Radio 在 AI 领域目前主要指向两个方向：一是面向无线通信的 Radio Foundation Model（无线基础模型），即用大规模预训练方式处理无线信号感知与调制识别等任务；二是开发工具领域的 Radio——Plasma AI 推出的多 AI 编程助手实时协作方案。二者名字相同但赛道不同，共同点是都在探索 AI 与无线/实时协作的交叉地带。
Radio Foundation Model 近期进展
无线通信方向的预训练研究正在细化。arXiv 上一篇论文研究提出在 Radio Foundation Model 预训练中加入信道配置信息，思路是把信道参数作为先验纳入预训练过程，以提升模型对真实无线环境的适应能力。另一篇工作则聚焦安全侧：A JiT-Based Denoising Defense Method Against Adversarial Examples for Radio Signal Automatic Modulation Classification 提出用基于 JiT 的去噪方法抵御对抗样本，保护自动调制分类模型。此外，Jev 决策模型加速 6G 边缘网络意图服务编排虽不直接以 Radio 基础模型为对象，但同样属于 AI 与无线网络运维结合的路线，说明这一方向的研究正从信号层向网络编排层延伸。
作为开发工具的 Radio
工具侧的动态来自 Plasma AI：Plasma AI 推出 Radio，让多 AI 编程助手实时协作。这类产品试图解决的问题是，当团队同时使用多个 AI 编码代理时如何避免冲突、实现协同编辑。它反映了 2025 年以来 AI 编程工具从单助手向多智能体协作演化的趋势，不过目前公开信息有限，实际协作效果仍待用户检验。
当前焦点与观察点
Radio 相关技术的争议点集中在泛化性与落地成本：无线基础模型能否像视觉、语言大模型那样形成通用表征，仍取决于预训练数据能否覆盖多样信道与硬件条件，信道配置信息的引入正是对这一短板的修补。观察点有三个：一是 Radio Foundation Model 后续是否会出现标准化的基准测试；二是多代理协作工具 Radio 能否在 Cursor、Copilot 等成熟产品夹击中站稳；三是 6G 与星闪等短距离无线标准（如近期亮相的星闪 3.0 无源 SLZ 方案）是否会为无线 AI 模型带来新的应用场景。整体看，Radio 一词在 AI 语境下尚无统一所指，追踪时需注意区分通信研究与开发工具两条线索。