语义通信是一种以传递信息“含义”为核心的新型通信范式，其概念最早可追溯至Shannon与Weaver对通信层次的经典划分。与传统通信仅关注比特级传输准确性不同，语义通信强调发送端与接收端之间语义信息的有效匹配，通过“先理解、后传输”的设计理念，从信源中提取关键语义特征并编码传输，从而大幅提升通信效率与可靠性。本文从语义通信的理论基础出发，系统阐述其与香农信息论的本质区别、核心技术原理、知识库机制及关键实现技术，并深入分析语义通信在物联网、自动驾驶、工业互联网、智慧医疗、元宇宙等多元场景中的应用前景。文章同时审视语义通信面临的理论挑战、安全风险及标准化问题，并展望其在6G及未来通信体系中的发展路径。
一、引言：从“传比特”到“传语义”的范式革命
自Shannon在1948年创立信息论以来，现代通信系统始终围绕“如何准确、高效地传输比特”这一核心命题展开。香农信息论以熵为基石，建立了信息压缩的极限与信道容量的边界，为过去七十余年的通信技术演进提供了坚实的理论基础。然而，香农信息论本质上只解决了通信的“技术层”问题，即符号能否被准确传输，而对信息的“意义”——即语义层面的内容——并未触及。
随着数据洪流的持续增长与频谱资源的日益紧张，传统通信技术已逼近香农极限，单纯依靠提升编码效率和调制阶数来增加系统容量的路径渐趋饱和。与此同时，人工智能技术的迅猛发展为通信系统注入了全新的智能化能力，使得“理解信息含义”成为可能。在此背景下，语义通信应运而生，被普遍视为突破香农极限、重塑通信体系的重要方向。
Weaver早在1949年就提出通信包含三个层次：技术层(Level A，符号能否准确传输)、语义层(Level B，传输的符号是否传达了预期意义)和效果层(Level C，接收的意义是否影响了预期行为)。语义通信正是聚焦于Level B乃至Level C的通信范式，其核心目标不再是追求比特级的完美还原，而是确保信息含义的准确传递与理解。这一范式的转变，是从“符号传递”向“语义理解”的跃迁，代表着通信系统设计思想与理念的彻底变革。
二、语义通信的基本概念与核心原理
1. 语义通信的定义
语义通信(Semantic Communication)是指从信源中提取语义信息并编码，通过信道传输，并在信宿通过译码还原语义信息的通信方式。它是一种以任务为主体、先理解后传输的通信范式，旨在高效传达信息含义而非单纯传输数据。与传统的语法通信(Syntactic Communication)不同，语义通信并不要求译码序列与编码序列在比特级上严格匹配，仅要求信宿恢复的语义信息与信源发送的语义信息含义一致。
有学者将语义通信进一步细分为不同类型：语义导向通信强调语义内容的准确性，在编码前引入语义表示模块以提取核心信息并过滤冗余;目标导向通信以完成任务为首要目标，输出为直接执行指令而非仅关注语义准确性;语义感知通信则在任务导向通信中引入语义感知机制，通过分析智能体意图实现高效交互。这种类型学划分揭示了语义通信从“传输语义”到“完成任务”的递进逻辑。
2. 语义信息与香农信息的本质区别
理解语义通信的关键在于厘清语义信息与香农信息之间的根本差异。香农信息论通过概率论定义信息，以熵衡量信号的不确定性与混乱程度;而语义信息则与信号的含义及知识紧密相关，存在对错问题——错误的预测或谎言可能传递负的语义信息。具体而言，二者的区别体现在以下维度：
信息来源不同：香农信息源自对一连串信号统计不确定性的度量，必须通过统计平均获得;而语义信息可以包含在单个信号或命题中，单个事件(如GPS指针指示、温度表读数)即可提供语义信息。
与真值的关系：香农信息与真假无关，仅关注统计概率;语义信息需要事实检验，与真假直接相关。
信息量符号：香农互信息总是正的，是平均语义信息量的上限;而语义信息量可能是负的——例如错误的天气预报虽然与正确的预报拥有相同的香农信息量，但其语义信息量为负。
关注层面：香农信息关注语法(syntax)层面的符号传输，语义信息则关注语义(semantics)层面的意义传递以及语用(pragmatics)层面的行为效果。
三、语义通信的关键技术
语义通信的实现依赖于一系列关键技术的突破，涵盖语义信息理论、语义表征与编码、信源信道联合编码、语义知识库构建与更新等多个层面。
1. 语义信息论：突破香农极限的理论基石
语义信息论是语义通信的理论根基。香农信息论建立了信息压缩极限和信道容量极限，但主要关注语法层面的数据传输，忽略了数据的语义信息与下游任务需求。中国学者张平院士团队在语义信息论方面做出了原创性贡献，提出了语义信道容量公式，打破了香农界对通信系统的“禁锢”，全面扩展了通信系统的理论极限，是对经典信息论的自然推广。
语义信息论中的信息概念强调“真值提升”——语义信息通过缩小或调整概念外延来消除不确定性，与香农信息通过增大概率消除不确定性存在本质差异。此外，Bar-Hillel和Carnap提出的语义信息公式(CB公式)以及Floridi的强语义信息理论，都为语义信息的量化与度量提供了重要的理论资源。但需要注意的是，CB公式存在某些悖论(如“所有乌鸦都是黑的”这类重言式是否传递信息的问题)，后续学者在此基础上提出了改进的语义信息公式，强调真值提升和事实检验，为语义信息的数学刻画提供了更坚实的框架。
2. 语义知识库(SKB)：语义通信的“共同语言”
语义知识库是语义通信系统特有的关键组成部分，用于为收发双方提供共享的语义理解基础，是区分语义通信与传统比特级通信的核心组件。语义知识库不仅“感知”信源的语义特征，还与特定传输任务和信道条件相关联，支持非均衡传输。
从构建方法来看，目前的SKB主要分为四类：基于知识图谱的SKB，通过提取三元组构建多层次结构，主要面向文本和语音传输;基于标记训练数据集的SKB，通过训练数据集的统计特性描述知识，可利用迁移学习中的域自适应技术动态更新编解码方案;基于深度学习的特征向量SKB，使用分布式嵌入表征语义信息;以及基于大模型驱动的知识图谱SKB。
从分类层次来看，端到端语义通信中的SKB可分为三类：源SKB捕捉原始数据的语义特征，信道SKB描述传播环境的知识，任务SKB刻画具体任务的需求。此外，从所有权角度看，SKB还可划分为私有本地SKB和公共云SKB，前者由每个用户维护和更新以存储个性化的本地语义知识，后者则需要多数用户的共识才能动态更新与共享。
值得关注的是，随着新任务的出现和旧模式的过时，静态知识图谱需要大量人工维护，难以捕捉新兴概念;训练数据集可能过时，无法反映当前数据分布;基于深度学习的特征向量则依赖固定嵌入，难以适应多样输入。因此，动态语义知识库的概念应运而生——通过“学习”与“遗忘”的整合机制，实现知识条目的按需合成、完成和修订，从而保持SKB对时变数据信息(包括信源、任务及信道环境数据)的自适应能力。
3. 语义提取与表征
语义提取与表征是语义通信的首要环节，其核心目标是从原始数据中提取与任务最相关的语义特征，同时摒弃冗余信息。这一过程通常依赖深度学习模型完成，不同的数据类型需要不同的语义表征方法：
文本语义表征：通常采用自然语言处理技术提取语义三元组(主语-谓语-宾语)，并根据信道状态质量计算其重要性进行差异化传输。
语音语义表征：可构建多层级知识图谱，基于语义表示与抽象实现语音的语义级压缩。
图像语义表征：近年来，基于大模型的方法取得突破。例如，基于分割任何模型(SAM)的知识库可将原始图像分割为不同语义段落，再通过基于注意力的语义整合机制将这些语义段落加权集成为语义感知图像，实现无需人工干预的高效语义提取。
4. 大模型赋能语义通信
随着大语言模型(LLM)和大型AI模型(LAM)的快速发展，其为语义通信注入了新的技术动能。大模型在知识表示、语义理解与生成方面展现出强大的能力，为语义知识库的构建与更新提供了全新的解决方案。
基于大模型的语义通信框架(LAM-SC)已经在图像数据上展现出巨大潜力：利用SAM模型自动分割图像为语义段落，结合注意力机制实现自适应的语义整合，再通过自适应语义压缩编码去除冗余特征，有效降低通信开销并提升任务性能。此外，大模型还被用于驱动知识图谱的自动构建，大幅降低人工维护成本，提升知识库的动态适应能力。
四、语义通信的应用场景
语义通信以其显著降低数据量、提升传输效率的独特优势，在众多垂直行业和应用场景中展现出广阔的应用前景。
1. 物联网与低信噪比场景
物联网场景中，大量设备(如传感器、智能家居设备、工业设备等)通常分布在广阔区域，且往往需要在网络信号较差、带宽有限的情况下进行通信。传统通信通过扩建网络基础设施来提升覆盖范围，但成本高昂且在带宽受限条件下难以保障通信质量，阻碍了物联网的规模化发展。
语义通信为这一问题提供了全新的解决思路：通过仅传输与任务相关的关键语义特征而非全部原始数据，大幅降低传输负载，即使在低信噪比条件下也能保证信息的有效传递。大规模物联网场景已被验证为语义通信的优势应用场景之一。
2. 自动驾驶与车联网
自动驾驶汽车依赖感知模块感知周围环境并提取导航信息，对通信的时延与可靠性有着极高要求。车联网(V2X)环境中，语义通信可实现车辆间通信(V2V)、车辆与基础设施通信(V2I)以及语义感知网络(SAN)的高效构建。
语义通信在自动驾驶中的优势体现在：可以优先传输道路风险信息等关键内容，在有限的带宽内确保决策所需的核心语义信息得到可靠传递。不同车辆之间自动感知驾驶员和乘客意图，通过互通语义提高驾驶决策的安全性和可靠性。此外，在智能交通系统中，语义通信还被用于优化资源分配、缓存激励与任务卸载等。
3. 工业互联网与智能制造
在工业物联网中，传感器、执行器和远程控制器通过无线连接收集数据，以提高工业制造过程的效率、可靠性和准确性。语义通信使机器设备能够更快传递故障、状态和控制意图，为工业互联网提供更高效的通信支撑。
语义辅助网络智能系统通过数据过滤、信息交换和路径规划等技术，显著提升了工业自动化系统的性能与效率。在智能工厂环境中，移动边缘服务器、基站与工业设备之间的语义级数据交换，使得关键控制命令的传递更加迅速和精准。
4. 智慧医疗
智能医疗保健利用人工智能和医疗物联网设备提供高效、便捷和快速的医疗服务。语义通信在远程医疗中能够保留患者属性和机械故障点等关键语义信息，确保传达的信息保留其上下文意义。
例如，在远程医疗诊断中，通过感知医生和患者的背景、意图、情绪和场景等，识别出双方都能理解的普适性语义信息，并自适应地以文本、图像、全息立体投影甚至触觉和味觉等方式帮助医患之间的理解和交互。
5. 应急救援与低信噪比极端场景
在应急救援等极端场景中，通信环境往往极为恶劣，信噪比极低。语义通信能够在低信噪比条件下优先传输关键信息(如人员位置、危险状况等)，为救援决策提供及时可靠的信息支持。这种场景充分体现了语义通信“以任务为主体”的设计理念优势——即便部分比特在传输中受损，只要接收端能理解语义层面的关键信息，通信即被视为成功。
总结
语义通信以“先理解、后通信”为核心理念，通过对信息语义的深度理解与高效压缩，实现了通信效率与可靠性的跃升。它不仅是通信技术的一次迭代，更是通信系统设计思想与理念的彻底变革。从理论层面看，语义信息论突破了香农信息论的局限，为通信系统开辟了新的理论边界;从技术层面看，语义知识库、联合信源信道编码、大模型赋能等关键技术的突破，为语义通信的工程实现奠定了坚实基础;从应用层面看，语义通信已在物联网、自动驾驶、工业互联网、智慧医疗、元宇宙等多元领域展现出巨大的应用潜力。
然而，语义通信的理论体系尚在完善之中，知识库管理、安全性、算力约束与标准化等问题仍需学术界与产业界的共同努力。可以预见，随着人工智能与通信技术的进一步深度融合，语义通信将在6G及未来通信体系中扮演日益关键的角色，为构建“万物智联”的信息社会提供全新的通信范式支撑。