研报速递SIGNAL INTELLIGENCE FRONTIER REPORT · 2026
《2026信号智能识别前沿研究报告》
8条前沿主线与未来3—5年的真正竞争焦点
信号识界 · 原创前沿观察
摘要
如果把2026年的信号智能仍然概括成“深度学习做信号分类”，已经明显不够了。正在发生的真正变化，是研究对象从单任务分类器逐步转向通用信号表征、无线基础模型、开放世界持续学习、物理一致性、多源联合推理与闭环认知系统。截至2026年10月，SpectrumFM、WiFo-2、Radio-FM、Channel2World、雷达基础模型以及Source-Free Open-World RFFI等工作，已经把“预训练—迁移—泛化—未知—系统部署”从概念推向可实验验证阶段。本文提出「信号识界」的 FRONTIER-8 前沿地图、Three-Age Evolution 三阶段演化、World-Scale Data 原则 与 2030 Research Bet Map，尝试回答：未来3—5年，信号智能真正值得押注的方向是什么？
这不是“把热门关键词列一遍”的报告。我们更关心：哪些方向已经出现可信证据，哪些仍处于早期探索，以及它们背后的科学问题是否真的成立。
SECTION 01
2026最重要的变化：研究范式正在发生迁移
图 1｜THREE-AGE EVOLUTION · 信号识界原创归纳
AGE 1 · Recognition AI
输入一个窗口 → 输出一个类别
核心问题：Accuracy能否更高？
AGE 2 · Representation AI
海量无标签信号 → 预训练通用表示 → 多任务迁移
核心问题：能否跨任务、跨域复用？
AGE 3 · Cognitive Signal Intelligence
感知 + 记忆 + 世界状态 + 未知发现 + 预测 + 风险决策
核心问题：能否持续理解一个变化中的世界？
SECTION 02
最前沿主线之一：无线与射频Foundation Model开始真正成形
图 2｜2025–2026 FOUNDATION MODEL FRONTIER
SpectrumFM · IEEE JSAC 2026
IQ自监督预训练；覆盖调制识别、无线技术分类、频谱感知、异常检测。
WiFo-2 · National Science Review 2026
基于约116亿CSI点预训练，统一通信与感知任务，并展示零样本与硬件原型能力。
Radio-FM · arXiv 2026
15个数据集预训练、15个下游Benchmark评估，探索通用原始I/Q表征骨干。
Channel2World · arXiv 2026
从“单链路CSI”走向“环境级RF世界嵌入”，预训练覆盖约2.6万个环境。
注：同行评议论文与预印本分开标注；预印本结果仍需后续独立验证。
真正值得注意的不是“Foundation Model这个名字变多了”，而是评价方式开始从单数据集高分转向：跨任务、少样本、零样本、跨配置、跨环境和真实部署。
SECTION 03
前沿主线之二：雷达也开始进入“预训练与Scaling”时代
图 3｜RADAR FOUNDATION SHIFT
| GRT · ICCV 2025 约100万原始雷达样本、29小时数据 | RadarFM · 2025预印本 场景级雷达表征 |
过去雷达智能高度任务化。现在更前沿的问题是：雷达能否拥有可复用的底层世界表示？
SECTION 04
前沿主线之三：从“闭集分类”进入“开放世界持续识别”
图 4｜OPEN-WORLD SHIFT
AAAI 2025已出现Open-world RFFI；ICML 2026进一步推进到Source-Free Open-World RF Fingerprint Identification：既发现新设备，又维持旧类知识，同时不依赖历史源数据。
“未知拒识”已经不是终点。更前沿的问题是：未知出现之后，系统能不能把它逐渐变成新的已知？
SECTION 05
前沿主线之四：自监督学习正在从“数据增强”转向“物理语义”
更值得关注的变化，是预训练目标越来越强调“什么变化在物理上应该保持不变”。
图 5｜PHYSICS-AWARE PRETRAINING STACK
Masked Reconstruction 恢复被遮蔽的波形/CSI/谱结构
Future Prediction 学习信号演化与时间结构
Transmission-aware Contrast 让相似性与传输/波束物理相关
Cross-modal Alignment 不同传感器对齐共同事件/目标
Physics Consistency 传播、几何、动力学约束进入表示学习
自监督的下一步不是更多增强，而是更正确的物理不变量。
SECTION 06
前沿主线之五：从Signal Representation走向RF World Representation
图 6｜SIGNAL → ENVIRONMENT → WORLD
一个信号窗口 → 一条链路/目标表示 → 一个环境/世界嵌入
Channel2World代表一种值得关注的新思路：从大量“信道—位置”观测中学习环境级RF embedding。未来模型可能不只是“识别当前信号”，而是形成可复用的无线环境先验。
SECTION 07
前沿主线之六：架构竞争正在从Transformer扩展到SSM/Mamba与混合模型
图 7｜ARCHITECTURE FRONTIER
| CNN 局部结构 | Transformer 全局关系 | SSM / Mamba 长序列 |
ICASSP 2025已经出现面向无人机RF信号分类的双向Mamba结构。更重要的问题不是“Mamba会不会替代Transformer”，而是未来通用信号骨干很可能按局部性、长记忆、全局关系和物理先验进行混合设计。
SECTION 08
前沿主线之七：多模态正在从“融合”走向“联合推理”
图 8｜MULTIMODAL FRONTIER
| Radar 距离 / 速度 / 全天候 | RF 身份 / 协议 / 频谱 | Vision / Thermal 语义 / 外观 / 定位 |
↓
目标不是更大的Feature，而是更可靠的联合世界状态
2026已经出现把RGB、热红外和雷达共同用于运动目标分割与持续身份跟踪的预印本探索。未来真正重要的问题，将从“怎样融合特征”变成：如何估计每个模态的可靠性、如何处理冲突，以及融合后不确定性是否真的下降。
SECTION 09
前沿主线之八：大模型最终必须进入“可部署”阶段
Foundation Model如果只能存在于离线GPU实验室里，它对实时信号系统的意义仍然有限。因此2026另一条值得关注的支线，是轻量化、MoE、知识蒸馏、参数高效适配和端侧部署。
图 9｜FROM FOUNDATION MODEL TO EDGE INTELLIGENCE
大规模预训练 → PEFT / MoE → Distillation → Edge Intelligence
Tiny-WiFo等工作已经开始直接把无线基础模型的零样本能力与毫秒级推理联系起来。趋势很明确：“模型多大”会逐渐让位于“每单位算力能带来多少可迁移能力”。
SECTION 10
原创框架：FRONTIER-8，2026信号智能八条主航道
图 10｜FRONTIER-8 · SIGNAL INTELLIGENCE MAP
F1 · Foundation Representation 从任务模型走向通用信号骨干
F2 · Self-Supervised Physics 从通用增强走向物理一致预训练
F3 · Open-world Continuum 从未知拒识走向持续发现与学习
F4 · World Representation 从单信号表示走向环境与世界模型
F5 · Multimodal Joint Inference 从特征拼接走向联合后验
F6 · Long-context Architectures Transformer / SSM / Hybrid共同竞争
F7 · Trustworthy Cognition 校准、未知、风险、可恢复性
F8 · Efficient Deployment 从云端大模型走向端侧可用
SECTION 11
原创判断：真正的数据规模，不是“窗口数”，而是“世界数”
图 11｜WORLD-SCALE DATA PRINCIPLE
有效预训练规模 ≈ 样本量 × 世界多样性 × 物理覆盖度
1000万条来自同一设备、同一场景的切片
不一定比
100万条跨设备、跨地点、跨时间、跨信道的样本更“基础模型化”
未来数据竞争的重点，很可能从“谁样本更多”转向谁覆盖的真实世界变化更多。
SECTION 12
哪些问题仍然没有被真正解决？
图 12｜2026 FRONTIER BOTTLENECKS
01 统一Token仍未解决： IQ、CSI、脉冲、谱图、轨迹如何进入共享空间？
02 跨接收机泛化仍然困难： 如何避免学习接收链路捷径？
03 真实低SNR仍是硬问题： 仿真AWGN不能代表完整电磁环境。
04 开放世界“新类学习”不足： 拒绝未知容易，稳定吸收未知更难。
05 基础模型Benchmark仍碎片化： 数据、任务与计算预算尚未统一。
06 校准与风险控制明显滞后： 高准确率不等于高可信。
07 多模态冲突缺乏统一处理： 多数工作重融合、轻冲突诊断。
08 闭环认知仍处于早期： 感知—记忆—预测—主动观测尚未真正打通。
SECTION 13
未来3—5年，我们最关注哪8个“研究押注”？
图 13｜2030 RESEARCH BET MAP · 信号识界原创判断
① RF / Radar Foundation Backbone：真正跨任务、跨域、跨配置的通用底座
② Physics-native Pretraining：让预训练目标直接对应传播、运动和传输物理
③ Continual Open-world Intelligence：未知发现、吸收、记忆与遗忘控制统一起来
④ RF World Model：从信号识别走向环境、目标与动态世界建模
⑤ Multimodal Joint Posterior：多源共同维护世界状态，而不是只拼特征
⑥ Trustworthy Signal AI：概率校准、风险约束、拒识与可恢复性
⑦ Edge Foundation Intelligence：模型压缩、MoE、蒸馏与低延迟部署
⑧ Benchmark & Reproducibility：统一实验合同成为领域基础设施
SECTION 14
2026前沿工作雷达：哪些值得现在就读？
图 14｜FRONTIER READING RADAR
WiFo-2｜National Science Review, 2026｜无线基础模型、Scaling、零样本、硬件验证
SpectrumFM｜IEEE JSAC, 2026｜IQ预训练与智能频谱管理
Source-Free Open-World RFFI｜ICML, 2026｜开放世界与持续新类发现
Towards Foundational Models for Single-Chip Radar｜ICCV, 2025｜原始4D雷达与Scaling
Radio-FM｜arXiv, 2026｜跨15数据集的通用Radio表示
Channel2World｜arXiv, 2026｜RF环境级世界嵌入
CARP｜IEEE TCOM Early Access, 2026｜鲁棒多任务无线预训练
MambaRF｜ICASSP, 2025｜SSM/Mamba用于无人机RF信号分类
“值得读”不等于“已经成为定论”。其中预印本工作应重点关注思想与实验设计，并等待后续同行评议和独立复现。
SECTION 15
我们对2026的最终判断
图 15｜THE NEXT SIGNAL INTELLIGENCE TRIANGLE
General Representation
从任务专用走向通用表征
| Open-world Cognition 从闭集分类走向持续认知 | Physical Trust 从黑箱高分走向物理一致与风险可信 |
写在最后
真正的前沿，不是“最新模型”，而是“最新的问题边界”
• 不只会分类，还要会迁移；
• 不只认识已知，还要发现未知；
• 不只处理窗口，还要理解环境与历史；
• 不只融合数据，还要维护联合世界状态；
• 不只给出答案，还要知道答案有多可信；
• 最终还要在真实计算和观测预算下持续工作。
信号智能的下一阶段，不是把分类器继续做大，而是构建能够理解、适应并持续更新真实世界的信号认知底座。
代表性前沿工作｜延伸阅读
1. WiFo-2: a generalist foundation model unifies heterogeneous wireless system design. National Science Review, 2026.
2. SpectrumFM: A Foundation Model for Intelligent Spectrum Management. IEEE JSAC, 2026.
3. Source-Free Open-World RF Fingerprint Identification. ICML, 2026.
4. Towards Foundational Models for Single-Chip Radar. ICCV, 2025.
5. Radio-FM: A Foundation Model for Radio Signal Representation Learning and Its Applications. arXiv, 2026.
6. Channel2World: A Wireless Foundation Model for RF Environment Representation. arXiv, 2026.
7. CARP: Consistency-Aware Robust Pretraining for Multi-Task Wireless Foundation Model. IEEE TCOM, 2026.
8. Open-world Radio Frequency Fingerprint Identification via Augmented Semi-supervised Learning. AAAI, 2025.
9. MambaRF: A Bi-directional Mamba Structure for Radio Frequency Signal Classification of UAV. ICASSP, 2025.
10. Self-Supervised Pretraining for Transmission-Relevant MIMO CSI Representation. arXiv, 2026.
SIGNAL INTELLIGENCE FRONTIER
这里是「信号识界」。
看懂信号，理解智能。
第20篇不是终点，而是第一阶段结束后，我们重新审视整个前沿版图的起点。
下一阶段 · SIGNAL FRONTIER 2.0
从“原创观点系列”进入“前沿论文拆解 + 数据集实测 + 原创研究报告”
