Um ano depois de abrir o Aerial, a Nvidia virou o balcão de testes de quem pesquisa rede móvel com IA. Os números de adoção são dela; os resultados que importam vêm de quatro laboratórios com nome e sobrenome.
Um ano depois, os Nvidia 6G tools passaram de 1 milhão de downloads
A Nvidia abriu o código do Aerial um ano antes do texto publicado em 7 de novembro no blog da empresa, junto com o Sionna e outras ferramentas para desenvolvimento de 6G.
O código está aberto.
De lá para cá, a empresa diz que o uso do NVIDIA AI Aerial e do NVIDIA Sionna cresceu 10 vezes. Também afirma que as ferramentas open source de 5G e 6G passaram de 1 milhão de downloads e que mais de 8.000 instituições de pesquisa e ensino usam as plataformas.
Download não é usuário. O número mede pacote baixado, não gente trabalhando com o código, e a própria Nvidia não publica contagem de desenvolvedores ativos.
O que dá para dizer com segurança é outra coisa: quando um laboratório quer testar uma ideia de rádio com IA sem comprar equipamento de operadora, o caminho mais curto hoje passa por esse conjunto de simuladores.
NVIDIA Sionna no braço robótico do King's College London
O primeiro resultado vem de Londres. O King's College London conectou um braço robótico com câmera a um Jetson AGX Orin rodando Sionna, que naquele arranjo faz duas coisas: rede 5G definida por software e processamento de IA na borda.
O experimento separou frutas e empilhou cubos, com falhas introduzidas de propósito. Em vez de mandar imagem atrás de imagem pela rede, o sistema passou a enviar descrições compactas dos objetos.
Essa é a ideia de comunicação semântica orientada a objetivo: transmitir o que a tarefa precisa saber, não o quadro inteiro. Segundo os pesquisadores, o tempo de conclusão caiu até 52,6% e a taxa de sucesso melhorou na comparação com o envio periódico de imagens.
Uma configuração de gêmeo digital também conferia os movimentos planejados em busca de colisão. É o tipo de detalhe que decide se um braço industrial pode operar perto de uma pessoa.
O teste foi em laboratório.
O receptor neural da SoftBank dentro do NVIDIA AI Aerial
A SoftBank foi pelo lado da infraestrutura. A operadora integrou um receptor neural ao Aerial CUDA-Accelerated RAN, o ACAR, e testou o conjunto com um smartphone 5G comercial.
O resultado foi melhor em todos os 15 cenários avaliados. O ganho máximo na vazão de uplink ficou perto de 60%. Uplink é o caminho do aparelho para a antena, justamente o lado que costuma apertar em vídeo, chamada e envio de arquivo.
Vale notar o tipo de teste. Não é simulação pura: tem aparelho de prateleira na outra ponta, o que aproxima o número do que uma operadora veria em campo.
ETH Zurich: ajuste local contra erro de bloco
O time da ETH Zurich usou o NVIDIA Aerial Testbed para atacar um problema menos visível. Receptor neural treinado em um cenário costuma perder desempenho quando o cenário real muda.
Os pesquisadores ajustaram o receptor com medições feitas no próprio local e compararam o resultado com versões pré-treinadas selecionadas. A taxa de erro de bloco caiu mais de um terço.
Para quem não trabalha com rádio, erro de bloco é a unidade que vira retransmissão. Menos erro significa menos pacote reenviado, e menos reenvio significa mais capacidade útil na mesma faixa.
Leeds e a estação que dorme sem derrubar ninguém
A Universidade de Leeds atacou a conta de energia. O sistema prevê a demanda com 10 minutos de antecedência e usa a previsão para decidir quando uma estação pode entrar em modo de economia.
Antes de dormir, a estação verifica se as vizinhas ativas ainda cobrem os aparelhos daquela área. O teste usou um 5G portátil movido a DGX Spark, o formato network-in-a-box, mais um gêmeo digital.
O relatório aponta redução de 45,6% no consumo de rádio contra uma linha de base em potência total, mantendo os dispositivos conectados. Para uma operadora que paga a conta de energia no Brasil, esse é o número que interessa no fim do mês.
CTTC: de três horas para 20 minutos
O Centro Tecnológico de Telecomunicações da Catalunha fez o trabalho menos glamouroso e talvez o mais útil. Levou modelos de canal acelerados por GPU, rodando no ACAR, para dentro do simulador open source 5G-LENA.
Uma execução inicial que levava cerca de três horas passou a terminar em 10 a 20 minutos, conforme a integração escolhida.
O ganho é de tempo. Isso não muda o resultado científico, muda quantas vezes alguém consegue testar uma hipótese em uma tarde.
Por que open source RAN interessa a quem não é de telecom
Aqui entra a parte que parece distante e não é. AI-native 6G ainda é pesquisa, e não existe rede 6G comercial em operação em lugar nenhum.
O que isso muda para quem usa rede móvel?
O 6G segue sendo um processo de padronização, com discussão em fóruns técnicos e cronograma que não depende de um fornecedor só.
Não há data para rede comercial. As ferramentas abertas entram antes disso, na fase em que se testa se uma ideia funciona.
Para um desenvolvedor de aplicação, a consequência é indireta e real. A rede que vai suportar vídeo em tempo real, robô conectado e inferência na borda está sendo desenhada com simuladores que qualquer pessoa pode baixar.
No Brasil, isso conversa com a expansão do 5G em cidades médias. Quem projeta aplicativo para conexão instável ganha se acompanhar como open source RAN trata latência e handover, porque o desenho da rede define o que o app pode prometer.
A Nvidia também está divulgando sessões para desenvolvedores de 6G no GTC em Washington. É marketing, e é também o lugar onde os próximos resultados de pesquisa devem aparecer antes de virarem produto comercial.
O que fica de concreto são quatro laboratórios, quatro problemas diferentes e números que eles publicaram.
Os números são dos laboratórios. Nenhum deles é benchmark da Nvidia, e nenhum foi reproduzido por um terceiro até agora.
Se você trabalha com rede, vale baixar o Sionna e repetir um dos experimentos. Se não trabalha, vale saber que a próxima geração de rede móvel está sendo testada em código aberto, e não só em laboratório de operadora.
