil der Forschung. Nicht die Spitzenwerte, sondern die Frage, ob sich Last verschieben lässt, ohne dass jemand es merkt.
CTTC bringt beschleunigte Kanalmodelle in den open source RAN-Simulator
Der unspektakulärste Beitrag dürfte der folgenreichste sein. CTTC hat GPU-beschleunigte Funkkanalmodelle, die auf Aerial laufen, in den offenen 5G-LENA-Simulator eingebaut.
Ein früher Simulationslauf dauerte danach je nach Integration 10 bis 20 Minuten statt etwa drei Stunden. Das ist keine neue Fähigkeit, sondern weniger Wartezeit, und in der Forschung ist Wartezeit der Unterschied zwischen einer Idee pro Woche und zwanzig.
Was AI-native 6G noch nicht ist: ein Standard
Nvidia bewirbt auf der GTC in Washington D.C. eigene Entwicklersitzungen zu 6G. Das passt zur Strategie, sollte aber nicht als Produktmeldung gelesen werden.
6G ist ein Standardisierungsprozess, ein kommerzielles 6G-Netz existiert nicht, und was hier gezeigt wird, sind Prototypen und Simulationen in Laboren, die auf Standards warten, die noch geschrieben werden. Die Werkzeuge ersetzen die Arbeit der 3GPP-Gremien nicht, sie bereiten darauf vor.
In Deutschland ist der Mobilfunkausbau ohnehin ein Dauerthema, mit Funklöchern auf dem Land und Betreibern unter Kostendruck. Ein Werkzeugkasten, mit dem sich Varianten durchrechnen lassen, bevor irgendwo ein Mast steht, hat dort einen anderen Wert als in einem Markt mit dichter Abdeckung.
Warum sich auch Nicht-Telekom-Entwickler für NVIDIA Sionna interessieren sollten
Wer nicht im Funk arbeitet, kann den Absatz überspringen. Oder weiterlesen, weil die Mechanik vertraut ist.
Die vier Beispiele sind alle nach demselben Muster gebaut: eine Simulation, die nah genug an der Realität liegt, um eine Entscheidung zu tragen, und eine offene Implementierung, die denselben Code in beiden Welten laufen lässt. So werden Robotik, Energieverteilung und Funk zu Varianten derselben Aufgabe.
Wer an einer Hochschule ohne eigenes Funklabor sitzt, kann mit diesen Simulatoren rechnen, statt Hardware zu beschaffen, und genau dort entsteht die nächste Generation von Ideen. Deshalb ist die Download-Zahl am Ende doch eine Nachricht.
