后台收到很多小伙伴的留言，
提问最多的就是——
智传网（AI Flow）到底是什么？
在 2026 WAIC 大会上
TeleAI 发布了
那么，如何理解
智传网（AI Flow）呢？
要回答这个问题
先得从“香农-韦弗信息论”讲起
......
时间回到 1948 年
贝尔实验室的天才数学家
克劳德·香农（Claude Shannon）
发表了一篇长篇论文
题目是
A Mathematical Theory of Communication
翻译成中文就是
《通信的一个数学理论》
这篇论文第一次用数学定义信息
提出了熵、比特、信道容量、编码定理
奠定了现代信息论的基础
但由于论文数学极深、符号密集
只在贝尔实验室内部流传
外界喻之为“天书”，没人看得懂
......
时间到了 1949 年
时任洛克菲勒基金会自然科学部主任的
沃伦・韦弗（Warren Weaver）
站出来做了两件事
第一件
他在《科学美国人》发表文章
用极浅的语言解释香农的理论
把“天书”翻译成大众能懂的科学
第二件
他又写了长序言和扩展论文
与香农的文章合在一起出版书籍
The Mathematical Theory of Communication
翻译成中文就是
《通信的数学理论》
韦弗把香农论文题目中的
“A”改成了“The”
表示“这就是唯一的经典”
也就是被后人视为通信基础理论的
“香农-韦弗信息论”
别着急，重点马上就来了，请先看一张图~
其实香农一开始想要解决的只是“如何在有噪声的信道里又快又准地传信号”。他关心的是信号怎么编码、怎么传、怎么抗噪，完全没涉及语义、理解和用途。而韦弗则在香农的基础上，把通信扩展成“Level A/B/C”三个层级。
智传网（AI Flow）不是解决单点的通信问题，而是以创新的技术路线，贯通“香农-韦弗信息论”的 Level A/B/C。
Level A
符号层
The technical problem.
Level A 是指传统通信，也就是香农所关心和研究的部分。这一层关注传输的准确性，即如何将信息从发送端准确地传送到接收端。通俗来讲，就是只管声音、文字、信号能不能完好的传过去，不管传的是什么意思。
举个例子，当你打电话的时候，只保证声音清晰、不卡顿、不杂音，至于是普通交谈，还是在吵架，或者是求救，系统不管，也不关心。
Level A 只关注传输有没有失真，有没有噪声。
Level B
语义层
The semantic problem.
Level B 通常被认为是语义通信，这一层聚焦于接收者对信息含义的理解与发送者预期含义之间的契合度，也就是传输的信息含义是否被准确理解，即接收方解码后的符号是否保留了发送方想要表达的意义。
例如，自动驾驶汽车在公路上高速行驶，前方忽然窜出一头鹿，摄像头拍到了实时画面，但并不需要把整个视频都原原本本发送给汽车的控制单元，只需传输“道路中央有一头鹿”这样一句话，就可以传递道路的状况。
Level B 要保证符号背后的含义准确传达，意思不跑偏。
Level C
效用层
好比，当你在路上开车，前方信号灯显示红色，你就会提前踩刹车，减速准备停下。或者天气预报告诉你“明天有暴雨，出门需带伞”，你就知道出门要带伞。
Level C 让接收者收到信息后能够看懂并产生行为决策。
讲到这里，重点来了：
智传网（AI Flow）贯通信息论 Level A/B/C，打造面向通信的“重建-理解”一体化。
在香农提出经典理论后的七十余年间，现代通信从固定电话、移动通信到光纤互联网，几乎所有通信系统的设计、编码、传输与压缩方法都严格遵循香农理论的基本框架，聚焦于如何精准、可靠、高效地传输二进制符号，也就是追求 Level A 的极致传输。
那么，是不是只要通信网络足够强大，就能把信号传输准确，只要 Level A 就够了？
肯定不是这样。
因为随着带宽的增加，传输的信息量和复杂度也越来越多、越来越大。比如 2G 时代只能传简短的文字信息，而 3G 可以传图片，4G 可以传视频 ，5G 让对延迟更敏感的短视频成为主流，虽然带宽在不断增加，但是所传输的信息形态也随之升级，信息量更是指数级增长。
这就好比城市里的道路，以前是小窄路，主要走行人和自行车；后来为了通汽车，开始拓宽马路，还修了立交桥、高速路。但是虽然路宽了，车也变得越来越多，不仅有小轿车，还有大货车，仍然会发生拥堵。
即便是马上到来的 6G 网络，面临的也不会只是 5G 时代的短视频传输，而将是具有全新形态和更高复杂度的智能传输。所以仅仅解决带宽问题难以满足智能时代日新月异、飞速发展的应用需求。
并且，根据香农的理论，Level A 的理想状态存在天然不可逾越的技术鸿沟。
首先，信道固有噪声无法彻底消除
噪声是天然随机、持续存在、不可清零的。所有物理信道，包括无线、光纤、电缆、空间声波等等，都存在固有随机噪声。
它会叠加在有用信号波形上，扭曲电压幅度、打乱波形边界，导致接收端判决时把 0 判成 1，把 1 判成 0，从而产生误码。
香农的理论证明，只要有噪声，就不存在绝对无差错的自由传输，只能尽量抑制、无法根除。
其次，带宽有限
速率与稳定性天生矛盾
带宽是信道能承载的频率范围，是物理硬件和频谱资源决定的，不是无限的。带宽越大，能承载的传输速率越高。当带宽固定时，速率越快，抗噪声能力就越弱，就极易出错。
香农容量公式给定了理论上限，在固定带宽、固定信噪比下，稳定传输速率有天花板，人为强行提速必然牺牲可靠性。
因此，工程永远面临着两难困境：是保速率牺牲稳定，还是保稳定牺牲速率？
海量数据下，
压缩效率与传输可靠性难以平衡
由于高清视频、图像、物联网海量数据的体量巨大，直接原始传输极度占用带宽。而 Level A 则需要做信源编码压缩，剔除数据冗余，节省带宽。
但压缩是有边界的，压缩过度会造成不可逆失真，符号细节丢失，接收端无法完美还原；压缩太保守又浪费带宽、拖慢速率。
挑战是既要逼近香农熵的压缩极限，同时又要兼顾画质、音质、还原保真度和传输稳定性，可谓难上加难。
现代通信发展到今天，香农理论中的信道编码、信源压缩、调制解调等关键技术逐渐逼近极限，带宽、功率、频谱效率的提升空间越来越小，传统通信体系面临难以突破的性能瓶颈，无法满足下一代通信对更高速度、更低时延、更高效率和更强智能的需求。
那么，人类的通信上限就到此为止了吗？
答案当然是否定的。
2024 年，中国电信集团展开对智传网（AI Flow）的研究和布局，创新提出了新的技术路径：生成式智能传输（Generative Transmission）。
不同于传统通信技术将所传输的文字、图片、语音、视频转换成以 0 和 1 组成的二进制“比特流”，智传网（AI Flow）生成式智能传输是在发送端通过多模态大模型将信息凝练为少量的“词元流”，每个词元（Token）中包含原始信息背后的语义、特征和条件。
比如要实时传输一个 1080P 的视频，传统视频编码方案通常需要约 3.6Mbps 的传输带宽，才能实现连续、稳定、清晰、低卡顿的传输。
而通过智传网（AI Flow）生成式智能传输技术，仅需不到 100Kbps 的带宽就能实现视频的流畅传输；在画面变化较小、结构相对稳定的场景下，传输码率甚至可进一步降低至约 50Kbps 以下。
（点击播放视频）
相比传统方案，智传网（AI Flow）所需的传输带宽可降低至约 5% 以下，在弱网络、远距离通信和受限链路环境下具备更高的通信效率与可用性。
如果是传输一段音乐，在 0.266kbps 的极低码率下就能清晰流畅地传输，相比传统编解码降低 500 倍。如果是语音，所需带宽甚至会更低。
智传网（AI Flow）实现：用发信息的带宽打电话，用打电话的带宽传视频。
这里会衍生出两个新的问题：
问题一
“体积”如此之小的词元，能把信息传输完整吗？
问题二
传到接收端之后，如何还原回来？
在这背后，有一个非常重要的理论基础——信容定律。
信容（Information Capacity）是早在 2002 年就被学术界提出和研究的一项指标，它是信息量与模型参数量的比值，表示模型内存储的知识密度。如果把模型比作海绵，信息比作水，那么信容就如同海绵的吸水效率，水吸得越多、越快，说明模型越“聪明”。
通过信容指标可以反映出单位数据的信息提供能力，用来评估人工智能系统的效能。这个指标不仅能揭示模型在单位计算代价下产出的智能密度，还能在复杂的通算融合网络中为“算”与“传”的资源最优配置提供理论依据。
当参数量越大、语义理解与生成表征能力越强时，模型对图像和视频高层本质信息的凝练萃取效率就越高，只需传输极少数量的词元便可在接收端通过多模态大模型完成像素级高清重建；反之，模型体量越小、信息凝练能力越弱，所需传输的词元数量也会相应增加。
因此，通过在发送端和接收端投入更多计算资源，提升模型的语义理解和表征能力，就可以大幅降低带宽的负荷，从而实现高效传输与高质量重建。
2024 年，TeleAI 正式成立并展开对多模态生成技术和世界模型的基础研究，专注于生成内容的精准可控，这也为智传网（AI Flow）生成式智能传输的落地打下了坚实基础。
正是基于前面这些长期主义的理论研究和技术布局，智传网（AI Flow）生成式智能传输的视频与原始视频几乎肉眼不可分辨。
例如，下面这段视频，当网络信号从 5G 切换到 4G、3G 的过程中，可以看到左侧传统传输的画面明显卡顿，而智传网（AI Flow）生成式智能传输的画面依然保持流畅，且几乎看不出与原始视频有何差别。
（点击播放视频）
那么，或许有人会提出疑问：通过生成还原出来的视频，还是原来的视频吗？它可信吗？是否能在一些特定情形下作为法律依据？
这是一个技术伦理的问题。
如果从“一对一像素”的严格角度来说，生成还原的视频不能算作原视频；但智传网（AI Flow）生成式智能传输遵循的是对原始视频“理解”后进行“重构”，且具备一体化对齐的技术路径。这与单纯的 AIGC 生成视频是截然不同的。
TeleAI 对通信速率及理解性能进行了深度评估，结果显示，无论是对各种下游任务的理解能力，还是对原始音、视频的重建质量，智传网（AI Flow）都达到国际领先水平。
同时，可信溯源技术为重建视频打下了不可磨灭的数字烙印，确保无论观察角度如何，事件的真实性不会被篡改。
技术的使用边界是随着社会认知提升和法律法规完善而发生变化的。在满足客观性、关联性、合法性的前提下，通过智传网（AI Flow）生成还原的视频或许可以成为补强性辅助争取。
智传网（AI Flow）为香农的 Level A 理论极限找到了全新的突破口，即便在带宽不足、网络信号弱的情境下，依然能够保持精准、稳定的传输。
如果把通信比作一个“哑铃”，两侧的“哑铃头”一边是发送端，一边是接收端，中间的“握把”是信道，那么香农理论研究的就是发送端、“握把”，以及它们之间的关系。他没有对“哑铃”的另一侧展开研究，而更像是在打磨一把“锤子”。
智传网（AI Flow）则通过引入“生成式”的能力，补足了“哑铃”的另一侧，让“握把”的两端可以同步发展，共同作用。这是香农在七十年多年前无法想象的，也是 AI 时代赋予信息通信的新机遇。
解决了 Level A 的瓶颈难题，还需要做 Level B 和 Level C 的传输吗？当然需要，因为面对不同的任务和场景，“需要传输”或“可以传输”的信息量是有差别的。
例如，城市交通管理部门需要实时回传监控视频，以便对交通事故等做出快速判断和处理，原高清视频中画面非常丰富，有道路、车辆、行人、树木、路灯、垃圾桶、广告牌、防护栏、绿化带等等。
对于管理部门来说，为了节省带宽资源，不需要实时传输高清画面，只要能看清“车辆、行人、通行正常还是发生异常”即可，至于“道路是什么纹理、路灯有没有开、树叶是什么颜色、光影如何变化”等细节并不重要。
因此，在信息传输的时候只需要做到 Level B 就可以了，也就是 1949 年香农-韦弗信息论中所提出的“语义通信（Semantic Communication）”。
Level B 不再执着于每一个比特是否精确无误，而是追求信息的含义被正确理解，允许在同义表达、语义等价的前提下进行灵活传输与压缩，这在一些对传输质量要求不高的应用中展现出优于传统通信的性能。
但是目前的语义通信仍有局限性：高动态场景重建的画面模糊、细节丢失、画质明显降级，无法还原出与原视频肉眼观看无差别的高清画面。在偏静态场景的场景还能适用，但如果对画面动态细节丰富，对画质品质有一定要求，就无法实现。
例如，远洋通信。
在远洋出海任务中，船员一走就是几个月甚至十几个月。船只远离陆地通信基站，手机信号弱，网络传输受阻，想要刷短视频或与家人通视频电话可谓天方夜谭。
如果只靠语义传输，画面模糊不清，细节丢失严重，虽然能看到画面中有个人，似乎在跳舞，但是毫无美感，无法感受到休闲娱乐的轻松与乐趣。
这个时候，智传网（AI Flow）生成式智能传输就又要发挥作用了。
当接收端收到被极致压缩并蕴含大量信息的词元之后，再通过多模态大模型根据词元提供的“高阶”和“低阶”信息还原生成完整的视频画面，其中就包括背景、纹理、光影等各种细节。
再比如海底勘探、海洋牧场等水下场景，由于水质混浊、亮度不够，原始画面通常不够清晰，而通过智传网（AI Flow）生成式智能传输，发送端提取准确的语义信息，再在接收端生成出清晰画面，能够更方便观测者查看并做出判断。
接收端的模型在推理的时候可能会受到“噪声”影响，而智传网（AI Flow）则利用 2022 年被发现的“正激励噪声”（Positive-incentive Noise，Pi/π-Noise），让原本的“干扰项”成为性能提升的“助推器”。
针对监控摄像头等场景固定不变的视频，智传网（AI Flow）借助正激励噪声建模场景中的短时动态变化，帮助视频压缩模型内化静态场景所包含的语义信息，从而使其在编码背景时所需的码率显著下降。
经过微调后的模型能学到鲁棒的背景知识，无论是白天还是夜晚、无论是晴天还是阴雨，即使环境背景看上去截然不同，模型仍能高效重建，实现低传输码率下 Level B 所要求的语义保真。
（点击查看视频）
如果说以上还是从 Level A 到 Level B 的跃迁，那么智传网（AI Flow）还不止步于此，而是进一步向 Level C 迈进，贯通 Level A/B/C。
根据韦弗的理论，通信的终极目标是“效用”，也就是让接收者理解所传输信息的目的和作用是什么，并对行为和决策产生影响。
在智传网（AI Flow）的“端-边-云”网络架构中，还部署了一系列大小不同的家族式同源模型，它们彼此之间的特征是对齐的，可以通畅地共享信息，协同工作。
大模型可以基于小模型的输出接力推理。在以目标为导向的信息传输任务中，根据资源条件和需求的不同，可以灵活传输部分词元给接收端的大模型做接力式推理。
对于简单任务，如果只需要判断交通视频中是否有行人和车辆，端侧模型就可以完成，直接通过文字等形式传输给云端模型，无需进一步推理。
对于复杂场景，如果要判断是否存在交通违章的情况，则端侧模型把提取的有关行人、车辆、车道线、交通标识等词元信息传输给云端模型，再通过云端模型结合交通法规进行深入推理。
这种端云协同的方式，可以大幅提升推理效率。更重要的是，智传网（AI Flow）传哪些信息不是事先定义好的，而是随着任务和画面的变化而做出决策，这是与语义通信的巨大不同之处。
这种能力在“TeleAI 隐私摄像头”上发挥了重要作用，实现传输信息的隐私安全保障。
例如在面对校园霸凌、卫生间吸烟等特殊场景，既要对危险行为进行实时监控和预警，又要保障被拍摄人员的个人隐私，智传网（AI Flow）则可实现从源头对数据脱敏。
（点击播放视频）
首先，端侧小模型完成从原始图像到抽象特征的非线性映射，发送端只传输用于理解并对行动给出指导的这些向量特征。随后，接收端的家族式同源模型再对风险行为进行识别推理，通过语义描述或风格化图像的形式呈现，杜绝对原始画面的还原。
类似的应用还有“TeleAI 电诈实时防护系统”：端侧模型对诈骗电话进行语义特征抽取与隐私过滤，云端模型接力执行复杂行为推理和决策。
（点击播放视频）
不仅如此，智传网（AI Flow）还通过分布式群体智能支持多输入、多节点双向传输，整合多个设备、多个节点的感知数据，通过大模型融合推理实现能力叠加。
同时，这一技术还能实现多设备间的词元流交互，打破单一设备的智能局限，实现群体智能协同与“多对多”信息交互。
比如在面对“失踪人员搜救”这一任务时，仅靠单一摄像头捕捉的画面是无法完成的，需要调度分布在火车站、便利店、交通路口、山区入口等多个摄像头。
（点击播放视频）
各摄像头上的端侧模型可以根据各自拍到的画面进行信息提取、压缩和传输。它们彼此之间还能实现从“点到点通信”拓展到“网络间合作”，对相关区域进行三维重建，并还原出相关人员的行动轨迹，从而得到更为精准的信息。
在传输过程中，利用前面提到的“正激励噪声”（Positive-incentive Noise，Pi/π-Noise），可以使得 LevelC 关注的条件任务熵相比原本的任务熵减少，模型在下游任务上的准确度进一步提高。
作为中国特大型通信运营商，中国电信建成了全球规模最大的 5G 共建共享网及千兆光网，具备覆盖广、带宽大、延时低、安全可控的核心优势。
依托中国电信的“云改数转智惠”战略，智传网（AI Flow）通过深度融合人工智能（智）、通信（传）、网络（网）三项关键技术，将打破终端设备、边缘计算、云端服务器之间孤立运行的局限，实现基于链接与交互的群体智能涌现，是传统通信网向新一代通信网跃迁，构建智能时代数字信息基础设施的关键革新。
相关工作
J. Shao and X. Li*, "AI Flow at the Network Edge", IEEE Network, vol. 40, no. 1, pp. 330-336, Jan. 2026, doi: 10.1109/MNET.2025.3541208.
H. An, W. Hu, S. Huang, S. Huang, R. Li, Y. Liang, J. Shao, Y. Song, Z. Wang, C. Yuan, C. Zhang, H. Zhang, W. Zhuang, X. Li*, "AI Flow: Perspectives, Scenarios, and Approaches", Vicinagearth 3, 1 (2026).
X. Chen, J. Luo, Y. Fan, H. Huang, C. Zhang, X. Li*, "Generative Transmission: Rethinking Computation, Bandwidth, and Memory in Communication", WAICA 2026, arXiv:2607.17482.
C. Yuan, J. Shao, C. Zhang, X. Li*, "Information Capacity: Evaluating the Efficiency of Large Language Models via Text Compression", arXiv:2511.08066.
X. Chen, J. Luo, J. Xu, F. Yi, C. Zhang, X. Li*, "Generative video compression: towards 0.01% compression rate for video transmission", Vicinagearth 3, 7 (2026).
X. Li, "Positive-incentive Noise", IEEE Transactions on Neural Networks and Learning Systems (TNNLS), 2024.
H. Zhang, S. Huang, Y. Guo, X. Li*, "Variational Positive-incentive Noise: How Noise Benefits Models", IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2025.
D. Lu, J. Zhang, C. Yuan, J. Shao, X. Li*, "The Law of Multi-Model Collaboration: Scaling Limits of Model Ensembling for Large Language Models", arXiv: 2512.23340
H. Song, S. Tian, Q. Zhao, W. Hong, J. Liu, T. Long, J. Shao, X. Li*, "Ruyi2.5 Technical Report", arXiv:2603.17311.
