通信技术自诞生以来，其核心使命始终是让信息跨越时空限制，实现人与人、人与机器、机器与机器之间的有效沟通。然而，在“什么是有效沟通”这一根本问题上，语义通信(Semantic Communication)与传统通信给出了截然不同的回答。传统通信以香农信息论为基石，关注的是“如何将符号准确无误地从发送端传送到接收端”;而语义通信则追问“接收方是否真正理解了发送方的意图”，强调信息的“含义”而非“形式”。这一差异不仅体现在技术实现上，更折射出两种截然不同的哲学思想。随着传统通信技术逼近香农极限，面对数据洪流和资源瓶颈的双重压力，语义通信正被视为下一代通信体系变革的关键方向。
一、哲学思想与设计理念的根本差异
1. 传统通信：“比特流”的忠实搬运工
传统通信的设计初心可以追溯至1948年香农发表的信息论奠基之作。香农在那篇划时代的论文中明确提出，通信的“技术问题”是“如何在信道中精确地复现发送端所选择的符号”，而刻意回避了符号背后的“语义”问题。这一限定为通信工程划定了一个清晰而可操作的研究边界：发送端与接收端不需要关心信息的含义，只需保证比特序列的准确性。
在这种理念指导下，传统通信系统(如电报、电话、广播电视乃至现代移动通信)本质上是一个“透明管道”。发送端将信源(语音、图像、文本)转换为比特流，经过源编码压缩、信道编码增加冗余、调制后送入物理信道;接收端则逆过程恢复原始比特流。整个过程中，没有任何智能环节参与，信息的“含义”被完全忽略。正如有学者指出的：“在这个基于模块的架构中，信号的发送和接收不涉及任何智能，消息背后的隐含意义在发射端和接收端被完全忽视了。”
2. 语义通信：“先理解，后传输”的智能范式
语义通信的革命性在于它将通信的出发点从“传输符号”转向了“传达意义”。其核心理念是“先理解，后传输”——在发送端，系统首先利用知识库和人工智能技术对信源进行语义特征提取，理解信息背后的意图;然后只传输那些与任务相关的语义特征;接收端则基于共享的知识库和语义解码器，恢复发送方的意图，甚至直接执行相应的任务。
这种理念的转变可以用一个生动的比喻来理解：传统通信如同翻译一本外文书籍，逐字逐句地忠实复制每一个单词;而语义通信则像是让一位熟悉双方文化的翻译家进行即时口译，他先理解说话人的意图，再用对方能理解的方式精准传达——即便省略了许多字面信息，核心含义却能准确抵达。张平院士将这一变革提升到“通信系统设计思想和理念的彻底变革”的高度，认为它将“从根本上改变传统信息通信技术体系”。
二、系统架构的对比：分离式编码与端到端联合设计
1. 传统通信：分离式信源信道编码(SSCC)
传统通信系统最显著的特征是其模块化的“分离式”架构。系统被清晰地划分为独立的阶段：信源编码(旨在去除数据冗余、压缩信息)、信道编码(旨在添加可控冗余以对抗信道噪声)、调制、物理信道传输、解调、信道解码和信源解码。这种设计遵循香农分离定理的指导原则——在理想条件下，信源编码和信道编码可以分别独立优化，且理论上仍能达到最优性能。
这种架构的优势在于模块化、易于标准化和升级。然而，它也存在固有缺陷：信源编码在压缩时并不考虑信道的实际状况，信道编码也无法利用信源的结构特征。这种“各自为政”的设计在接近香农极限时，其效率瓶颈愈发凸显。
2. 语义通信：端到端联合源信道编码(JSCC)
语义通信颠覆了这一架构。其主流设计路径之一是 端到端联合源信道编码（JSCC） 。在JSCC架构中，信源编码与信道编码不再分离，而是被融合为一个统一的神经网络模型。该模型以端到端的方式联合训练，能够同时优化信源压缩和信道传输的匹配度。
具体而言，语义通信系统通常包含以下核心模块：
- 语义编码器：从原始数据中提取与任务相关的语义特征，并用高效的压缩表示进行编码;
- JS（联合源信道）编码器：将提取的语义特征直接映射为适合物理信道传输的符号序列;
- 信道：接收信号可能受到物理噪声、衰落等干扰;
- JS解码器：从受损的接收信号中尽可能恢复语义特征;
- 语义解码器：基于知识库和恢复的语义特征，重构发送方的意图或直接执行任务，而无需还原原始比特流。
这种设计的关键在于，JSCC将信源编码与信道编码作为一个整体进行优化，使得系统可以充分利用信源的冗余结构和信道的统计特性，从而在理论上达到比分离编码更优的端到端性能。正如学者们所指出的：“语义通信基于ANN对语义进行建模与提取，往往需要端到端联合训练，因此语义通信天然具有JSCC架构。”
三、编码方式的技术差异：语义编码与经典信道编码
1. 传统信源编码：基于数据统计的压缩
传统信源编码(如JPEG、H.264、MP3)的核心思想是寻找数据的统计规律，通过去除冗余来实现压缩。例如，JPEG利用离散余弦变换去除图像的空间冗余，H.264利用帧间预测去除时间冗余。这些算法完全不理解图像或视频中的语义内容——它们只是机械地发现并利用数据中的统计模式。
2. 语义编码：基于理解的特征提取
语义编码则完全不同。它依据要执行的具体任务，对信源进行语义特征提取。例如，在图像分类任务中，语义编码器会提取与物体类别相关的关键特征(如轮廓、纹理、颜色分布)，而过滤掉与任务无关的背景细节。这种“任务导向”的压缩方式能够极大地降低传输数据量，同时保留任务执行所需的关键信息。
更关键的是，语义编码将“信源传输”与“信源理解”两个过程融为一体，实现了“先理解后传输”的信源处理方式;而传统编码则将两者割裂开来，采取“先传输后理解”的模式。这种融合不仅减少了传输开销，还使通信系统能够直接服务于任务目标，而非仅仅提供原始数据的传输通道。
3. 信道编码：从容量逼近到语义容量
在传统的信道编码领域，过去七十年间人类发明了Turbo码、LDPC码、Polar码等强大的信道编码方案，一步步逼近香农信道容量极限。这些编码的根本目的是在保证可靠传输的前提下最大化信息速率。
语义通信引入了“语义容量”这一新概念。与传统信道容量不同，语义容量衡量的是在给定信道条件下，系统能够准确传输的语义信息的最大速率。研究表明，针对语义容量的编码设计将成为语义通信的核心问题之一。与传统的比特级信道编码相比，语义信道编码不追求接收端比特的完全正确，而是追求发送方意图的准确传达，这种宽容度赋予了语义通信更强的鲁棒性。
四、信号处理流程的本质区别
1. 传统通信流程：忠实还原，逐级传递
以语音通信为例，传统通信的处理流程如下：语音信号经采样量化后成为PCM比特流 → 信源编码去除冗余(如AMR-WB语音压缩) → 信道编码添加纠错冗余(如Turbo码) → 调制后经信道传输 → 接收端进行信道解码纠错 → 信源解码恢复语音比特流 → 最终转换为语音信号。
这一流程的核心思想是保证接收端能够准确还原发送端的比特序列。无论信道条件如何恶劣，系统都在努力恢复原始比特。如果信噪比过低，导致Turbo码无法纠错，那么接收端将出现误码，最终表现为语音的失真或中断。在低信噪比条件下(如SNR ∈ [-5 dB, -2 dB])，传统系统可能出现大量词语错译，严重影响语义理解。
2. 语义通信流程：提取特征，直接达意
语义通信的流程则完全不同。发送端首先对语音信号进行语义特征提取，将“说话人想表达的含义”抽象为语义向量;然后通过JSCC编码将语义向量映射为传输符号;接收端则从接收信号中解码语义特征，并基于共享知识库重构说话人的意图。
一个经典的对比示例能够清晰地展示这种差异：在传统通信中，一条文本信息“Bob’s automobile was parked there.”经过传输后，由于信道噪声的影响，接收端可能恢复为“Bab’s autmkobile was pbrked there.”——虽然大部分比特正确，但语义已受到严重损伤。而在语义通信中，即使信道引入了噪声，接收端的语义解码器仍能基于上下文和知识库推断出正确的含义，最终输出“Bob’s car was parked there.”。这正是语义通信“在语义层面修复和重建”能力的体现。
五、性能评价指标的差异
1. 传统通信的指标：比特/符号层面的准确性
传统通信系统的性能评价指标体系基于比特或符号层面，主要包括： 误码率（BER） 、 误符号率（SER） 、 吞吐量（bps/Hz） 、时延等。这些指标衡量的是“传输的正确性”——接收端恢复的比特与发送端原始比特的一致性。在传统系统中，一个比特的错误就是错误，它可能导致整个数据包的丢失或重传。
2. 语义通信的指标：语义保真度与语义效率
语义通信提出了一套全新评价体系，包括语义熵、语义失真和语义通信速率等。其中， 语义频谱效率（S-SE） 定义为单位频谱资源能够传输的有效语义信息量。研究表明，在相同信噪比条件下，语义编码的S-SE值显著高于传统编码，且随信噪比提升，这种优势愈发明显。
更重要的是，语义通信允许一定程度的“语义失真”——只要接收端能够正确理解意图，即使比特层面存在错误，也被视为成功通信。这种“宽容”使得语义通信在低信噪比下仍能保持较高的任务完成率，而传统通信则可能因高误码率而彻底失效。
六、抗噪声与鲁棒性对比
1. 传统通信：信道条件决定一切
传统通信系统对信噪比高度敏感。无论是JPEG压缩图像还是语音编码，一旦信道条件恶化导致误码率上升，接收端的解码质量将急剧下降。尤其是在低信噪比条件下，传统系统常出现“悬崖效应”——图像格式错误、语音完全不可辨识。有研究表明，在图像分类任务中，传统JPEG+Turbo方案在信噪比低于12dB时分类准确率几乎为零，仅在15dB以上才开始快速上升，到20dB时也仅勉强达到60%。
2. 语义通信：语义层面的鲁棒性
语义通信对信道噪声的鲁棒性显著增强。这是因为语义通信传输的是语义特征而非原始比特，且模型在训练时就考虑了信道噪声的影响。在同一图像分类任务中，语义通信方案(SCBI、SCBIB)在低信噪比下即保持在80%以上准确率，随信噪比升高稳定接近100%。这种“天生抗噪”的特性使语义通信在恶劣信道条件(如深衰落、强干扰)下仍能维持可用性能。
进一步，在文本传输的语义理解任务中，传统通信系统在误码率为10⁻⁴量级时就会出现严重的词语错译;而基于依存句法分析的分层语义通信系统通过对关键语义信息进行保护，即使信道条件恶劣也能保持语义完整性。语义通信对信号形式的不敏感性，使其“在一定程度上能够抵抗信道噪声和干扰”。
七、应用场景的拓展与差异
1. 传统通信的普适性应用
传统通信系统的设计目标是通用的、普适的——无论传输什么类型的数据(语音、图像、视频、文本)，其架构和协议基本不变。它广泛应用于电话通信、广播电视、互联网数据传输等场景。然而，这种通用性也带来效率瓶颈：传统系统无法根据任务的差异进行自适应优化，例如在视频监控中，传输整个图像的所有细节(包括静态背景)显然是浪费的。
2. 语义通信的场景化与任务化
语义通信的核心理念是“任务驱动”。根据语义在通信过程中的作用不同，可将语义通信分为三类：
- 语义导向通信：强调语义内容本身的准确性，在编码前引入语义表示模块，提取核心信息并过滤冗余，适用于图像传输等场景;
- 目标导向通信：以完成任务为最终目标，输出为直接执行指令而非语义精确还原，适用于自动驾驶、工业控制等任务;
- 语义感知通信：在任务导向通信中引入语义感知机制，进一步提升系统的环境适应能力。
语义通信在以下领域展现出广阔前景：
- 车联网（IoV） ：车辆之间传输语义级的路况信息、意图信息，降低通信延迟，提升行车安全;
- 3D全息会议：大幅节省带宽资源，使全息影像的实时传输成为可能;
- 物联网（IoT） ：智能传感器只上报“发生了什么”的语义描述，而非原始数据流，极大降低网络负载;
- 星地一体化网络：利用语义通信的鲁棒性与高效性，实现天地协同的智能通信。
3. 应急通信等特殊场景的对比
在应急通信中，传统通信方式(如卫星通信、短波电台、通信车)仍然是主力，其优势在于覆盖广、部署快、不依赖地面基础设施。然而，传统通信在应急场景下的带宽瓶颈和干扰脆弱性依然存在。语义通信若能携带“意图”而非“原始数据”，则将大幅降低应急通信所需的频谱资源，并提高在复杂环境下的可靠性。
八、系统复杂度与计算开销的对比
1. 传统通信：相对简单、成熟稳定
传统通信系统的复杂度相对较低且成熟稳定。信源编码和信道编码均有成熟高效的硬件实现方案(如DSP、FPGA)，解码延迟可控，能耗特征明确。系统设计遵循模块化原则，便于更新和维护。尽管如此，传统通信在复杂信道条件下的性能提升空间已十分有限。
然而，这种复杂度的增加并不是无限的。研究表明，语义通信系统的计算复杂度主要集中于卷积层，其复杂度可以近似表示为输入图像尺寸的线性函数;相比之下，传统通信中JPEG压缩加上分类任务的总计算复杂度远大于语义通信方法。在文本语义通信系统中，总复杂度虽然增加了联合上下文译码模块，但给定上下文窗口大小时，复杂度随句子长度线性增长，是可控的。这一结果表明，语义通信在特定任务上甚至可能比传统“压缩+传输+分析”的流水线更高效。
2. 语义通信：以复杂度换取效率
语义通信的一个显著代价是系统复杂度的增加。语义通信系统需要额外的语义编码器、语义解码器以及知识库支持，这些组件往往基于深度神经网络实现，计算量远大于传统的编码解码方案。有学者指出：“语义通信就是以系统的复杂性为代价来提高通信效率。”
3. 算力与延迟的权衡
当然，语义通信对边缘计算能力和AI推理能力提出了更高要求。在需要超低延迟的任务(如自动驾驶)中，语义通信必须确保语义编解码的时延不会成为瓶颈。这一挑战正推动NPU等专用AI加速硬件和轻量化神经网络模型的发展。总体而言，语义通信通过适度增加计算复杂度，换取了频谱效率和任务完成率的大幅提升，是一种“以算力换带宽”的路径选择。
九、理论基础的差异与应用边界
1. 传统通信：香农信息论的精确框架
传统通信的整个理论体系建立在香农信息论之上——它提供了一套完备的数学框架来度量信息量(熵)、信道容量、率失真函数等，从而为通信系统的设计提供了清晰的边界条件。这种“精确可计算”的特性使得传统通信在工程实践中高度可靠、可预测。
2. 语义通信：多学科交叉的新兴理论
语义通信的理论基础则融合了语义信息论、信号博弈论、知识图谱、人工智能等多个领域。Bar-Hillel和Carnap提出的语义信息论、Floridi的强语义信息理论等构成了语义通信的理论基础。语义通信的容量、速率、失真等指标的数学定义仍在发展中，尚未形成公认的完备理论体系。但这一不确定性也意味着巨大的创新空间。
3. 应用边界：从“可靠性优先”到“意图优先”
传统通信适合对“无损”有刚性需求的场景，如文件传输、金融交易、身份认证等领域，任何比特错误都不可接受。语义通信则更适合“任务导向”的场景，如智能监控、语音助手、自动驾驶、远程协作等，这些应用关心的是“任务是否完成良好”，而非“是否逐比特还原”。在极端场景中，语义通信甚至可以实现“无语法但有语义”的通信——仅传输可被理解的关键语义，极大提高通信效率。
十、总结与展望
语义通信与传统通信的区别超越了单纯的技术路线差异，实质上是一场关于“通信本质”的认知革命。传统通信的回答是：“通信就是比特的忠实传输”;而语义通信的回答则是：“通信就是意图的精准传达”。这一范式转变带来了以下核心区别的总结：
| 维度 | 传统通信 | 语义通信 |
|---|---|---|
| 核心目标 | 准确传输比特流 | 准确传达信息含义 |
| 架构方式 | 分离式源信道编码（SSCC） | 端到端联合源信道编码（JSCC） |
| 编码方式 | 基于统计规律的数据压缩 | 基于理解/任务的语义特征提取 |
| 信号处理流程 | 先传输后理解 | 先理解后传输 |
| 评价指标 | 误码率、吞吐量、时延 | 语义失真、语义熵、语义通信速率 |
| 抗噪能力 | 受信噪比制约，低SNR性能差 | 语义层面修复，鲁棒性强 |
| 智能依赖 | 不需要，模块固定 | 依赖AI和知识库 |
| 理论基础 | 香农信息论 | 语义信息论、信号博弈等 |
| 应用场景 | 普适性传输 | 任务导向、智能服务 |
| 系统复杂度 | 相对较低、成熟稳定 | 较高，以算力换带宽 |
作为下一代通信技术的代表，语义通信仍处于早期研究阶段，面临理论体系不完善、准确率受限于AI能力、知识库安全、模型泛化等一系列挑战。但正是这种挑战，激励着学界和工业界携手探索，从北邮的语义基模型到中国移动的语义传输方案，再到星地一体化语义通信网络的展望，一幅崭新的通信图景正在徐徐展开。可以预见，当语义通信真正成熟并大规模部署时，它将以极其优雅的方式，从根本上改变我们所熟知的信息通信体系。