무선 연구의 실험 도구가 한 회사 쪽으로 쏠렸다는 신호다. 다운로드 숫자보다 눈여겨볼 것은 그 도구로 나온 대학과 통신사의 결과다.
NVIDIA 6G tools가 쌓은 1년
엔비디아는 11월 7일 블로그에서 Aerial을 오픈소스로 전환한 지 1년이 되는 시점의 채택 지표를 공개했고, 발표에 묶인 숫자는 세 가지다.
NVIDIA AI Aerial과 NVIDIA Sionna 소프트웨어 채택은 지난 1년간 10배 늘었다. 오픈소스 5G·6G 도구 다운로드는 100만 건을 넘었고, 두 플랫폼을 쓰는 연구·학술 기관은 8,000곳을 넘는다. 다운로드 100만 건이 사용자 100만 명을 뜻하지는 않는다.
King's College London, 의미를 보내는 로봇
첫 사례는 로봇 팔이다. King's College London 연구진은 카메라를 단 로봇 팔을 NVIDIA Jetson AGX Orin에 연결하고, 소프트웨어 정의 5G와 엣지 AI 처리를 함께 지원하는 Sionna를 돌렸다.
과일 포장과 큐브 쌓기 실험에서 일부러 오류를 넣었을 때 목표 지향 의미 통신은 작업 완료 시간을 최대 52.6% 줄였고, 전체 이미지를 주기적으로 보내는 방식보다 성공률도 높았다. 목표 지향 의미 통신은 사진 대신 물체 설명을 압축해 보내는 방식이다. 디지털 트윈 구성은 계획된 이동의 충돌 여부까지 확인했다.
SoftBank 신경망 수신기, 15개 설정 전부
통신사 쪽 결과도 구체적이다. SoftBank는 신경망 수신기를 Aerial CUDA-Accelerated RAN에 넣고 상용 5G 스마트폰으로 시험했다. 시험한 15개 설정 전부에서 기존 수신기보다 높은 업링크 처리량이 나왔고, 최대 이득은 약 60%였다.
ETH Zurich와 Leeds, 학습된 수신기와 자는 기지국
두 번째 축은 학습된 수신기를 현장에 맞추는 일이다. ETH Zurich 연구진은 Aerial 테스트베드에서 지역 측정값으로 신경망 수신기를 조정했고, 선택한 사전 학습 버전보다 블록 오류율을 3분의 1 이상 낮췄다.
전력 쪽은 University of Leeds가 맡았다. 이 팀은 10분 앞의 네트워크 수요를 예측해 기지국이 잠들 시점을 정하고, 인접 기지국이 해당 기기를 계속 감당할 수 있는지 확인했다. DGX Spark로 만든 휴대형 5G 네트워크와 디지털 트윈을 조합한 구성에서 RAN 전력 소비는 최대 전력 기준선보다 45.6% 줄었고, 기기 연결은 그대로 유지됐으며, 이는 기지국이 쉬는 동안 인접 셀이 부하를 나눠 맡을 수 있다는 뜻이다.
CTTC의 5G-LENA, 3시간이 20분으로
시뮬레이션 속도가 왜 중요할까? CTTC는 ACAR에서 도는 GPU 가속 무선 채널 모델을 오픈소스 5G-LENA 시뮬레이터에 넣었다. 초기 시뮬레이션 실행 시간이 약 3시간에서 통합 방식에 따라 10분에서 20분으로 줄었다.
AI-native 6G는 아직 표준 절차다
6G는 아직 상용이 아니다.
상용 6G 네트워크는 존재하지 않고 위 결과는 연구 프로토타입과 시뮬레이션이며, 이 도구들이 6G를 만드는 필수 조건도 아니고 3GPP 표준 작업을 대체하지도 않는다.
그래도 open source RAN 쪽에서 이 도구가 사실상 기본값이 됐다는 점은 분명하다. 국내에서는 삼성전자가 6G 백서를 냈고 통신 3사가 표준화 논의에 참여한다. 하드웨어를 사기 전에 AI 기반 무선을 시험하려는 팀에게 현실적인 선택지는 이 오픈 시뮬레이터들이라는 점도 남는다.
