AI ネイティブ RAN と NVIDIA AI Aerial でスペクトル効率を最大化
NVIDIA は、従来の計算リソース制約に縛られない AI ネイティブな RAN 構造と GPU アクセラレーションにより、Massive MIMO の理論性能を現実に引き出すことで無線通信のスペクトル効率を劇的に向上させる新アプローチを発表した。
キーポイント
計算リソース制約からの脱却
従来の RAN は CPU パフォーマンスの限界により複雑なアルゴリズムを実装できず、理論性能を発揮できていなかったが、NVIDIA AI Aerial の並列計算アーキテクチャによりこのボトルネックを解消する。
アルゴリズムファーストのアプローチ
「限られたリソースにどう収めるか」ではなく、「スペクトル最大化のためにフルスタックでアルゴリズムを再設計する」という発想の転換により、ユーザー追跡や干渉回避などの高度な処理が可能になる。
Massive MIMO 性能ギャップの解消
GPU アクセラレーションを活用した Layer 1 および Layer 2 の新アルゴリズムにより、フィールド展開における Massive MIMO の未活用容量を埋め、実世界でのスペクトル効率を最大化する。
GPU アクセラレーションによる RAN ワークロードの最適化
MU-MIMO、ビームフォーミング、深層強化学習など、数学的に複雑で計算集約的な RAN タスクにおいて、GPU は並列処理と大規模モデルの実行を可能にし、スループットと QoS を向上させます。
ビームフォーミングとリンク適応の効率化
GPU の活用により、アンテナ数やレイヤー数の増加に対応する大規模な空間多重化が可能となり、厳格なスロット期限内でも高性能な AI モデルを実行してスペクトル効率を最大化できます。
AI ベームフォーミングによるスループット向上
従来の正則化ゼロフォース法（rZF）と比較し、16 レイヤーで 1.28 倍、32 レイヤーでは最大 1.62 倍のスループット改善を実現します。
計算コストと性能のトレードオフ
AI ベームフォーミングは rZF に比べて計算負荷（FLOPs）が約 9.5 倍増加しますが、高密度 MU-MIMO 環境での信号品質向上に寄与します。
重要な引用
With parallel computing, compute is no longer the bottleneck for operating within existing power budgets.
Instead, we ask, 'How can we reinvent the algorithm across the full stack to maximize the spectrum?'
This 'algorithms-first' approach enables the network to finally run the complex tracking and pairing models required to close the massive MIMO performance gap.
A scheduler that evaluates a wider combinatorial space, a channel estimator that learns from richer observations, or a beamformer that adapts jointly across users can improve throughput and quality of service for user applications.
Neural receiver... Supports waveform-adjacent AI models that are impractical to run on CPUs alone.
AI beamforming requires significantly more FLOPs than traditional regularized Zero Forcing (rZF), but this increase in compute produces a spectral efficiency gain of up to 1.62x higher throughput at 32 layers compared to the traditional zero-forcing beamforming algorithm.
影響分析・編集コメントを表示
影響分析
この発表は、5G/6G ネットワーク設計のパラダイムシフトを示唆しており、ハードウェア性能の限界に依存せず、ソフトウェアとアルゴリズムの革新によって通信効率を飛躍的に高める可能性を開く。特に、高価なスペクトル資産を最大限活用できるため、通信事業者のコスト構造とネットワークパフォーマンスに大きな影響を与えることになる。
編集コメント
通信インフラの設計思想が「ハードウェア制約への対応」から「AI によるアルゴリズム再設計」へと転換する重要な転換点であり、次世代無線アクセスネットワークの実現に向けた具体的な道筋を示している。
スペクトルは無線通信において最も価値ある資産の一つです。過去30年間にわたり、米国の通信事業者は 無線スペクトル の取得に2,400億ドル以上を費やしてきました。無線アクセスネットワーク（RAN: Radio Access Network）システムの目標は、可能な限り最大のスペクトル効率（ビット/秒/ヘルツ）を引き出すことであり、これはより多くの容量、パケットのドロップを減らした強靭なネットワーク耐性、そしてサイトごとの経済性の向上につながります。
事業者が既存のスペクトルからより多くの価値を引き出す方法を模索する中、Massive MIMO（Multiple-input, multiple-output: 多入力・多出力）は、容量を増大させ、ネットワークがユーザーを効率的にサービスする方法を改善するための重要な手法となっています。
Massive MIMO はスペクトル効率における革命的な飛躍を約束しました。しかし、現場での展開においては、業界は技術が理論的に達成できるレベルよりも低い運用にとどまっており、膨大な容量が未利用のまま残されています。その根本原因は本質的にシステムレベルの問題にあります。ネットワークはユーザーの位置を正確に追跡できず、信号が重なり干渉を引き起こし、システムは同時データ伝送のためにユーザーを効率的にペアリングできません。
業界はこれらの課題を「計算リソース制約」のレンズを通して捉え、計算資源を希少なものと見なし、複雑なアルゴリズムを CPU の電力とパフォーマンス予算という厳格な制限内に収めるために妥協を強いられてきました。
NVIDIA AI Aerial はそのパラダイムを変えています。並列計算により、既存の電力予算内で動作するためのボトルネックはもはや計算能力ではありません。AI ネイティブで高度に並列化されたアーキテクチャを採用することで、「同じ計算リソースにどうやってより多く詰め込むか」と問う必要はありません。代わりに、「スペクトルを最大化するためにフルスタック全体でアルゴリズムをどのように再発明するか」を問います。
この「アルゴリズムファースト」のアプローチにより、ネットワークはついに、大規模 MIMO の性能ギャップを埋めるために必要な複雑な追跡およびペアリングモデルを実行できるようになります。
本ブログでは、RAN における GPU アクセラレーションの利点と、AI ネイティブ RAN がどのようにして大規模 MIMO の性能ギャップを埋めるのかについて説明します。また、実世界での展開においてより高いスペクトル効率を実現するために設計された、新しいクラスの Layer 1 および Layer 2 アルゴリズムを NVIDIA AI Aerial が可能にする仕組みについても示します。
GPU アクセラレーションがスペクトル効率に与える利点
現代の RAN パイプラインは、数学的に密度の高いアルゴリズムタスクで構成されており、非常に特定の計算特性を持っています。より広い組み合わせ空間を評価するスケジューラ、より豊富な観測データから学習するチャネル推定器、またはユーザー間で協調して適応するビームフォーマなどにより、ユーザーアプリケーションのスループットとサービス品質を向上させることができます。表 1 は、最も影響の大きい RAN ワークロード、その計算特性、およびそれらを効果的に実行するために GPU アクセラレーションが必要となる理由の詳細な内訳です。
RAN ワークロード | 主要な計算特性 | GPU が重要である理由
マルチユーザー MIMO (MU-MIMO) ユーザー機器 (UE) ペアリング
大規模なユーザプール全体における周波数および空間リソース割当の組み合わせ探索大規模な組み合わせスケールとリアルタイム AI 推論を処理**• 大規模な UE ペアリングと候補 MU グループの評価を並列化
• 複数のセルにわたるバッチ処理により、より大規模なモデルでのリアルタイム AI 推論を実現
ビームフォーミングおよびプリコーディング
大行列演算およびユーザ/レイヤごとの最適化
巨大な空間多重化をサポート****• テンソル集約型の線形代数を GPU アーキテクチャに自然にマッピング
• アンテナ数とレイヤ数の増加に伴っても、多重化性能を維持
深層強化学習リンク適応
状態履歴、ACK/NACK、CQI、および複雑なチャネル進化に基づく AI 推論
スケーラブルなポリシー実行を可能にする****• 厳格なスロット期限を満たしつつ、より大規模で高性能な AI モデルと大きなバッチサイズをサポート
チャネル推定
高アンテナ数における SRS/DMRS 上の高密度信号処理
パイロットオーバーヘッドを削減****• 従来の手法よりも多くの観測値を活用する高度なチャネル推定器をサポート
スケジューリング
複雑なソート、PRB 割当、およびセル間公平性の目的
CPU コア制限を克服****• スケジューリングが個々のセルを超えて密集したクロスセル最適化に拡大した場合に特に優れる
ニューラルレシーバー
高次元 IQ データを用いたテンソル集約型の等化および検出
波形レベルでの AI 実現****• CPU のみでは実行が現実的ではない、波形近傍の AI モデルをサポート
*Table 1. GPU の RAN ワークロードによる価値*
以下のセクションでは、ビームフォーミングとリンク適応という 2 つのワークロードをレビューし、GPU がどのように新たなスペクトル効率の向上をもたらすかを探索します。
ビームフォーミング
ビームフォーミングの品質は、ネットワークがチャネル知識を実用的なスループットに変換する効果を決定します。古典的な手法は効果的ですが、計算上の妥協によって形作られており、限られた予算を満たすために単純化されたモデルに依存しています。システムが高アンテナ数と高密度な MU-MIMO 運用に移行するにつれ、これらの単純化は信号対干渉雑音比（SINR）の損失と、実現されるスループットの低下をもたらします。
機械学習（ML）ベースのビームフォーミング重み生成は、より豊富なチャネル情報を重みに使用することでこの問題を解決しますが、計算負荷を劇的に増加させます。NVIDIA の分析によると、64T64R MU-MIMO シナリオで 16 ユーザー、ユーザーあたり 2 レイヤー、ユーザーに [0-20] dB の範囲でランダムに SNR が割り当てられる場合、AI ビームフォーミングは従来の正則化ゼロフォース（rZF）よりもはるかに多くの FLOPs を必要としますが、この計算量の増加により、従来のゼロフォースビームフォーミングアルゴリズムと比較して 32 レイヤーで最大 1.62 倍のスループット向上というスペクトル効率の獲得が可能になります。
レイヤー数が少ない場合でも、ML ビームフォーミングは 1.28 倍のスループット改善をもたらします。
方法**セルあたりの複雑さスペクトル効率の向上
rZF ビームフォーミング272M FLOPs1.0x（ベースライン）
AI ビームフォーミング2.58B FLOPs16 レイヤーで 1.28 倍**32 レイヤーで 1.62 倍
*表 2:64T64R MU-MIMO におけるスループットと比較した複雑度*
image*図 1. ML ベースのビームフォーミングと rZF ビームフォーミングのスループット比較*
GPU の計算能力は、RAN（無線アクセスネットワーク）の展開に必要な規模とレイテンシにおいて、高品質なビームウェイト生成を可能にします。これはフィールド検証へと直接つながります。SoftBank と NVIDIA は最近、GPU ベースの AI-RAN プラットフォーム上で安定した屋外 16 レイヤー大規模 MU-MIMO（Multiple-Input Multiple-Output）動作を発表しました。この試験では、従来の 4 レイヤーベースラインと比較して約 3 倍のスペクトル効率を実現しました。GPU の価値は抽象的な加速ではなく、実システムにおいて高次空間多重化を維持する実践的な能力です。
DRL リンク適応
リンク適応は、複雑な MAC レイヤー制御機能です。スケジューラは、QoS（Quality of Service）の目標に対してブロック誤り率（BLER: Block Error Rate）を近似的に保ちつつ、変化する移動体環境や干渉条件下でスペクトル効率を最大化するために、変調方式と符号化方式（MCS: Modulation and Coding Scheme）を繰り返し選択する必要があります。
CPU のベクトルエンジンで実装される外ループリンク適応（OLLA: Outer-Loop Link Adaptation）などの従来のリンク適応方式は軽量であり、手作業で作成された事前定義ロジックを通じてフィードバックに反応します。一方、深層強化学習（DRL: Deep Reinforcement Learning）によるリンク適応は、観測された無線挙動から直接 MCS 選択ポリシーを学習することで、この従来のアプローチを変革します。
DRL エージェントは、チャネル品質インジケーター (CQI) の履歴、ACK/NACK フィードバック、および短期間のチャネル進化を用いて、リアルタイムでサイト固有の状況に適応します。初期の NVIDIA によるエンジニアリング結果では、チャネル直交性に基づくユーザペアリングと組み合わせることで、セルエッジにおいてベースラインの OLLA (Open Loop Link Adaptation) を上回る 1.3 倍のスループット向上が示されています。さらに高度な MU-MIMO ペアリングアルゴリズムと DRL-LA (Deep Reinforcement Learning-based Link Adaptation) を組み合わせることで、さらなる改善が期待されます。
image*図 2. OLLA と比較した DRL リンク適応の結果*
技術的な転換点はレイテンシのスケーリングです。小型で蒸留されたモデルは、ベクトルエンジンが搭載された CPU で実行可能です。最も高いスペクトル効率の向上を得るためには、より豊富な MU-MIMO 条件を大規模バッチサイズで処理できるより大きなモデルが必要ですが、同時に目標値以下の安定した BLER (Block Error Rate) を維持する必要があります。
image*図 3. バッチサイズに対する DRL リンク適応モデルの推論レイテンシ*
図 3 に示すように、GPU ベースのアーキテクチャは、396K パラメータモデルの場合でも、テストされたユーザー範囲全体で約 30 μs の典型的なリファレンス予算を下回ります。一方、シングルコア CPU 実装では、最初にスケジューリングされるユーザーからすでにレイテンシ予算を超えてしまいます。CPU 推論は低複雑度モデルのみをサポート可能ですが、GPU 推論はより高性能な高容量モデルを可能にし、大きな性能向上をもたらします。ポリシーの品質と推論レイテンシが同時に改善された場合にのみ、リンク適応は真にスペクトル効率を高めるレバーとなります。
研究検証
最近の学術研究でも同様の結果が示されています。機械学習（ML）に基づくチャネル推定および等化、ならびにリンク適応は、厳しい無線条件下において古典的なベースラインを上回ります。以下に、3 つの別々の研究論文からの要約を示します：
タイトル**焦点結果
ディープラーニングに基づくパイロットレス空間多重化学習された受信機/パイロット削減スペクトル効率 20% の向上
自律ネットワークのための AI エージェントの活用：参照アーキテクチャと実証研究AI 支援制御および適応URLLC シナリオにおいて OLLA（Online Link Learning Algorithm）と比較して BLER（Block Error Rate）が 67% 減少
シミュレーションから現実へ：セルラーネットワークのための実用的な DRL ベースのリンク適応実用的な DRL リンク適応高移動性シナリオにおいて古典的な OLLA に対して最大 70% のスループット増加
*表 3. AI ドライブ型 RAN アルゴリズムに関するエコシステム findings*
必ず JSON 形式で返してください。translation フィールドのみ。他のフィールド (technical_terms 等)は一切追加しないこと — 余計なフィールドを書こうとして本文翻訳がトークン上限で打ち切られる事故を防ぐため:
{"translation": "翻訳全文"}
NVIDIA AI Aerial を活用したスペクトル効率の最大化
NVIDIA AI Aerial は、RAN ワークロードの加速だけでなく、新たなネットワーク機能も実現します。以下の 5 つの機能（スペクトル効率の向上を含む）は、このプラットフォームが次世代ワイヤレスネットワークをどのように進化させるかを示しています。
1. アルゴリズムファーストによる効率化
狭い CPU バジェットに収めるために単純なヒューリスティックに頼るのではなく、AI Aerial は運用者が数学的に密度の高い AI ネイティブな Layer 1 および Layer 2 モデルを実行することを可能にします。Aerial は、リアルタイムで膨大な組み合わせ空間を評価することで、「CPU に何が含まれるか」という設計目標から「無線性能を最大化するのは何か」へとシフトさせます。
2. 再設計なしでのモデルの成長
AI が物理的な波形に近づくにつれて、チャネル推定、等化、適応のためのモデルは成長していきます。剛性のある ASIC はアルゴリズムをシリコンに凍結しますが、GPU のプログラム可能なテンソル計算の余剰能力により、AI を RAN の中心部に据えることが可能になります。AI Aerial は、アルゴリズムが変更されるたびに新たなハードウェア分割を強制するのではなく、ソフトウェア側での成長を受け入れます。
3. スケーラビリティと協調
次世代ネットワークには、重なり合う高密度カバレッジが必要であり、これはセル間干渉追跡のための膨大な計算負荷を生み出します。従来の CPU スケジューラでは、このレベルの調整に必要なレイテンシのスケーリングに対応できません。AI Aerial は、cuPHY と cuMAC（仮想化された MAC 層）間の広帯域メモリと共有データ空間を活用し、複雑なマルチセル演算を瞬時に実行することで、高次 MU-MIMO（多重入力多重出力）の実装をサポートします。
4. 統合センシングと通信
統合センシングと通信（ISAC: Integrated Sensing and Communications）は、本質的に無線ネットワークを至る所に存在するレーダーシステムへと変換します。これにより、標準的な通信処理を実行しつつ同時にディープラーニング分類モデルを実行するという負荷が生じます。AI Aerial は、高スループットの通信とセンシングを融合させた並列アーキテクチャを提供します。
5. AI インフラの収益化
テレコムネットワークは通常、ピーク時のトラフィックに対応するためにプロビジョニングされており、オフピーク時にはインフラが深刻な過剰稼働状態にあります。AI Aerial は、同じ GPU 上で 5G/6G と AI ワークロードを動的に割り当てることを可能にすることで、資産収益率（ROI）を変革します。事業者は、余剰の GPU 計算リソースを再配置して、収益化可能なエッジ推論アプリケーションをホストできるようになり、専用のテレコム機器を広範な AI エコノミーのための収益創出インフラへと転換できます。
AI エラのアーキテクチャ
AI ネイティブ RAN への移行は、大規模 MIMO の性能ギャップを埋めるための道であり、ネットワークに知能と並列計算能力を与えて、理論上のスペクトル効率を実世界での利益に変えるものです。
NVIDIA AI Aerial はこの移行のために構築されました。AI ネイティブ RAN 向けのソフトウェア定義型・加速コンピューティングプラットフォームとして、大規模展開における高度なレイヤー 1 およびレイヤー 2 の知能を現実的なものへと変えます。その結果、より能力の高い RAN が実現し、オペレーターがすべてのヘルツからより多くの価値を引き出すのを支援するとともに、新しい AI ドライブ型の収益機会への扉を開きます。
image*図 4. レガシー RAN から AI 強化型 RAN を経て AI ネイティブ RAN へ進化*
NVIDIA は、Nokia の anyRAN ソフトウェアと統合された AI-RAN プラットフォームを提供するため、Nokia などの業界リーダーと協力しています。これにより、オペレーターは 6G への進化に対応した AI ネイティブの 5G-Advanced ネットワークをデプロイできるようになります。NVIDIA ARC-Pro のようなプラットフォームがパフォーマンス、効率性、およびプログラマビリティを向上させることで、オペレーターは完全に知的でソフトウェア定義型の無線ネットワークへの道を加速できます。
さらに詳しく:
- NVIDIA RTX Pro 4500 Blackwell Server Edition GPU を搭載した商用 Aerial RAN Computer (ARC)-Pro について詳しく知る。
- 研究から商用展開まで、AI ネイティブネットワークの構築、シミュレーション、デプロイを行うための NVIDIA AI Aerial プラットフォームを探索する。
- Nokia がどのようにして AI ネイティブの 5G-Advanced および 6G ネットワークを実現しているかを確認する。
原文を表示
Spectrum is one of the most valuable assets in wireless communications. Over the last 30 years, telecom operators in the US have spent more than $240B to acquire wireless spectrum. A goal of a radio access network (RAN) system is to extract the maximum spectral efficiency (bits/second/Hertz) possible, which translates into more capacity, stronger network resilience with fewer dropped packets, and better economics per site.
As operators look for ways to extract more value from existing spectrum, Massive MIMO (Multiple-input, multiple-output) has become an important method for increasing capacity and improving how efficiently the network serves users.
Massive MIMO promised a revolutionary leap in spectral efficiency. However, in field deployments, the industry is operating below what the technology can theoretically achieve, leaving immense capacity unused. The root causes are fundamentally system-level problems. The network struggles to accurately track user locations, signals overlap and cause interference, and the system fails to pair users efficiently for simultaneous data transmission.
The industry has examined these challenges through a “compute-constrained” lens, treating compute as a scarce resource, forcing compromises to fit complex algorithms within the strict limitations of CPU power and performance budgets.
NVIDIA AI Aerial is changing that paradigm. With parallel computing, compute is no longer the bottleneck for operating within existing power budgets. By embracing an AI-native, highly parallelized architecture, we don’t have to ask, *“How can I squeeze more into the same compute?”* Instead, we ask, *“How can we reinvent the algorithm across the full stack to maximize the spectrum?”*
This “algorithms-first” approach enables the network to finally run the complex tracking and pairing models required to close the massive MIMO performance gap.
This blog describes the benefits of GPU acceleration in the RAN, and how AI-native RAN helps close the massive MIMO performance gap. It shows how NVIDIA AI Aerial enables a new class of Layer 1 and Layer 2 algorithms designed to unlock greater spectral efficiency in real-world deployments.
Why GPU acceleration benefits spectral efficiency
Modern RAN pipelines consist of mathematically dense algorithmic tasks, with highly specific compute characteristics. A scheduler that evaluates a wider combinatorial space, a channel estimator that learns from richer observations, or a beamformer that adapts jointly across users can improve throughput and quality of service for user applications. Table 1 is a breakdown of the highest-impact RAN workloads, their compute characteristics, and why GPU acceleration is required to execute them effectively:
The following sections review two workloads—beamforming and link adaptation—and explore how GPUs unlock new spectral efficiency gains.
Beamforming
Beamforming quality determines how effectively a network converts channel knowledge into usable throughput. Classical methods are effective but are shaped by computational compromise, relying on simplified models to meet limited budgets. As systems move to higher antenna counts and denser MU-MIMO operation, these simplifications result in lost signal-to-interference-plus-noise ratio (SINR) and lower realized throughput.
ML-based beamforming weight generation solves this by using richer channel information for weights, though it raises the compute burden sharply. NVIDIA analysis shows that in a 64T64R MU-MIMO scenario with 16 users and 2 layers per user, where users are randomly assigned SNRs in the [0-20] dB range, AI beamforming requires significantly more FLOPs than traditional regularized Zero Forcing (rZF), but this increase in compute produces a spectral efficiency gain of up to 1.62x higher throughput at 32 layers compared to the traditional zero-forcing beamforming algorithm.
Even at a lower number of layers, ML-beamforming delivers 1.28x throughput improvement. **
GPU compute enables higher-quality beam weight generation at the scale and latency required for RAN deployment. This connects directly to field validation. SoftBank and NVIDIA recently reported stable outdoor 16-layer massive MU-MIMO operation on a GPU-based AI-RAN platform. The trial delivered roughly 3x the spectral efficiency of a conventional 4-layer baseline. GPU value is not abstract acceleration; it is the practical ability to sustain higher-order spatial multiplexing in a real system.
DRL link adaptation
Link adaptation is a complex MAC-layer control function. The scheduler must repeatedly pick a modulation and coding scheme (MCS) to maximize throughput while keeping block error rates (BLER) near targets for QOS and maximizing spectral efficiency under changing mobility and interference conditions.
Traditional link adaptation schemes, such as outer-loop link adaptation (OLLA) implemented in vector engines in CPUs, are lightweight, reacting to feedback through hand-crafted predefined logic. Deep reinforcement learning (DRL) link adaptation changes this by learning the MCS-selection policy directly from observed radio behavior.
A DRL agent uses channel quality indicator (CQI) history, ACK/NACK feedback, and short-term channel evolution to adapt to site-specific conditions in real time. Early NVIDIA engineering results show a 1.3x throughput gain over baseline OLLA at the cell edge when combined with channel-orthogonality-based user pairing. Further improvements are expected when DRL-LA is combined with more advanced MU-MIMO pairing algorithms.
The technical turning point is latency scaling. A small, distilled model can run on a CPU equipped with vector engines. The highest spectral efficiency gains require a larger model handling richer MU-MIMO conditions at large batch sizes, while maintaining stable BLER below target.
As shown in Figure 3, the GPU-based architecture stays below the ~30 μs typical reference budget across the tested user range, even for a 396K-parameter model. In contrast, a single-core CPU implementation exceeds the latency budget starting with the first scheduled user. CPU inference can support only a low-complexity model, while GPU inference enables higher-capacity models that deliver greater performance gains. Link adaptation becomes a true spectral efficiency lever only when policy quality and inference latency improve together.
Research validation
Recent academic studies also find the same result. ML-based channel estimation and equalization, and link adaptation outperform classical baselines under difficult radio conditions. Below are the summaries from three separate research papers:
Unlocking spectral efficiency with NVIDIA AI Aerial
NVIDIA AI Aerial does more than accelerate RAN workloads; it enables new network capabilities. The following five capabilities—including improved spectral efficiency—highlight how the platform advances next-generation wireless networks.
1. Algorithm-first efficiency**
Instead of relying on simplified heuristics to fit narrow CPU budgets, AI Aerial enables operators to run mathematically dense, AI-native Layer 1 and Layer 2 models. Aerial shifts the design target from “what fits on the CPU?” to “what maximizes radio performance?” by evaluating massive combinatorial spaces in real time.
2. Model growth without redesign
As AI moves closer to the physical waveform, models for channel estimation, equalization, and adaptation will grow. Rigid ASICs freeze algorithms in silicon, but the programmable tensor compute headroom of a GPU enables AI to live at the heart of the RAN. AI Aerial absorbs the growth in software rather than forcing a new hardware partition every time the algorithm changes.
3. Scale and coordination
Next-generation networks require dense, overlapping coverage, creating a massive computational burden for cross-cell interference tracking. Traditional CPU schedulers struggle with the latency scaling required for this level of coordination. AI Aerial handles this through massive memory bandwidth and shared data spaces between cuPHY and cuMAC, executing complex multi-cell math instantly to support higher-order MU-MIMO implementations
4. Integrated sensing and communication
Integrated Sensing and Communications (ISAC) essentially turns a radio network into a ubiquitous radar system. This introduces a workload that requires processing standard communications while simultaneously executing deep-learning classification models. AI Aerial provides a parallel architecture that blends high-throughput communications with sensing.
5. Monetize AI infrastructure
Telecom networks are typically provisioned for peak traffic, leaving infrastructure severely underutilized during off-peak hours. AI Aerial changes the return on assets by supporting the dynamic allocation of 5G/6G and AI workloads on the same GPU. Operators can reallocate spare GPU compute to host monetizable edge inference applications, transforming dedicated telecom equipment into revenue-generating infrastructure for the broader AI economy.
The architecture of the AI era
The shift to AI-native RAN is the path to closing the massive MIMO performance gap, giving the network the intelligence and parallel compute to turn theoretical spectral efficiency into real-world gains.
NVIDIA AI Aerial was built for this transition. As a software-defined, accelerated computing platform for AI-native RAN, it makes advanced Layer 1 and Layer 2 intelligence practical at scale. The result is a more capable RAN that helps operators unlock more value from every Hertz and opens the door to new AI-driven revenue opportunities.
NVIDIA is working with industry leaders like Nokia to deliver AI-RAN platforms integrated with Nokia’s anyRAN software, enabling operators to deploy AI-native 5G-Advanced networks ready for 6G evolution. With platforms like NVIDIA ARC-Pro enhancing performance, efficiency, and programmability, operators can accelerate their path to fully intelligent, software-defined radio networks.
Learn more:
- Learn more about commercial Aerial RAN Computer (ARC)-Pro with NVIDIA RTX Pro 4500 Blackwell Server Edition GPU.
- Explore the NVIDIA AI Aerial platform to build, simulate, and deploy AI-native networks, from research to commercial deployment.
- See how Nokia is enabling AI-native 5G-Advanced and 6G networks.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み