下載量只是一個訊號。真正的變化是無線研究現在預設從哪裡開始，以及沒有電信背景的人也能先把想法跑一遍。
Nvidia 6G tools 的一百萬次下載說明什麼
Nvidia 在 11 月 7 日的部落格說，Aerial 開源滿一年之後，NVIDIA AI Aerial 與 NVIDIA Sionna 的下載合計超過 100 萬次，使用這些平台的研究與學術機構超過 8,000 家，採用規模一年成長 10 倍。
先劃清界線：下載不等於使用者，也不等於公司數。有意思的是機構數，它代表這套工具進了課程與論文。另一個讀法是，無線研究不再需要先有一間自己的實驗室。
NVIDIA AI Aerial 與 NVIDIA Sionna 各自負責什麼
Aerial 是跑在 GPU 上的無線接取網路軟體，讓基地台的部分工作由軟體定義。Sionna 偏模擬與通道模型，讓人在沒有硬體時先算一遍。兩者都在一年前開源，不是新產品。
AI-native 6G 的研究結果來自五個機構
以下每一項都是具名機構的成果，Nvidia 提供工具與平台，不是這些數字的生產者。
倫敦國王學院把裝相機的機械臂接上跑 Sionna 的 Jetson AGX Orin，這塊板子同時做軟體定義 5G 與邊緣 AI。在水果裝箱與積木堆疊的實驗裡故意加入錯誤，改傳物件描述而不是整張圖之後，任務完成時間最多縮短 52.6%，成功率也提高；他們還用數位孿生先檢查機械臂的預定動作會不會撞到東西。
SoftBank 把神經接收器接進 Aerial CUDA-Accelerated RAN，用商用 5G 手機測試。15 個測試設定的上行吞吐量全部高於傳統接收器，最大差距約 60%。
蘇黎世聯邦理工學院用 Aerial Testbed 發現，用本地量測微調神經接收器，區塊錯誤率比預訓練版本降低超過三分之一。
里茲大學預測 10 分鐘後的網路需求，決定基地台何時可以睡，睡前確認鄰站接得住。用 DGX Spark 驅動的 5G network-in-a-box 加數位孿生，量到 RAN 用電比全功率基準低 45.6%，連線沒斷。
還有一個不亮眼但實用的結果。CTTC 把跑在 ACAR 上的 GPU 加速通道模型接進開源 5G-LENA 模擬器，一次早期模擬從約 3 小時降到 10 到 20 分鐘。
open source RAN 對非電信開發者的意義
如果你不寫基地台軟體，關係在測試成本。過去驗證一個無線演算法要先借硬體、排測試時段，現在可以先在 GPU 機器上跑模擬，把參數收斂到一個範圍，再去談設備。
台灣的網通廠做 O-RAN 小型基地台，習慣先在實驗室跑完通道模型，才去跟營運商談現場測試。國內 5G 專網場域（例如高雄亞洲新灣區）也是同一個順序：先驗證，再採購。
AI-native 6G 還在標準制定階段
現在沒有商用 6G 網路，3GPP 的標準工作還在進行，上面所有結果都是研究原型與模擬。把模擬讀成「6G 要來了」是常見誤讀，這些數字證明方法可行，不是網路已經蓋好。
Nvidia 6G tools 的下一步
Nvidia 說會在華盛頓特區的 GTC 安排 6G 開發者場次，那通常是研究團隊拿到新硬體與新範例的時間點。真正值得追的是這些數字會不會被獨立重現，換一組場景，52.6% 與 45.6% 都會變。你手上的無線專案，有哪一段可以先搬進模擬器跑一遍？
