在 6G 愿景日益清晰的当下，频谱资源的物理瓶颈成为横亘在前的最大挑战。在日前举行的"6G技术与产业创新论坛”上，加拿大皇家科学院院士李明指出，当频率逼近微波极限、带宽受限无法通过传统手段扩容时，“数据压缩”将成为破局关键。他提出“理解即压缩”的核心论点，并展示了利用AI大模型突破香农极限的最新成果。
为实现10–100倍于5G的性能提升，6G必须使用毫米波、太赫兹等更高频段，但高频信号传播损耗大、可用带宽窄，传统扩容路径难以为继。“如果带宽无法突破，唯一的出路就是在数据上下功夫。”李明指出，若能将传输数据量压缩一倍，等效于传输速度提升一倍。对于空天通信等极端场景，语义压缩技术更是救命稻草。
从比特到语义 AI重构压缩理论
在演讲中，李明指出，传统压缩技术历经80年发展，已逼近香农极限，发表的相关论文多达百万篇，单纯依靠传统编码理论已难有寸进。
他将视线拉回1956年的达特茅斯会议。那是AI概念的诞生之地，也是信息论奠基人香农与归纳推理先驱所罗门诺夫的历史性交汇点。李明认为，所罗门诺夫提出的通用归纳推理理论与ChatGPT等大模型的训练范式高度同构，可谓其理论雏形。其理论与香农信息论的结合，正有望破解 80 年来难以逾越的香农极限。
李明解释道，所罗门诺夫的核心思想后来演化为“最小描述长度”（MDL）原则，即最优假设应使“模型描述长度 + 预测误差”之和最短。而大模型每次预测下一个词元的过程，本质上就是在寻找这条最短的描述路径。
“人类的学习过程本质上也是压缩。”李明提出了这一极具洞察力的观点。无论是音乐旋律、艺术图案还是游戏规律，人类大脑皆是通过识别模式（Pattern）来压缩信息，脑科学亦证实压缩过程会激发多巴胺，使人获得愉悦感。他将这一逻辑延伸至人工智能领域：在大模型的世界里，假设它能真正理解，那么它便具备高效压缩的潜力。
对于6G网络而言，这具有战略意义。李明指出，随着频段升高，物理带宽将成为稀缺资源。这意味着6G可借AI实现语义级传输，也为突破香农极限、缓解高频带宽瓶颈提供了全新路径。
李明团队验证了这一假设。既然大模型擅长“预测下一个字”，团队便直接利用其预测概率进行算术编码。实验结果令人振奋：文本压缩上，相比传统ZIP算法，压缩率提升4至5倍；图像压缩上，相比PNG及JPEG2000无损标准，压缩率提升2至3倍；音频压缩上，相比FLAC格式，整体表现更优，仅在极高频段略有波动。相关成果已发表于《Nature》子刊。他指出，这是因为大模型在进行语义压缩，而非传统的比特压缩。
现实挑战：算力、时延与端侧部署
尽管前景广阔，李明在论坛后的访谈中坦承，这项技术从实验室走向商用仍面临巨大挑战。
首先是时延与算力的博弈：6G要求超低确定性时延，而大模型的压缩与解压过程本身需要消耗算力和时间，可能牺牲时延指标。 这是一对矛盾。
其次是端侧部署难题： 当前高性能压缩依赖 GPU 和大模型，而手机、卫星等终端设备算力有限、功耗敏感。
不过，解决方案正在探索中。李明提出了“场景化分级”思路：对电影等高频复用内容采用云端重压缩；对实时通信则开发适配手机端的轻量化模型，并根据场景动态调整压缩强度，实现算力与压缩率的动态平衡。同时，将小型模型固化至芯片，结合太阳能等能源即可实现星载智能压缩。
“这只是开始，”李明强调，要让压缩真正服务于6G，还需解决模型、算法、芯片等各方面的问题。但其研究已为 6G 传输打开了一扇新窗。
